煤矿瓦斯涌出量预测及仿真研究

瓦斯涌出量受很多随机性因素的影响,传统的预测方法精度低,使得瓦斯事故频频发生。针对瓦斯涌出量系统的高度非线性和复杂性,为了提高瓦斯涌出量的预测精度,提出了基于自学习模糊神经网络的一种控制算法。用遗传算法离线训练该控制算法的参数,由于BP神经网络具有很强的局部搜索能力和对对象的适应能力,用BP网络在线学习参数,建立了基于自学习模糊神经网络控制算法的瓦斯涌出量动态系统的预测模型。对同煤某矿采集样本数据并进行预处理,建立了具有优化参数的网络结构。最后,将该控制算法的预测结果与实际值和常规模糊神经网络模型进行比较,说明了该控制算法降低了预测误差,具有更高的预测精度,为解决瓦斯预测问题提供了一条新的理论支持。     

基于改进BP神经网络的煤与瓦斯突出预测系统

针对传统BP神经网络收敛速度慢、易陷入局部极小等问题,采用Matlab神经网络工具箱中的自适应学习率VLBP算法和基于数值优化技术的LMBP算法对传统BP神经网络算法进行改进,并设计了基于改进BP神经网络的煤与瓦斯突出预测系统;分别采用传统BP神经网络模型和改进的BP神经网络模型进行煤与瓦斯突出预测实验,结果表明改进的BP神经网络能够更快、更准确地预测煤与瓦斯突出。     

基于MPSO-RBF的瓦斯涌出量预测研究

我国煤矿的重大灾害事故中70%以上是瓦斯事故,煤矿瓦斯是影响煤矿安全生产的重要因素;针对瓦斯煤尘爆炸和煤与瓦斯突出给煤炭矿山带来的危害极大的问题,引入了基于改进PSO算法的RBF神经网络的混合优化算法(MPSO-RBF算法),即将PSO算法的全局搜索能力和RBF神经网络局部优化相结合,并建立了瓦斯预测模型;仿真与实际数据验证表明,优化算法所求的最优解具有良好的收敛能力,瓦斯涌出量的预测结果与实际值的误差在+1.44%至-0.63%之间,改进的粒子群算法优化的RBF神经网络对瓦斯涌出量预测能达到良好的效果。     

遗传优化的GNNM在瓦斯涌出量预测中的应用

研究矿井瓦斯涌出量准确预测一直是煤矿安全生产中重点关注的问题。煤层瓦斯爆炸因受开发环境、矿层深度、天气等因素的影响,造成与瓦斯涌出量增大而引起的。针对传统预测模型在矿井瓦斯涌出量预测中存在建模困难、收敛速度慢、要求历史数据量大的问题,提出了一种遗传优化的灰色神经网络预测模型。模型利用灰色系统对数据量要求低的特点,将灰色系统理论与神经网络有机结合起来,建立灰色神经网络模型。并采用遗传算法对所建立模型的权值和阈值进行优化。采用模型对矿井瓦斯涌出量进行预测,实验表明,遗传优化的灰色神经网络模型,可以简化系统建模,并能提高瓦斯涌出量预测精度,有一定的实用价值。     

煤矿瓦斯预测知识获取模型的应用研究

将粗糙集与神经网络结合,提出由样本更新、粗糙集预处理、神经网络训练、规则提取4个模块组成的煤矿瓦斯预测知识获取模型,将其应用于实时数据进行实验,结果表明,该模型实时性好、可靠性及精度高,可以较好地解决煤矿瓦斯预测知识获取困难的问题,为煤矿瓦斯预测专家系统知识库的建立奠定基础。     

基于灰色BP神经网络的瓦斯爆炸的预测

瓦斯浓度在很大程度上决定了煤矿井下发生爆炸的可能性,而原有灰色模型预测方法精度不是很高,但是所需的数据较少,而BP神经网络有高度的非线性计算、自学习和自组织能力。本文结合了灰色系统与BP神经网络各自的优点进行预测,使预测结果更加精确,可靠性得到很大的提高。     

改进BP神经网络的煤与瓦斯突出预测

研究煤与瓦斯突出预测问题,煤与瓦斯突出是一种非常复杂的地质灾害,受到瓦斯、地应力、煤物理力学性质等多种因素影响,存在复杂的非线性系统问题,引起预测准确性差。传统BP神经网络存在收敛速度慢、易陷入局极小等缺陷。为了有效提高煤与瓦斯突出的预测精度,提出一种改进BP神经网络的煤与瓦斯突出预测算法。首先采用附加动量调整网络的权值,加快网络收敛速度,然后自适应调整网络学习速度,减少迭代次数,最后对煤矿的煤与瓦斯突出进行仿真,相对于传统BP神经网络,不仅有效地减少了迭代次数,加快了学习速度,而且提高了预测精度,为煤矿灾害的准确预测提供了依据。     

基于蚁群优化算法的瓦斯预测模型研究

针对瓦斯煤尘爆炸和煤与瓦斯突出给煤炭矿山企业带来的危害极大的问题,将蚁群优化算法和BP神经网络技术结合应用到瓦斯涌出量预测,建立比较准确的预测模型。重点研究了BP网络模型的选择与优化训练,通过蚁群算法优化解决了BP神经网络易陷入局部收敛的问题。仿真与实际数据验证表明：改进的神经网络算法对瓦斯涌出量预测能达到良好的效果。     

煤矿瓦斯预测专家系统中基于粗集的知识获取方法

针对现有煤矿瓦斯预测专家系统因没有新知识获取措施及知识自更新功能而预测效果不佳的问题,提出了基于粗集的知识获取方法。该方法首先建立瓦斯数据与瓦斯突出强度之间关系的预测样本集;然后运用粗糙集的连续属性离散化、属性约简以及规则提取算法,从大量的预测样本集中自动获取预测知识,并将预测知识存储于专家系统知识库中;最后基于推理机实现煤矿瓦斯突出的实时预测。实例分析验证了该方法在煤矿瓦斯突出预测专家系统知识获取中的有效性和实用性。     

粗集-RBF神经网络在瓦斯突出预测中的应用

煤矿瓦斯突出是威胁煤矿安全生产的主要因素之一:瓦斯突出预测的关键是信息的采集,传输和处理;通过DSP技术和粗集-RBF神经网络结合的方法,完成了对瓦斯突出预测系统的设计;该系统设计了基于DSP和无线传感器网络的信息采集和传输系统和粗集-RBF神经网络;信息传输采用无线网络和CAN总线相结合的方式,极大地提高了信息传输的质量和效率;利用MATLAB对粗集-RBF神经网络进行了建模和仿真,选取了4个与瓦斯突出有关的影响指标,对具体的瓦斯突出样本进行了预测,准确预测出了瓦斯突出。     

基于粗神经网络的企业危机预警系统设计

叙述了粗神经网络的基本原理，论述了基于粗神经网络的企业危机预警系统的组成 、框架结构、功能及工作原理，给出了一个基于粗神经网络的欺诈危机的预警实例，实验结 果表明，该方法应用于企业危机预警中是有效的，为研究危机预警问题提供了一条新的思路 和方法．     

粗糙集神经网络混和系统及其应用

本文提出一种粗糙集理论和动态前馈神经网络相结合的神经网络构造方法。充分发挥了粗糙集理论和神经网络的优势，弥补了各自的缺点。并应用于实际工业过程，在乙烯装置裂解炉燃料气热值控制中取得了良好的应用效果。     

基于免疫神经网络模型的油气浓度预测研究

将免疫算法与神经网络理论相结合，提出了免疫神经网络预报模型，以预报油库油气浓度。该模型首先用历史数据对网络进行训练，然后利用训练好的模型进行油气浓度的趋势预测，最后结合某油气预报实例检验了免疫神经网络模型的可行性。结果表明，该智能预报模型能够较好地识别油气扩散的变化规律，预报精度明显高于神经网络模型。该结论拓宽了免疫神经网络模型的应用范围，为油库油气浓度的科学预报提供了一种新方法。     

基于分态的煤矿瓦斯浓度预测模型的研究

由于影响瓦斯浓度变化的因素很多且内部关系复杂,传统的单一预测模型无法客观准确地反映其变化规律,导致预测精度较低。为有效提高瓦斯浓度预测精度,提出一种基于分态的预测模型。应用最大李雅普诺夫指数（Lyapunov指数）对瓦斯浓度时间序列的混沌特性进行识别,将其分为非混沌态和混沌态,接着分别采用改进的最小二乘支持向量机（LS-SVM）和基于径向基函数（Radial Basis Function,RBF）的神经网络进行建模和训练参数的优化,最终得到最佳预测模型并对瓦斯浓度时间序列进行预测。结果表明,分态预测模型有效提高了预测精度,降低了预测误差,用该方法可以更加客观准确地对瓦斯浓度进行预测。     

Rough Neural Network of Variable Precision

In this paper, a new method is described to construct rough neural networks. On the base of rough set model, we present a method to develop rough neural network of variable precision and train it using Levenberg–Marquart algorithm. The method is particularly attractive because it combines the advantages of both rough logic networks and neural networks. In our system, weak generalization in rough sets theory and complexity in neural network are avoided while anti-jamming performance is highly improved and the network structure is also simplified. In experiments, the network is applied to classification of remote sensing images. The results show that our method is more effective and successful than application of rough sets and neural network separately.     

Segmentation of multispectral MR images through an annealed rough neural network

In this paper, multispectral image segmentation using a rough neural network based on an annealed strategy with a cooling schedule is created. The main purpose is to embed an annealed cooling schedule into the rough neural network to construct a segmentation system named annealed rough neural net (ARNN). The classification system is a paradigm for the implementation of annealed reasoning and rough systems in neural network architecture. Instead of all the information in the image are fed into the neural network, the upper- and lower-bound gray level, captured from a training vector in a multispectral image, were fed into a rough neuron in the ARNN. Therefore, only 2-channel images are selected as the training samples if an N-dimensional multispectral image was used. In the simulation results, the proposed network not only reduces the consuming time but also reserves the classification performance.     

基于粗糙集神经网络和信息融合的故障诊断

神经网络是智能故障诊断系统的一种重要的方法。粗糙集理论则是处理不完备信息的一种技术。文中以复杂的人工智能诊断问题为研究对象,系统地论述了基于神经网络、粗糙集、信息融合的智能诊断的理论、方法与实践。其主要方法如下:在故障诊断的神经网络模型的基础上,以粗糙集理论中的信息系统属性值表为主要工具,将复杂的组合神经网络约简并删除其中不必要的属性,克服了网络规模过于庞大和分类速度慢的缺点,并给出了基于粗糙集理论的组合神经网络的模型结构,最后再利用数据融合技术,得出更加精确的结果。一个故障诊断实例证明了该方法的有效性。     

基于GPRS网络的煤矿瓦斯监控系统的设计与实现

详细介绍了GPRS网络应用于煤矿瓦斯监控系统的设计与实现的方法,对监控系统软硬件组成、GPRS网络、数据传输的可靠性与数据图表的Web发布等关键技术问题做了详尽描述。     

粗集神经网络及其在智能信息处理领域的应用

通过对近10年发展起来的粗集神经网络集成技术的总结和归纳,可将粗集神经网络集成技术分为3种:粗集神经网络混合系统、粗边界神经网络和粗-颗粒神经网络.介绍了每种集成技术的研究现状,分析和阐述了其原理及特点.最后,总结了当前粗集神经网络集成技术中需关注的一些问题,并指出了进一步研究的方向.