基于径向基的瓦斯涌出量灰色预测模型

为了进一步预防煤层瓦斯突出,实现准确、快速预测煤矿瓦斯涌出量的大小,首先采用1-AGO对样本数据进行处理,建立灰色(GM)预测模型,再利用径向基(RBF)神经网络对灰色预测模型结果进行预测,以作为其最终的预测值;采用阜新煤矿某工作面瓦斯涌出量的历史数据进行建模,实验结果表明,GM-RBF组合模型在预测精度及训练误差方面均优于单一的GM模型和RBF神经网络预测模型;算法计算简便,减弱了数据的随机性及模型误差,煤矿瓦斯涌出量的预测平均误差减小到1.57%。     

合理遗忘选择训练样本的煤矿瓦斯涌出量预测

为了提高煤矿瓦斯涌出量的预测精度,针对煤矿瓦斯涌出量的训练样本选择问题,提出一种基于合理遗忘训练样本的煤矿瓦斯涌出量预测模型。首先通过引入遗忘因子既考虑了历史数据的影响,又突出了新数据的作用,然后最小二乘支持向量机建立煤矿瓦斯涌出量预测模型,最后进行了仿真分析。结果表明,该模型提高了煤矿瓦斯涌出量的建模效率,获得了更加理想的煤矿瓦斯涌出量预测结果。     

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。     

回采工作面推进过程中的瓦斯涌出预测分析

针对现有回采工作面瓦斯涌出预测方法的数据大都是基于回采工作面单一传感器的瓦斯浓度序列,存在无法将工作面持续推进过程中空间位置变化的监测点位置进行记录的问题,提出了以回采工作面传感器各监测点瓦斯浓度序列数据为基础,结合工作面实际推进距离,运用BP神经网络模型综合预测工作面瓦斯涌出量的方法。该方法利用回采工作面瓦斯分源辨识方法,分别分析采空区瓦斯涌出和煤壁瓦斯涌出的变化规律;利用BP神经网络预测法,结合表征采空区瓦斯涌出和巷道煤壁瓦斯涌出规律的特征值对工作面日均瓦斯涌出进行预测。实例应用验证了该方法的正确性。     

基于混沌免疫粒子群优化和广义回归神经网络的回采工作面瓦斯涌出量预测模型

为提高回采工作面绝对瓦斯涌出量预测的精度和效率,提出了将混沌免疫粒子群优化(CIPSO)算法与广义回归神经网络(GRNN)相耦合的绝对瓦斯涌出量预测模型。该方法采用CIPSO对GRNN的光滑因子进行动态优化调整,减少了人为因素对GRNN网络输出结果的影响,并采用优化后的网络建立瓦斯涌出量预测模型。通过对某煤矿瓦斯涌出量数据的仿真实验结果表明:基于CIPSO-GRNN的回采工作面绝对瓦斯涌出量模型比BP神经网络、Elman网络预测模型具有更好的预测精度和收敛速度,证明了该方法的有效性和可行性。     

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。     

一种非线性的瓦斯涌出量预测算法仿真研究

研究瓦斯涌出量预测问题,瓦斯涌出量受到开采深度、通风系统等多种因素影响,是一种复杂的非线性预测问题,传统预测方法难以建立准确数学模型,导致预测精度低。为了有效提高瓦斯涌出量预测精度,提出一种非线性的瓦斯涌出量预测算法。采用粒子群优化支持向量机对瓦斯涌出量与各种因素之间非线性关系进行建模,并对瓦斯涌出量预测进行仿真。结果表明,非线性预测算法有效提高了瓦斯涌出量的预测精度,降低了预测误差,对有效防止瓦斯爆炸有重要意义。     

一种瓦斯涌出量系统预测辨识模型的研究

针对煤与瓦斯突出灾害中瓦斯涌出量的辨识预测问题,结合采煤工作面瓦斯涌出量系统的现场实际特点,提出了混沌免疫遗传优化算法(CIGOA)与Elman神经网络相结合的耦合算法(CIGOA-ENN)。利用GIGOA的全局寻优能力替代梯度下降法,以克服Elman神经网络固有的缺陷。并根据输入的数据,构造基于CIGOA和ENN耦合算法的瓦斯涌出量系统辨识预测模型。利用矿区采集的现场监测数据进行仿真预测,实验表明该预测模型与BPNN,GA-ENN等神经网络预测模型相比,其收敛速度更快、收敛精度更高、鲁棒性更强,为解决煤矿瓦斯涌出量的预测问题提供了一个行之有效的方法。     

煤矿瓦斯涌出量动态预测的PCA-MFOA-GRNN模型及应用

针对煤矿瓦斯涌出受许多因素的影响,为了克服瓦斯涌出中存在的复杂的非线性关系,从而实现稳定、可靠、精确的对煤矿综采工作面瓦斯涌出量进行动态预测,提出了主成分分析法（PCA）结合改进的果蝇算法（MFOA）优化GRNN的绝对瓦斯涌出量的预测手段。运用PCA算法对原始输入数据降维;并且对果蝇算法中的Si函数增加一个跳脱参数B,避免局部最优因子对预测模型的干扰;将MFOA算法对GRNN的平滑因子σ进行优化;将PCA结果作为模型的输入,建立了PCA-MFOA-GRNN算法的回采工作面瓦斯涌出量动态预测模型,结合实际矿井瓦斯涌出量监测的相关数据检验该模型,并将该模型的预测结果与未修正的FOA-GRNN算法、CIPSO-ENN算法、BP神经网络预测、Elman网络预测结果进行对比,结果表明：该预测模型对GRNN的参数优化后得到的预测模型较其他预测模型有更强的泛化能力和更高的预测精度。     

基于模糊粗糙集的瓦斯涌出量预测模型的研究

准确、及时地预测瓦斯涌出量是煤矿安全的主要研究方向之一。本文建立了基于模糊粗糙集的神经网络预测模型,对瓦斯涌出量进行了预测。仿真结果表明,该模型的收敛性和预测的准确性,都取得了满意的结果。     

基于小波神经网络的煤矿瓦斯涌出量预测

针对影响瓦斯涌出量的因素复杂多样化以及各因素之间的非线性问题,综合利用神经网络的自学习能力和小波变换的局部化性质,采用了一种基于黄金分割原理获得隐含层节点数的寻优算法,结合MATLAB强大的运算功能,建立了基于小波神经网络的煤矿瓦斯涌出量预测模型.仿真结果表明整个系统具有较强的逼近和容错能力,以及较快的收敛速度和良好的预报效果.     

基于非线性小波与形态学相结合的边缘检测方法

小波分析是图像与信号处理研究领域的一个重要工具,现有的小波分析方法大多集中于对线性小波的研究。智能交通中车型识别的基础是精确获取图像中汽车边缘和汽车特性,而图像中汽车边缘特性多表现为非线性性,采用非线性方法进行研究更为适合。文章在描述了非线性小波变换框架后,提出了一种用数学形态学实现非线性小波分解的方法来获取汽车边缘信息。为了正确识别车型,再进一步用修正后的数学形态学检测算子提取汽车边缘,得到了较为清晰的连续汽车边缘,为以后车型进一步分类提供了条件。经过实验检验该方法具有一定的可行性和稳定性。     

Pso-Bp 耦合算法在矿井瓦斯突出预测中的应用

矿井瓦斯含量的预测模型是一个多变量、非线性的函数关系,预测模型建立的准确与否决定于各个影响因素之间的相互作用、相互耦合的特性。将神经网络与粒子群算法有机地结合起来,以神经网络理论为基础,利用粒子群算法优化隐含层神经元个数和网络中的连接权值,建立瓦斯含量预测模型,解决了Bp神经网络收敛速度慢、易陷入局部优化的缺陷。并在历史数据的基础上,建立遗传神经网络训练和检验样本集,利用MATLAB进行仿真,结果表明粒子群神经网络模型可靠性强,预测精度高。     

基于灰色理论和人工神经网络的瓦斯涌出量预测

在对监测数据分析的基础上,提出了将灰色理论引入人工神经网络的瓦斯涌出量预测新模型,并通过实验证明该模型在瓦斯预测中得到了比较理想的结果。     

非线性去噪对发动机排气温度预测精度影响

针对传统方法难以进一步提高发动机排气温度(EGT)预测精度的问题,提出一种基于非线性去除噪声的正则化混沌预测算法.为了消除其他因素和离群点对EGT预测精度的影响,研究了实际测量数据的预处理方法.由于观测数据中的噪声和混沌相空间重构参数对EGT预测精度有较大影响,提出利用搜索算法寻找使EGT预测精度较优的非线性去噪参数和重构相空间的延迟时间和嵌入维变量.仿真结果表明,该算法用于某型航空发动机EGT序列的预测,获得了满意的结果.     

基于遗传算法的GMDH网络模型及其应用

传统的数据处理群方法(Group method of data handling,GMDH)在结构上具有自组织和全局选优的特性,非常适合进行非线性数据的拟合.但由于在传统GMDH网络建模是用最小二乘法来辨识参数,常常使得模型预测效果不理想.遗传算法是一种有效的搜索和优化方法.它具有自适应搜索、渐进式寻优、并行式搜索、通用性强等特点,论文将遗传算法引入GMDH网络,用遗传算法辨识部分描述式的系数,建立了基于遗传算法的GMDH网络模型.并将该模型应用于一组实测时间序列的预测研究.计算机仿真结果表明,模型预测效果令人满意.     

基于BP神经网络数据融合的瓦斯监测系统

井下瓦斯监测系统为多传感器监测系统,它通过不同功能、不同精度、不同位置的传感器,对所需要的被测量进行多方位、多角度的测量。但是,目前对于多传感器所测的数据还没有一种通用的、行之有效的处理方法,井下瓦斯浓度的监测很难作到实时、精确。因此,文章提出了一种基于BP神经网络数据融合的瓦斯监测系统的设计方案,该方案采用改进的BP神经网络算法对多传感器数据进行融合,并采用两级融合的方式对数据进行处理,以得到井下环境特征。仿真结果表明,基于BP神经网络数据融合的瓦斯监测系统具有较高的测量精度,极大地提高了数据采集的可靠性、全面性和有效性。     

Neural network methods for the modeling and control of welding processes

While welding processes are of great importance in manufacturing, their modeling and control is still subject of research. The highly nonlinear, strongly coupled, and multivariable nature of these processes renders the use of analytical tools practically impossible. In this article a novel approach is presented which employs networks of simple nonlinear units: a neural network. A widely used welding process, the Gas Tungsten Arc Welding is presented and the problem of its modeling and control is exhibited. A very brief introduction to neural networks is followed by presenting the experimental results for modeling the static and dynamic behavior of the process, as well as some practical recommendations regarding the use of the neural network techniques for controlling these processes.     

基于LLE与BA-Elman的瓦斯涌出量动态预测研究

针对瓦斯涌出量受诸多因素影响,彼此间存在复杂的非线性关系导致预测精度不高这一问题,提出基于相关分析理论和局部线性嵌入理论的Elman网络瓦斯涌出量动态预测方法。在对监测指标进行相关性分析的基础上,用局部线性嵌入理论实现瓦斯涌出量影响因素从高维空间至低维空间的映射,进而重构影响瓦斯涌出量的有效因子,并将其作为Elman网络预测模型的输入矢量,以降低模型结构的复杂度,同时用蝙蝠算法全局优化Elman模型以提高预测的精度和泛化能力。试验结果表明该动态预测模型泛化能力强,预测精度高,适用于实际工作中对瓦斯涌出量的预测。     

基于XGBoost的以太坊交易智能定价模型

以太坊采用交易收费的策略来保证计算资源的合理利用,而由于涉及智能合约的交易消耗计算资源差别较大,引入Gas机制。以太坊用户在发起交易时需自主设置Gas总量和Gas价格,而矿工基于利益最大化的原则,优先选择Gas价格高的交易。Gas价格设置高则打包时间短,反之则时间长。由于交易的价格由交易发起者自主确定,这使得需要打包的交易的Gas价格可能相差较大,因而交易共识时间难以掌握。因此,现有的交易机制并不能平衡交易Gas成本和共识时间之间的冲突。为了解决上述问题,对以太坊交易机制进行了研究,分析影响Gas价格的因子,通过网格搜索算法对极端梯度增强模型（extreme gradient boosting,XGBoost）进行参数优化,构建基于XGBoost的以太坊交易智能定价模型,将该模型用于交易Gas价格预测中。通过搭建节点接入以太坊网络获取交易数据作为实验数据,实验结果表明,ETH＿XGB模型能够帮助用户平均节省约72.5%的交易成本,交易成功率在92%,相较于原机制提高17.1%。