基于半导体照明矿灯的矿工定位及瓦斯报警系统

通过对矿用帽灯的发展分析,把半导体照明、锂电池技术应用于矿灯上,进行矿工的定位及瓦斯报警系统。     

正负脉冲式矿灯修复仪的设计

提出了一种实用的矿灯修复新技术,给出了具体的修复电路图和控制方法,并采用新技术提高了系统的功率因数。实验证明,该电路具有结构简单、成本低、工作可靠等特点,可以有效地提高电池容量。     

遥感成像噪声分析及基于PCNN的滤除方法

遥感图像噪声的来源比较复杂，在遥感成像和图像传输过程中都有噪声的影响，所以，遥感成像噪声分析及滤除在遥感图像处理中占据非常重要的地位．CCD(电荷耦合器件)噪声是成像过程中最主要的噪声，它主要有暗流、零响应偏移和响应不一致等特性．滤除CCD噪声中暗流的直流分量以及消除零响应偏移和响应不一致后，可以认为所剩CCD噪声为高斯噪声和椒盐噪声的叠加．针对CCD噪声的特点和脉冲耦合神经网络(PCNN)中神经元间捕获特性的滤波作用，提出基于PCNN的CCD噪声滤波方法，并进行了仿真计算，验证了该方法的有效性．     

新型正负脉冲式矿灯修复仪的研究

针对现有矿灯充电器在充电过程中电池内部产生大量的硫化物,严重影响了矿灯的使用寿命等问题,通过长期的研究提出了矿灯修复技术,给出了矿灯修复电路主电路图和控制方法,并采用新技术提高系统的功率因数。该电路具有结构简单,成本低,工作可靠等特点。通过试验验证,该方法在修复电池容量方面有了明显的改善。     

基于深度神经网络的煤矿井下低光照图像增强算法

由于煤矿井下空间环境的复杂性与恶劣的光照条件,视觉设备获取的图像容易存在对比度不足、纹理细节差等问题,严重影响了视觉设备的工作可靠性,限制了进一步的基于图像的智能视觉应用。为提高矿井下低照度图像的对比度,同时强化其纹理细节,提出一种基于深度神经网络的矿井下低光照图像增强模型,该模型包含有3个子网络,分别为分解网络、光照调整网络和反射重构网络。分解网络将煤矿井下图像分解为光照分量和反射分量;光照调整网络利用深度可分离卷积结构有效减少了模型的参数,强化了网络特征提取能力,此外,引入了MobileNet网络结构,进一步使光照调整网络轻量化,同时保持其特征提取精度,有效实现光照分量对比度调整;反射重构网络引入了残差网络结构,提升了网络特征学习性能与反射分量纹理细节恢复能力;最后,将处理过后的光照分量和反射分量基于Retinex理论融合,获得增强图像,实现矿井下图像的对比度提高与细节的增强,克服了现有增强算法中所存在的增强图像细节丢失、边缘模糊、对比度和清晰度不足等问题。数值试验表明,提出的模型能够在提高矿井下图像对比度的同时有效强化图像的纹理细节,并且具有良好的稳定性和鲁棒性,能够很好地满足煤...     

岩体稳定性评价的耦合神经计算方法

给出了一个基于单元ＢＰ神经网络拓扑而成的耦合神经计算模型，对其在地下工程岩体稳定性评价系统中的应用进行了研究。结果表明，耦合神经计算地下工程岩体稳定性评价系统有着较好的实用性和先进性。     

智能型正负脉冲式矿灯电池修复仪的软硬件设计

针对大量报废的矿灯,通过长期的研究,提出了矿灯修复技术,给出了矿灯修复电路主电路图和控制方法,采用新技术提高系统的功率因数。该电路具有结构简单,成本低,工作可靠等特点。通过试验验证了该方法,在修复电池有效容量方面得到明显的改善。     

用心擦亮矿工的“眼睛”

正在皖北煤电钱营孜煤矿有一个由11个姐妹组成的灯房女工班,她们守护着2000多盏矿灯和自救器,她们是最平凡的人,却履行着天使般的职责,寒来暑往,循环往复穿梭在矿灯架间,默默守护着井下矿工的"眼睛"。钱营孜矿灯房班女工,为了更好地服务井下安全生产,让每个矿工都用上安全灯,她们勤听、勤问、勤巡查、勤保洁、勤维修,灯线是否破损、灯头玻璃是否有裂痕、自救器外观是否完好、电池是否漏液灯房的一点一滴都是她们关注的焦     

井下低照度环境下的图像采集系统设计

为解决狭窄环境中低照度条件下图像采集的需求问题,采用红外相机作为图像传感器无需辅助光源照射,配合图像压缩模块和无线通信链路可以将图像传输至上位机,在上位机中再对图像进行解压缩,将图像显示在软件界面上,同时将图像保存在上位机硬盘中,从而实现低照度环境下隐蔽安装的图像采集监控。     

基于非下采样Contourlet变换和PCNN的煤矿图像融合

针对煤矿图像的特点,提出了一种基于非下采样Contourlet变换和脉冲耦合神经网络(PCNN)的新的煤矿图像融合方法,此方法充分利用了非下采样Contourlet变换的多分辨率、多方向性、平移不变性及PCNN的全局耦合性,取得了不错的融合效果。     

基于残差神经网络的矿井图像重构方法

针对煤矿井下噪声对可视化作业环境扰动影响,面向智能开采对井下作业目标的图像清晰化需求,研究基于机器视觉的矿井视频图像重构理论与方法,对提高矿井智能监控与安全开采技术具有重要意义。传统的视频监控系统采用经典的Nyquist采样定理来解决视频图像的信号采集、压缩和编解码问题,但矿井视频图像数据庞大,采用传统的编解码方法不仅浪费大量采样资源及增大系统开销,而且难以解决矿井视频图像重构时出现的信号保真度低、图像边缘模糊和视频传输时延等问题,其直接影响矿井智能监控系统性能与视频传输质量。针对矿井视频监控图像重构中存在的信号保真度不足及图像边缘模糊等问题,提出一种基于残差网络的图像压缩与重构方法。该方法通过建立一种新的残差神经网络结构,采用下采样矩阵将矿井图像进行压缩,再通过多次上采样将特征图变换为与原始图像相同大小的特征图,并使用残差网络块对其优化,最后利用优化后的重构网络将特征图聚合成重构图像。提出融合离散小波结构相似度损失与均方误差损失的损失函数方法,并据此训练网络参数。为评价本文所提出方法的有效性,实验选取了基于压缩感知的D-AMP,TVAL3算法和基于深度学习的ReconNet算法与之进行对比。结果表明,较小压缩比条件下对矿井图像重构,本文方法在结构相似度和峰值信噪比性能方面均优于其他算法;在噪声环境下,本文方法相较于其他方法,图像重构的峰值信噪比与结构相似度受噪声强度扰动较小,对噪声具有较强鲁棒性,较显著增强矿井重构图像的保真度和清晰度;在图像重构的时间复杂度方面,本文方法用时最短,有助于改善矿井视频监控系统的实时性。     

Study on optimization control method based on artificial neural network

Introduction A great number of goal optimization questions exist in such fields as electronic science, control sci-ence, computer science and management science. So-lution to these questions can be summed up as seeking the maximum or minimum value to a certain definite goal function with constraints. Effective algorithms have not been found for many questions. In solving problems the problems’ time complexity is exponen-tial, it is difficult to find an overall optimized solution in limited ti…     

基于EMD分解和改进GWO-BP神经网络的滑坡位移预测

考虑到滑坡位移受多因素的影响,结合信号分解与智能算法,提出了一种时序分解-模型构建-模型训练的EMD-BP-TIGWO滑坡位移预测方法。首先,利用EMD方法将滑坡监测数据分解为多个IMF分量及一个残余量,将分解后的分量划分为周期项及趋势项位移;其次,构建BP-TIGWO模型,引入Tent映射及自适应权重,提高灰狼算法的收敛速度及全局搜索能力,并利用TIGWO算法优化BP神经网络的权值及阈值;利用Pearson相关系数对周期项滑坡位移与降雨量间的时滞期数进行分析,利用优化后的BP模型分别对周期及趋势项滑坡位移进行预测;最后,将各分量预测值进行叠加得到滑坡累计位移预测值,并对模型预测准确率进行评价。实验结果表明,EMD-BP-TIGWO模型在考虑降雨输入特征下,连续32 d预测的RMSE、MAE及R²分别为0.64、0.51及0.97,模型预测精度明显高于未考虑时滞的EMD-GWO-BP、EMD-GWO-BP、BP-TIGWO、BP模型的预测精度,可为预测滑坡的位移提供参考。     

基于改进BP神经网络的煤体瓦斯渗透率预测模型

分析总结了煤体渗透率的3个主要影响因素--有效应力、温度和瓦斯压力,并结合煤体的力学特性建立了一个预测煤层瓦斯渗透率的BP神经网络模型。根据不同有效应力、不同温度和不同瓦斯压力条件下大量具有代表性的煤样渗透率数据来建立学习样本,并对该模型的精度进行了检验。该BP神经网络经过11 986次学习后精度满足要求,训练后BP神经网络模型所得预测结果的最大绝对误差为0.049×10-15 m2,最大相对误差为4.298%。根据所建立的BP神经网络模型得到的预测值与实测值吻合较好。     

基于灰色理论的小波神经网络对瓦斯涌出量的预测

将灰色理论引入到收敛速度快、预测精度高的小波神经网络，使灰色理论和小波神经网络有机地结合起来，建立了瓦斯涌出量的预测新模型，经训练和实验结果表明，该方法对所预测的结果比较理想，能够达到准确指导实践的要求.     

基于模糊神经网络的信息融合方法在矿井供风系统中的应用

针对矿井瓦斯事故频发，矿井供风系统急需改进的实际情况，将多传感器信息融合方法及PLC应用于矿井通风系统中，以实现对原系统的改造.利用各类传感器采集的信号进行同类传感器本身的一次数据融合处理后，再对异类传感器进行二次数据融合，从而评判出此时矿井所处的安全等级，对风机的给风量进行控制.实验表明，该控制方法具有良好的控制效果.     

基于免疫神经网络模型的瓦斯浓度智能预测

将免疫算法与神经网络理论相结合,提出免疫神经网络预测模型以预测采煤工作面瓦斯浓度,并对如何处理时间序列的数据模式问题进行研究.引入延迟单元,将原始输入样本转换为具有延迟特征的新样本,采用延迟算子的输出样本施加到网络预测模型,可以获得浓度时段变幅的信息,这对于提高网络对瓦斯扩散过程的拟合精度和预测精度十分有效.结合某矿井瓦斯预报实例,经过与现场实测值相比较,最大预测误差为6.86%,最小预测误差为2.36%,平均误差为4.61%,所建模型精度的拟合值与预测值都与实际数据吻合得较好,各测点的误差值均在许可的范围内.结果表明,基于免疫神经网络的瓦斯浓度预测模型,能够较好地识别采煤工作面瓦斯扩散的演进规律,对瓦斯浓度能进行合理预报,且该方法具有预报时间快、节省费用的特点.     

基于模糊神经网络的重介质密度控制

主要介绍了重介质密度在选煤厂生产过程中的工作原理和重要性 ,并且介绍了神经网络和模糊控制的各自优缺点 ,以重介质密度为控制对象 ,设计了一种模糊神经网络 ,能够满足系统控制的实时性和准确性。     

基于神经网络的除尘器故障诊断

针对目前除尘器故障诊断主要基于人工经验判断并结合停机检查,存在科学性与自动化水平不足、诊断效率低等问题,分析了除尘器滤芯破损、清灰失效、滤芯堵塞、卸灰障碍4个主要故障类型,选取粉尘排放浓度、过滤阻力、入口风量、漏风率、耗气量5个诊断参数,建立了除尘器故障诊断的BP和RBF神经网络预测模型。实例分析表明：BP神经网络模型收敛速度快,预测效果理想,可以准确判断除尘器故障类型,对滤芯破损、清灰失效、滤芯堵塞、卸灰故障的平均预测误差分别为0.035%、0.110%、0.118%、0.215%,预测结果优于RBF神经网络。     

基于神经网络的伺服系统的研究

提出了用ＣＭＡＣ神经网络对交流伺服电动机系统进行学习控制的方案, 并以交流永磁同步伺服电动机为对象进行了实验研究, 表明了此控制方案具有显著提高系统响应宽度和控制精度的优点．