基于改进的SSA-BP神经网络的矿井突水水源识别模型研究

机器学习与寻优算法的结合在矿井突水水源识别上得到广泛应用,但突水水样数据具有随机性且寻优算法易陷入局部最优,提高模型泛化能力和跳出局部最优需进一步研究。针对上述问题,提出了一种改进的麻雀搜索算法(SSA)优化BP神经网络模型,用于对矿井突水水源进行定量辨识。以鲁能煤电股份有限公司阳城煤矿为研究对象,通过常规离子浓度分析、Piper三线图对该煤矿水样的水化学特征进行分析,初步判断矿井水来源于奥灰含水层和三灰含水层,并确定Na⁺+K⁺浓度、Ca²⁺浓度、Mg²⁺浓度、HCO₃^-浓度、SO ₄^2-浓度、Cl^-浓度、矿化度、总硬度、pH值作为突水水源识别指标;建立基于改进SSA-BP神经网络的矿井突水水源识别模型：首先进行SSA参数设置,引入Sine混沌映射使麻雀种群均匀分布,然后通过计算适应度值进行麻雀种群的更新,引入随机游走策略扰动当前最优个体,如果满足终止条件,则获得最优BP神经网络权重和阈值...     

改进可拓识别方法及其在突水水源判别中的应用

针对已有可拓识别方法用于矿井突水水源判别时易造成误判的问题,提出了一种改进的可拓识别方法。首先对已有方法中经典域、节域量值范围以及待判物元的量值进行了归一化处理,并优化了最优值的选取,然后提出了新的位值计算方法。实验结果表明,将改进后的可拓识别方法应用到煤矿突水水源判别,提高了待判物元正确归属于某个含水层的程度,从而提高了水源判别的准确率。     

矿井突水水源判别方法

针对现有基于水化学特征的突水水源判别方法过程繁琐、难以判别单个涌水点、忽略了水化学特征之间的相互关联、计算量大等问题,结合Bayes判别法和可拓判别法,提出了一种基于Bayes-可拓判别法的矿井突水水源判别方法.选取潘二煤矿26组不同含水层水样、4组待判水样,以水样中SO4^2-,Cl^-,HCO3^-,K^++Na^+,Mg^2+,Ca^2+含量作为水化学特征指标,建立了水样物元模型,采用可拓判别法求得待判水样与已知水样的关联度;结合Bayes判别法的误判损失和待判水样关于已知水样的密度函数,得出Bayes-可拓解,根据Bayes-可拓解最小值判断突水水样类型.分别采用Piper三线图、可拓判别法、Bayes-可拓判别法判别矿井突水水样类型,结果表明:Piper三线图难以准确判断某一水样类型,可拓判别法存在误判情况,Bayes-可拓判别法能够准确判别突水水样类型.     

基于FPGA的水质检测系统研究

针对目前突水水源的判别方法不能实现突水预警,且处理时间较长、过程复杂等问题,设计了一种采用激光诱导荧光技术、以FPGA为核心处理器的水质检测系统。该系统采用在线检测荧光光谱法实时监测地下水的化学成分变化,从而快速检测矿井突水水源的变化前兆,达到突水预警的目的。试验结果表明,该系统检测精确度高,响应速度快。     

基于混合核函数的自组织神经网络遥感图像分类

自组织神经网络SOM作为一种无监督学习的竞争式网络,已经得到了广泛的应用,它通过对输入信号的竞争学习,将样本划为不同的类别,但其分类效果常很难令人满意.提出了一种基于混合核函数的SOM神经网络改进方法,并和传统的SOM网络进行了对比,Iris数据和Wine数据的分类实验表明,该方法可以明显改进SOM网络的分类效果.然后对某地Landsat卫星遥感图像数据进行分类实验,实验结果表明,与传统的SOM网络、基于多项式核的SOM网络以及基于RBF核的SOM网络相比较,基于混合核函数的SOM神经网络方法的分类效果有较明显的提高.     

基于斥力平衡SOM的可信故障诊断

自组织映射(SOM)神经网络存在训练结果不稳定、识别率低的问题。为此,提出一种斥力平衡SOM神经网络方法(RESOM)。该方法使用斥力原理,根据SOM模式区域在斥力场中迁移到的斥力平衡位置进行模式识别。比较普通SOM神经网络、SVM、RESOM对故障模式的识别结果表明,该方法训练时间少、识别正确率高、识别结果稳定。     

自组织特征映射神经网络的改进及应用研究

为了提高自组织特征映射(SOM)神经网络学习速度及分类精度,对初始连接权值及竞争层神经元数的确定方法进行改进。提出用聚类方法确定初始权值的新方法,还提出了采用聚类数与邻域之和确定竞争层神经元数的方法,并给出了改进后的SOM分类算法。将改进的SOM网络用于储粮害虫分类,采用留一方法进行分类验证实验。仿真结果表明,改进后的SOM网络在学习速度和分类精度方面都有明显提高,证明了该方法的有效性。     

基于模糊神经网络的网络成瘾预测

综合运用模糊数学和神经网络知识构建一个模糊神经网络模型,用以预测网络成瘾。确定了适宜的判别指标和分级标准,对评价论域进行模糊处理;建立各指标对不同论域等级隶属度的计算模型;以实际网络使用者为样本,应用改进的BP算法训练网络模型,并对6个受验样本进行成瘾判别以验证模型的准确性。该方法是对已有的单一指标判别法和用模糊数学对多个指标判别方法的改进。实验证明,改进的BP神经网络方法能够快速、准确、有效地识别网络成瘾模式。     

SOM网络在高校教师职称评审中的应用

自组织映射(SOM)是一种竞争型无指导学习的神经网络方法。SOM神经网络已广泛地应用于模式聚类、模式识别、拓扑不变性映射等方面。论文利用SOM对某高校2012年晋级副教授的46位教师的实际数据进行聚类分析,建立职称评审决策模型。首先,选取影响指标:SCI/EI篇数,一级核心论文篇数,二级核心论文篇数等作为SOM神经网络的输入模式;然后,用SOM进行聚类;最后,对聚类结果进行分析得出各类的特征和等级。实验结果表明,利用SOM对高校教师职称数据进行聚类分析是可行的、有效的,可以避开人的主观因素,更迅速客观地得到聚类结果。它为高校教师职称的评审提供了一种新的参考依据,具有较好的应用前景。     

基于粗糙集与支持向量机的企业短期贷款违约判别

建立了粗糙集和支持向量机集成的企业贷款违约判别模型,该模型首先利用自组织映射 (SOM)神经网络对具有连续属性值的财务数据进行离散处理,并应用遗传算法约简评价指标,然后将约简得到的最小条件属性集及相应的原始数据送入支持向量机进行训练,最后对企业短期贷款检验样本进行违约判别.采用贷款企业数据库558家制造业样本企业和522家房地产业样本企业进行交叉验证的实证研究,结果表明,与BP神经网络、多元判别分析、Logistic等违约判别模型相比,粗糙集和支持向量机集成的违约判别模型有更好的预测效果.     

基于改进粒子群优化BP网络的城市用水量预测

对城市用水量的科学预测是城市供水管网规划与设计基础,可以给供水系统安排生产与优化调度提供科学依据。由于传统BP神经网络应用于城市用水量预测存在训练收敛速度过慢、预测精度较低等缺陷,本文提出基于改进粒子群优化BP神经网络的城市用水量预测方法。实验结果表明,该方法的训练收敛速度、预测精度明显优于传统BP神经网络、粒子群优化BP网络的方法,可以满足供水系统生产与调度的实际需要。     

基于SOM网络的股票聚类分析方法

无监督的自组织映射(SOM)神经网络是用于聚类的主要人工神经网络模型之一.在SOM网络的基础上改进了网络中的邻域函数,并将其用于对股票进行分析和选择,得到了令人满意的结果.为了提高解的精度,避免多个输入样本映射到同一输出节点还提出了禁忌映射的方法.数值模拟表明该模型对于上市公司的聚类结果令人满意,对于股民客观、准确地选出真正具有投资价值的股票具有指导意义.     

基于Adaboost算法的水质组合预测方法研究

水质预测是水环境污染防治的重要内容,针对传统水质预测方法精度低、收敛速度慢等问题,研究首先选取Symlets和Daubechies小波系作为小波函数,对原始数据进行去噪处理并对比,再结合RBF、Elman神经网络以及支持向量机各自优点,通过不同算法优化三种预测模型,提出基于Adaboost算法将优化后的RBF、Elman神经网络以及支持向量机相结合的组合预测方法。以北海为对象进行仿真实验,验证基于Adaboost的溶解氧组合预测方法的有效性,并分别与单一模型的预测结果进行对比,结果表明该方法相比于传统的单一模型预测精度得到了提高,为水质精准预测提供了一种新思路。     

SOM神经网络模型在商业银行信用风险评估中的应用研究

研究了神经网络技术在商业银行信用风险评估中的应用,结合主成分分析法和SOM人工神经网络,建立了商业银行信用风险评估的人工神经网络模型;实证结果表明,该模型具有较高的预测精度.     

一种 SOM 和 K-Means 结合算法在 SMT 焊接质量中的应用研究

针对SOM 神经网络算法复杂度高精度低以及K-Means聚类算法需事先确定聚类（簇）数目和随机选取初始聚类中心的不足,论文提出了一种SOM神经网络与K-M eans相结合的S-K二次聚类算法,进行功能互补。该算法应用在SM T焊接质量上,能提高数据聚类信息的精确度,直观地看到数据的分布情况,改善系统的整体性能。     

混合神经网络和混沌理论的城市用水量预测研究

对H市日用水量数据进行了混沌识别,结果表明其具备混沌特性,结合BP神经网络和混沌理论,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌理论的城市用水量神经网络模型,实际数据验证了该方法对城市用水量预测的有效性。     

基于非均衡样本集的煤矿突水预测模型

针对煤矿突水样本集呈非均衡分布的特点,提出基于集成学习分类的煤矿突水预测模型,重点研究基分类器的构建方法、性能衡量指标和权重分析,以及基于改进型Boosting的集成学习算法.实验结果表明,该算法以牺牲不突水样本的最小误判率为代价,实现突水样本100%的判别准确率,且计算量小,易于实现.     

TLU训练在矿山CAD计划编制系统中的应用

人工神经网络的应用日趋广泛,如何能够更好地应用于矿山生产实践中也成为当前业界的一个课题。通常矿山的计划系统不能够将相关的计划量数据动态地显现给用户。通过对矿山CAD系统的分析,利用人工神经网络中TLU训练原理应用VC 开发出了相应的CAD模块,将露天矿山生产计划指标动态显示。应用该模块编制计划提高了生产计划编制水平和编制效率。文中所提出的方法已经成功用于金堆城和洛钼集团矿山中,实践证明TLU训练原理很好地解决了矿山计划中的交互难题。     

基于神经网络-证据理论的遥感图像数据融合与湖泊水质状况识别

为了进一步提高湖泊水质状况识别的准确性，提出了一种基于神经网络．证据理论的遥感图像数据融合处理方法，并以太湖水质监测数据为例进行了实证分析。该方法先对不同的遥感输入图像，采用各自相应的神经网络进行处理，然后对神经网络输出的结果做归一化处理，再利用D-S证据理论进行数据融合，最终给出水质的识别结果。该方法的优点为(1)可增加水质识别的容错性；(2)由于融合了多源水质遥感图像的数据，因而水质状况识别的可信度更高。