基于粒子群优化神经网络的煤层底板突水预测

阐述了运用粒子群优化人工神经网络建立煤层底板突水预测模型的思路与方法,利用粒子群优化神经网络模型的权值和阈值,克服了神经网络容易收敛到局部最小值,以及收敛速度慢的缺点.实践表明:该方法不仅能更快地收敛于最优解,且预测精度有明显的提高.     

基于粗糙径向基神经网络的刮板输送机负载预测方法研究

刮板输送机负载的准确预测对实现采煤机和刮板输送机的协同控制至关重要。刮板输送机短期负载受工作面环境、冲击载荷等不确定性因素的影响,具有很强的非线性和非平稳性,难以准确预测。针对此问题,本研究提出一种基于粗糙径向基神经网络的刮板输送机负载预测方法。该方法首先建立刮板输送机电流去噪模型,得到反映综采工作面刮板输送机真实负载的电流分量;然后针对刮板输送机负载电流波动大导致的神经网络预测模型训练误差增大、预测精度低的问题,引入表征负载变化波动的上下输入粗糙神经元,提出一种粗糙径向基神经网络(RRBFNN)模型;最后基于粗糙径向基神经网络建立刮板输送机短期负载预测模型,并进行仿真实验验证。结果表明：本研究提出的RRBFNN刮板输送机短期负载预测模型,比传统RBF模型的平均绝对误差(MAE)、平均绝对百分误差(MAPE)和均方根误差(RMSE)分别降低26.22%,25.39%和14.72%,该方法能有效提高刮板输送机负载的预测精度。     

用粒子群优化BP神经网络的顶板矿压预测

阐述了运用粒子群优化人工神经网络建立采场顶板矿压预测模型的思路与方法.结合锦界某煤矿采场矿压观测数据资料,阐述了通过对PSO-BP算法的采场顶板矿压预测模型的训练和仿真实验,将预测值与实测值进行误差对比,分析结果表明:PSO-BP模型精度高,误差小,与实测值更接近,能满足实际的需要,具有广阔的工程应用前景.     

径向基神经网络无偏灰色瓦斯涌出量预测

利用径向基神经网络纠正无偏灰色预测残差,构建了一种径向基无偏灰色组合模型,并利用该组合模型对某矿山瓦斯相对涌出量进行实验仿真。结果表明,该组合模型预测与无偏灰色模型相比,平均绝对误差比RBF神经网络增高,且不受数据波动性影响,能够更好地反映矿山瓦斯相对涌出量的规律,预测准确、可靠。     

燃煤飞灰浮选除炭的径向基神经网络模型

利用MATLAB程序构建径向基函数神经网络，运用计算机经过517次训练学习后，可实现粉煤灰除炭浮选工艺产品结果预测和工艺参数确定，并通过试验验证了神经网络模型的计算结果。实践表明，径向基神经网络模型所映射的关系可达很高的精度，明显优于其他形式的数学模型。     

基于粒子群神经网络的底板突水预测研究

将粒子群优化算法用于优化神经网络,有效地避免了神经网络易于陷入局部最小点、收敛速度慢等缺陷.将影响底板突水因子的水压、断层、岩溶发育、隔水层厚度作为输入矢量,将粒子群优化的神经网络模型用于煤矿的底板突水预测中,结果表明：模型具有良好的适应性,对比传统的BP网络,精度取得了极大提高,收敛更快.     

基于径向基函数神经网络的矿井智能火灾探测方法

为了提高矿井火灾探测器对环境的适应力和抗干扰能力,采用逼近能力、分类能力和学习速度等方面优于BP网络的径向基函数神经网络,在MATLAB环境下构建火灾探测仿真模型,以温度、烟雾浓度、CO气体浓度作为输入,进行多信息数据融合,达到矿井火灾探测目的.仿真结果表明,该方法对明火、阴燃火和无火概率的识别误差均小于5%,可大幅降...     

基于粒子群优化RBF神经网络的煤矿通风机故障诊断

为了提高煤矿通风机故障诊断的准确性,采用了一种粒子群优化RBF神经网络的方法。利用粒子群容易实现等特点,对RBF网络的中心、宽度以及连接权重进行优化,并用优化好的神经网络对通风机进行故障诊断。仿真结果表明,该方法具有较好的分类效果,适用于通风机的故障诊断,是一种实用的故障诊断方法。     

基于粒子群优化RBF神经网络的液压钻机故障诊断

提出了一种基于粒子群优化径向基神经网络的液压钻机故障诊断方法。该方法使用虚拟仪器及LabVIEW软件对液压钻机的特征信号进行采集,利用粒子群优化算法对径向基神经网络的径向基中心值、宽度以及权值进行优化,实现了液压钻机的故障诊断。结果表明,基于粒子群优化径向基神经网络的液压钻机故障诊断方法在小样本情况下,诊断准确率高,实用性强。     

基于径向基概率神经网络的变压器故障诊断

在对径向基概率神经网络进行理论分析基础上,采用减法聚类方法确定它的隐中心矢量。提出了基于径向基概率神经网络的变压器故障诊断方法,并进行了实验研究。实验结果表明,径向基概率神经网络在准确性和快速性方面适用于变压器故障诊断。     

基于BP神经网络的炼焦煤质量预测研究

焦炭的质量对高炉冶炼的生产有着重要的影响,为了解决焦炭质量预测问题,提出了基于BP神经网络的质量预测算法,文中详细阐述了该模型的建立过程和实现方法,同时也给出了在进行模型处理的时候数据预处理的方法。利用人工神经网络对非线性问题的模拟能力,构建了焦炭质量预测模型,测试结果表明在100组不同类型的焦炭质量预测分析中,质量预测的精度达到了95%。     

基于BP神经网络的地表沉降预测模型

简述了人工神经网络的基本原理,通过实例建立了时间序列BP网络模型,并利用已有观测数据对网络进行了训练和测试,经过与实测值进行对比回归分析,证明了该网络的有效性和精确性,可作为一种预测方法对地表沉降做出预测。     

基于RBF神经网络的堤防管涌预测方法

影响堤防管涌的各种因素是不确定和随机的,在堤防管涌的发生过程中各因素间表现出复杂的非线性行为。运用基于RBF神经网络的基本原理,建立了堤防管涌预测的RBF神经网络模型,从新的角度研究堤防管涌的预测问题,对该问题进行了探索性的研究。对该理论的建立以及预测方法进行了系统的讨论,为该领域的研究提供了完整的技术方法。对于23个典型堤防管涌实例的研究表明,RBF网络较BP网络有较高的预测精度,较短的预测时间和较快的预测速度,能够较好地描述堤防管涌的非线性特征。     

基于拟牛顿优化算法BP神经网络的瓦斯灾害预测模型

矿山瓦斯突出与爆炸事故的预测预报是当前我国煤矿安全生产中急待解决的问题之一。引入BP神经网络的拟牛顿(Newton)优化算法,在保留空间实体相关和多种分布并存的前提下,讨论了建立拟牛顿优化算法BP神经网络瓦斯灾害预测预报模型的数学模型设计、网络结构设计和程序设计3个部分,并以济宁二号井为实例进行了测试。结果表明:该模型稳定、快速、预测精度高,能够较好地模拟矿山瓦斯突出与爆炸事故特征,对瓦斯灾害作出较准确的预测。     

基于RBF神经网络的瓦斯涌出量预测

传统瓦斯涌出量预测方法存在一定的局限性,预测精度不能满足要求。为了提高瓦斯涌出量预测精度,采用RBF神经网络对瓦斯涌出量相关数据进行建模。通过训练13组样本,对5组数据进行预测,分析了隐层神经元个数对预测精度的影响,并与同结构的BP神经网络预测结果进行了对比。研究结果证明了RBF神经网络在瓦斯涌出量预测中的有效性。     

基于BP神经网络煤与瓦斯突出强度预测模型

在分析湖南土朱矿5煤层煤与瓦斯突出资料的基础上,确定煤层瓦斯含量,瓦斯压力,煤的坚固性系数及瓦斯放散初速度为影响煤与瓦斯突出的主要因素,利用MATLAB软件,基于BP神经网络,建立了适合土朱矿的煤与瓦斯突出强度预测模型,并进行了实际检验,确定了模型的可行性,为指导土朱矿的安全生产提供了理论依据。     

基于优化的BP神经网络地层可钻性预测模型

提出了一种粒子群算法(PSO)优化的BP网络模型预测地层可钻性的新方法。利用粒子群算法优化BP网络模型的参数,避免了BP网络陷入局部极小值的缺点,提高了模型的预测速度和精度。结合钻探实例,利用测井资料和地层可钻性级别的关系建立了可钻性级别实时预测模型,并将该模型与传统的BP网络进行对比,结果表明,该模型优于BP网络,具有较高的精度和较快的收敛速度,有一定的适用性。     

基于遗传BP神经网络模型的矿区开采沉陷预计

为解决常规方法监测矿区开采沉陷的可控性、可操作性差及精度低等问题,采用BP神经网络模型拟合矿区高程值对开采沉陷进行预计是一种有效方法。但传统BP神经网络模型为反向传播算法,在训练时需多次试算方可确定神经网络系统的连接权值和阈值,具有易陷入局部最小值、收敛慢等不足。为此,采用遗传算法（Genetic algorithm,GA）对BP神经网络模型参数进行优化以提高其泛化能力,构建了遗传BP神经网络模型（GA-BP）。以某矿区首采工作面地表25个已进行了三等水准联测的高程监测点数据作为遗传BP神经网络模型（GA-BP）的训练样本（15个监测点数据）和测试样本（其余10个监测点数据）,分别采用BP神经网络模型、二次曲面拟合等方法与其进行试验对比,结果显示：遗传BP神经网络模型（GA-BP）具有更高的内、外符合精度及更小的残差,表明该方法有助于实现对矿区开采沉陷的高精度预计。     

基于改进粒子群优化RBF神经网络的轧制力预报

依据RBF神经网络的非线性逼近能力和自学习特性, 提出基于RBF神经网络的建模方法。将最近邻聚类用于RBF神经网络隐层中心向量的确定, 并采用改进粒子群算法对最近邻聚类的聚类半径进行优化, 合理确定了RBF神经网络的隐层结构, 提出了一种基于改进粒子群算法的RBF神经网络(IMPSO-RBF)。将该网络应用于轧制力的预报, 与基本粒子群算法优化的RBF神经网络比较, 仿真结果表明其在预报精度和收敛速度上都有很大提高。     

基于BP神经网络的矿井摩擦阻力系数预测

为克服传统的矿井巷道摩擦阻力系数测试方法工作量大、效率低等缺点,以摩擦阻力系数理论为基础并结合现场实际资料分析,归纳出影响矿井巷道摩擦阻力系数的主要因素：巷道断面积、巷道周长、巷道支护方式和巷道断面形状。构建基于BP神经网络的摩擦阻力系数预测模型,选取典型数据作为BP神经网络的学习样本和测试样本,运用Matlab软件进行网络训练,得到优化的网络模型。利用优化的网络模型对板石矿和大明一矿随机测点进行摩擦阻力系数预测,预测值与实测值误差不超过10%,表明该网络模型的预测结果具有较高的可靠性和工程实践价值。