RBF神经网络在爆破振动强度预测中的应用

在介绍RBF神经网络基本思想的基础上,建立了爆破振动预测模型,用RBF神经网络方法对质点振幅、主振频率及振动持续时间进行预测。用阳泉煤矿主井爆破开挖工程中所监测到的振动数据对模型进行了训练,并对27组数据进行了预测,实测结果和模型预测结果的对比表明,RBF神经网络预测模型能反映影响因素与特征量之间的非线性关系,适用于爆破振动特征参量预测。     

基于粗糙集模糊神经网络的爆破振动预测

以某地下水封洞库爆破工程为研究对象,全面考虑影响爆破振动的各种因素,提出了基于粗糙集理论的模糊神经网络(RS-FNN)预测方法进行质点峰值速度和主频率预测。首先采用粗糙集理论获得最优属性集,然后对实测数据进行模糊处理,建立质点峰值速度和主频率的12-25-1 RS-FNN网络预测模型,并与基于萨道夫斯基经验公式的预测模型进行对比研究。研究结果表明:RS-FNN对质点峰值速度预测要优于经验公式,同时,RS-FNN也首次实现了对主频率的预测,为保障工程爆破安全提供了一定的理论指导。     

偏最小二乘回归神经网络模型在爆破振动峰值速度预测中的应用

神经网络方法是处理非线性问题的有力工具,但当输入变量较多,输入变量间存在的多重共线性性会使得网络的建模效率下降。偏最小二乘回归方法通过提取对因变量解释性较强的成分,能较好地克服变量间的多重共线性。将两种方法相结合,建立了爆破振动峰值速度的偏最小二乘回归BP神经网络预测模型。利用偏最小二乘法对影响爆破振动的因素进行分析,提取出3个新综合变量,使BP网络的输入层节点数目由9个减少到3个,简化了网络结构,提高了计算速度,增强了网络稳定性。分析结果表明,耦合模型的平均预测误差为7.62%,相较于传统的萨氏公式及标准的BP神经网络模型其预测精度有了明显提高。     

基于粗糙集的影响爆破振动特征参量因素的敏感性分析

文章介绍了粗糙集理论不协调率的概念以及在敏感性分析中的应用，论述了基于粗糙集理论不协调率的影响爆破振动特征参量因素的敏感性分析方法。通过对某露天矿爆破振动实测数据分析，结果表明该方法能较准确地找出各影响因素的主次关系，为爆破振动特征参量的预测研究提供了一种有效的新方法。     

单孔爆破振动监测与衰减规律多元线性化回归

岩体爆破振动效应与其影响因素之间存在复杂的非线性关系,准确预测爆破振动衰减规律是开展爆破设计与灾害控制的基础。在分析了传统萨道夫斯基公式存在不足的基础上,引入了考虑质点与爆心高程差的萨道夫斯基修正公式,并将其非线性函数关系式线性化,建立了爆破振动衰减规律多元线性数学模型;运用最小二乘法理论推导得到模型中K、α和β三个未知参量,获得了修正的萨道夫斯基爆破振动衰减多元线性化回归公式。针对铜坑矿锌铜矿岩体单孔爆破振动监测数据和工程地质条件,采用所提出的爆破振动衰减规律多元线性化回归公式对监测结果进行分析。研究结果表明,所提出的爆破振动衰减多元线性化回归公式可靠度高,且式中参量表达含义与锌铜矿岩体坚硬特性相吻合,能够为锌铜矿体后期爆破开采设计提供科学指导。     

基于EEMD与GA-小波神经网络的传动系声品质预测

为了进行车辆传动系声品质预测,实施了传动系整车转鼓试验,并结合主、客观分析量化了影响传动系噪声烦恼度的主要异响指标;同时,通过相关分析揭示了心理声学客观参量与主观评价的内在关系。引入聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法与本征模态函数(Intrinsic Mode Function,IMF)样本熵值对传动系噪声特征进行了提取;在此基础上,以Morlet小波基函数作为隐含层节点的传递函数构建小波神经网络(Wavelet Neural Network,WNN),同时运用遗传算法(Genetic Algorithm,GA)优化小波神经网络的层间权值和层内阈值,构造出GA-小波神经网络模型并用于传动系声品质预测;为了对比所提取的传动系噪声特征性能,将心理声学参量也作为模型输入以进行预测,同时,为了对比GA-小波神经网络模型的预测效果,引入了传统的GA-BP神经网络模型。分析结果表明:GA-小波神经网络较GA-BP神经网络能更准确、有效地对传动系声品质进行预测,并且以本征模态函数样本熵值作为预测模型的输入特征其预测结果较心理声学参量效果更佳。     

基于遗传支持向量机的柴油机辐射噪声品质预测技术

以一台六缸车用柴油机为例,研究了其在变负荷及转速工况下表面辐射噪声品质情况,为进一步提高整机声品质,开展柴油机结构声学设计奠定了理论基础。研究国内外车用柴油机客观评价特征,并选取响度、尖锐度、粗糙度和波动度来描述辐射噪声的客观评价特征;针对柴油机噪声特点,采用成对比较法开展以专业陪审团人群为目标的满意度评价研究;应用遗传算法优化支持向量机（GA-SVM）建立起该车用柴油机声品质预测模型,并与BP神经网络预测模型进行比较,结果表明,基于遗传算法优化的支持向量机辐射噪声品质预测模型较神经网络建模预测精度更高,能够更准确地反映客观评价参量与主观满意度之间的非线性映射关系。     

基于遗传算法的神经网络在爆破振动预测中的应用

针对BP神经网络对工程爆破振动的预测存在精度不够高的缺点,建立遗传算法优化神经网络的模型,并介绍了它的原理。最后通过爆破振动预测实例的介绍,应用MATLAB编程,将总装药量Q、测点与爆源的高差h、孔间微差时间t、最大药包距离L这4个参数作为模型参数,对爆破振动幅值v、振动主频f和振动持续时间T进行预测,得出基于遗传算法的神经网络预测的结果比BP神经网络更为精确,克服了BP神经网络的缺点。     

基于Adaboost-SVM组合算法的爆破振动强度预测研究

为了提高爆破振动强度预测精度,提出了基于Adaboost-SVM组合算法的爆破振动强度预测方法。采用主分量分析法,从7种爆破振动强度影响因素中确定了3类主要因素,并建立训练样本集,选用高斯径向基核函数建立SVM预测模型,经过对模型参数不断训练和优化调整,实现了对爆破振动强度的预测,最后通过Adaboost-SVM组合算法构建预测模型,进一步提升了预测精度。结果表明,SVM模型在预测精度上高于传统经验公式法和BP神经网络法,且训练速度更快;而提出的Adaboost-SVM组合算法能够进一步将预测精度提高至97%以上。     

小波包与分形组合技术在爆破振动信号分析中的应用研究

基于小波包、分形技术的相似性,提出采用小波包、分形组合技术对爆破振动信号进行组合分析。采用小波包对爆破振动信号进行分解,通过各主分析小波包的重构系数验证了爆破振动信号的分形特性,通过对各主分析小波包的盒维数值进行分析及对比,更加细致地分析出爆破振动信号不同频带分量分形维数的变化。组合分析表明,盒维数值随着爆破振动信号小波分量频率高低而变化,提出将盒维数作为反映爆破振动信号频率成分的一个重要参量。小波包与分形组合分析技术的提出为研究爆破振动信号分形特征提供了新的研究思路。     

基于人工智能方法的地下洞室群爆破振动速度预测

特大断面地下洞库爆破开挖工程中涉及到众多的影响因素,为了较准确地预测出爆破振动速度,引入支持向量机理论,建立最小二成支持向量机爆破振动速度预测模型(LS-SVM模型),该模型利用结构风险最小化来提高求解问题的速度和精度。采用该模型对某地下水封LPG洞库工程进行爆破振动速度预测,并与传统的萨道夫斯基回归公式模型(萨氏模型)和模糊神经网络模型(FNN模型)进行对比分析。分析结果表明:LS-SVM模型、FNN模型与萨氏模型的全局均方根相对误差RMSRE分别为4.68%、14.42%与19.33%;LS-SVM模型有14组数据满足预测模型泛化能力误差阀值(6%)的要求,而FNN模型与萨氏模型均不满足要求。因此LS-SVM模型在爆破振动速度预测中的预测性能和泛化能力均优于FNN模型及萨氏模型,可为多因素影响下类似工程爆破振动速度预测提供借鉴经验。     

Fuzzy neural network based yield prediction model for semiconductor manufacturing system

Accurate die yield prediction is very useful for improving yield, decreasing cost and maintaining good relationships with customers in the semiconductor manufacturing industry. To improve prediction accuracy of die yield, a novel fuzzy neural networks based yield prediction model is proposed in which the impact factors of yield and critical electrical test parameters are considered simultaneously and are taken as independent variables. The mapping between these independent variables and yield is constructed in the fuzzy neural network (FNN). The lineal regression between FNN-based yield predicting output and actual yield demonstrates the effectiveness of the proposed approach by historical experimental data of semiconductor fabrication line in Shanghai. The comparison experiment verifies the proposed yield prediction method improves on three traditional yield prediction methods with respect to prediction accuracy.     

基于PCA-GA-SVM的露天矿爆破振动速度预测模型研究

露天矿爆破振动速度受很多因素的影响,传统的经验公式和单一的神经网络模型无法满足现代爆破安全的要求。为提高预测爆破振动速度的精度,利用主成分分析(PCA)提取4个影响爆破振动速度的主成分作为模型的输入变量;结合遗传算法(GA)寻优获得支持向量机(SVM)惩罚系数c和核函数参数g为1.899 1和1.971 2,建立了基于PCA-GA-SVM的露天矿爆破振动速度预测模型,并成功应用于现场爆破工程。结果表明:该模型的平均相对误差为14.60%,建模时间为3.12 s,均方误差为0.131 5,与BP神经网络、传统SVM和GA-SVM对比,此模型具有更快的收敛速度和更高的准确率,为多因素影响下爆破振动速度预测提供了一种新的方法。     

Prediction of the mechanical properties of forged Ti–10V–2Fe–3Al titanium alloy using FNN

In this paper, a fuzzy neural network (FNN) prediction model has been employed to establish the relationship between processing parameters and mechanical properties of Ti–10V–2Fe–3Al titanium alloy. In establishing these relationships, deformation temperature, degree of deformation, solution temperature and aging temperature are entered as input variables while the ultimate tensile strength, yield strength, elongation and area reduction are used as outputs, respectively. After the training process of the network, the accuracy of fuzzy model was tested by the test samples and compared with regression method. The obtained results with fuzzy neural network show that the predicted results are much better agreement with the experimental results than regression method and the maximum relative error is less than 7%. And the optimum matching processing parameters can be quickly selected to achieve the desired mechanical property based on the fuzzy model. It proved that the model has a good precision and excellent ability of predicting.     

爆破振动的BP神经网络预测方法研究

爆破所引起的震动强度在很大程度上具有随机性,它受到众多因素的影响,而且各因素之间存在着极其复杂的非线性关系.运用人工神经网络原理,以孔深、孔数、孔距、最大齐爆药量、总药量和爆源距作为影响爆破振动的主要因素,建立BP神经网络模型1,对爆破振动速度进行预测,并与仅考虑最大齐爆药量和爆源距作为输入量的BP神经网络模型2和萨道...     

用粗集-模糊神经网络评定空袭目标威胁程度

针对模糊神经网络运算过程中,当模糊规则较多时,网络学习速度慢,方法实时性差的缺点,本文提出采用粗糙集理论对该模型进行优化,该方法利用粗集数据分析方法,通过知识约简从数据中推理逻辑规则,并用约简后规则集作为模糊神经网络的规则将输入映射到输出的子空间上:在这个子空间上用改进的BP算法训练进行逼近.实验结果表明:通过粗集数据挖掘后提取的规则,不仅规则数目减少,且规则是不完全规则,减少了网络输入维数和各层神经元的个数,提高了网络运算速度,满足了系统实时性要求.     

路堑开挖爆破中邻近民房风险评价的网格支持向量机模型

应用支持向量机理论并结合路堑开挖爆破特点,提出路堑开挖爆破中临近民房安全性评价的支持向量机回归模型。考虑爆破参数、地质条件和民房结构状况因素,选取最小抵抗线、孔距、排距、炸药单耗和民房的自振周期等16个影响较大的因素作为该模型的输入参数,房屋安全等级系数作为模型输出,利用网格搜索寻优方法对支持向量机模型的参数进行了优化。以19组路堑开挖爆破实测数据作为学习样本进行训练,对另外3组待判样本进行判别,并与多元回归、BP神经网络回归和实测结果进行对比。研究结果表明:建立的支持向量机回归模型对路堑开挖爆破中临近民房安全性评价效果良好,具有较高的预测精度。