基于SSA-BP的露天矿山边坡位移变形预测

针对传统的BP神经网络在预测露天矿山边坡位移变形时存在的局限性,构造了一种基于麻雀搜索算法（SSA）和BP神经网络相结合的边坡位移变形预测模型,先利用麻雀搜索算法对传统的BP神经网络进行权值与阈值的优化,再将麻雀搜索算法优化后的BP神经网络算法（SSA-BP）运用于露天矿山边坡位移的预测。为了验证算法的可行性,将SSA-BP预测模型与WOA-BP、BP以及Elman预测模型针对露天矿山边坡位移变形量的预测结果进行比较。实验结果表明：SSA-BP预测模型针对露天矿山边坡位移变形量的预测相比其他三种模型,其迭代速度块,寻优能力强;通过预测精度评价指标来看,SSA-BP算法的R^2、RMSE、MAPE、MAE、MSE明显优于另外三组算法。为露天矿山边坡位移变形预测提供了一种新的思路和方法。     

基于SSA-BP神经网络的概率积分法预计参数求取研究

为解决BP(Back-ProPagation,BP)神经网络求取概率积分法预计参数出现的局部最优解和收敛速度慢的问题,采用麻雀搜索算法(Sparrow Search Algortihm,SSA)优化BP神经网络的结构,得到最优的权重值和偏置项,建立了基于SSA-BP神经网络的概率积分法预计参数求取模型。结合50组典型的实测数据,随机抽取45组数据输入SSA-BP神经网络模型进行训练,剩余数据输入训练好的模型求取概率积分法预计参数,并与实测数据对比,分析SSA-BP神经网络模型和BP神经网络模型的优劣;通过改变训练样本和测试样本的数量,讨论模型精度与训练样本数量的关系。研究表明:(1) SSA-BP神经网络模型预计下沉系数q、水平移动系数b、开采影响传播角θ、主要影响角正切值tanβ和拐点偏移距s/H的平均绝对百分比误差分别为1.33%、3.48%、0.49%、3.86%和9.33%,BP神经网络模型的相应取值分别为8.05%、7.34%、3.33%、9.82%和19.60%,可见前者求解精度更高。(2)两种模型求取的预计参数均与实测数据较接近,SSA-BP神经网络模型最大相对误差为21...     

基于改进的SSA优化BP神经网络的导水断裂带高度预测

针对在采煤沉降灾变预警建模中导水断裂带高度难以准确预测的问题，提出一种基于改进麻雀搜索算法（SSA）优化BP神经网络的导水断裂带高度预测模型；为增强预测模型的全局搜索和逃离局部最优的能力，在标准SSA中加入Tent混沌映射初始化种群，提高种群分布的均匀性和多样性，并引入高斯变异、高斯扰动算法以及动态步长因子，提高SSA跳出局部最优的能力和求解精度；通过实践应用，将改进的SSA-BP与SSA-BP、PSO-BP、BP以及前人研究的GA-SVR模型预测结果进行对比。结果表明：基于改进的SSA-BP预测模型的平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、均方根误差（RMSE）和决定系数（R2）分别为1.23 m、2.64%、1.51 m和0.985，均优于其它模型，提高了导水断裂带高度预测的准确性和稳定性。     

基于SSA-BP算法的锚护机器人误差补偿研究

生产、装配、碰撞或磨损都会造成锚护机器人末端精度降低，负载工作导致机身变形也会影响末端精度，为降低锚护机器人锚钻误差，高精度完成井下打孔、对孔、支护任务，本文提出了一种由麻雀算法改进BP神经网络(SSA-BP算法)的误差补偿方法。首先，利用旋量法搭建误差模型，并采用虚拟样机验证误差模型的正确性；其次，搭建末端位姿误差预测模型，实现对误差的预测和补偿；最后，通过SSA-BP算法、BP算法和PSO-BP算法三种补偿法的对比仿真，证明了SSA-BP算法的补偿精度更高、稳定性更好。经过试验验证，锚护机器人末端误差可降至10 mm以下，精度提高了80%。由此可知，SSA-BP算法在锚护机器人误差补偿方面有着优秀的准确性、优越性和可行性，为矿山安全开采提供了高效保障。     

金属矿深部开采岩爆危险预测的GA-ELM模型研究

为对金属矿山深部开采时岩爆的危险性进行预测,在总结深部开采岩爆发生机理的基础上,综合选取影响岩爆发生的3个重要因素作为岩爆预测的判别因子。搜集国内外金属矿深部开采岩爆的实例作为训练样本,引入极限学习机算法(ELM),针对该算法的不足,采用遗传算法(GA)对其相关参数进行优化,建立了岩爆预测的GA-ELM模型,并与单一ELM模型进行对比。利用该岩爆预测模型对一典型金属矿深部开采进行岩爆预测,结果与实际情况相吻合。研究结果表明,岩爆预测的GA-ELM模型训练效果及泛化能力均优于单一ELM模型、SVM模型及传统的BP模型,且该模型能够对金属矿深部开采的岩爆进行准确有效地预测,具有一定的工程应用价值。     

基于遗传算法和BP神经网络岩爆预测

将BP神经网络与遗传算法相结合,使用遗传算法优化神经网络的权值和阈值,然后用BP算法训练网络,避免了单独使用BP神经网络训练时易于陷入局部极小值的问题,建立了一种新的岩爆预测模型。采集国内外具有代表性的一些岩爆案例作为BP训练样本,将样本数据经过多次迭代之后,达到指定误差停止训练,利用训练好的模型对某铜矿部分岩爆进行预测,预测结果与实际岩爆等级一致。     

基于CSSA-BPNN模型的胶结充填体动态抗压强度预测

充填采矿法二步骤回采时胶结充填体稳定性受爆破扰动而降低。为快速准确地获得充填体动态抗压强度,利用分离式霍普金森压杆(SHPB)进行了40组不同应变率的单轴冲击实验,以灰砂比、充填体密度、养护龄期和平均应变率作为输入参数,充填体动态抗压强度作为输出参数,建立了一种基于Logistic混沌麻雀搜索算法(CSSA)优化BP神经网络(BPNN)的预测模型,并与传统BPNN和麻雀搜索算法优化的BPNN进行了对比分析。研究结果表明：CSSA-BPNN模型的平均相对误差为4.11％,预测值与实测值之间拟合的相关系数均在0.96以上,模型预测精度高。CSSA-BPNN模型的均方根误差为0.3950 MPa,平均绝对误差为0.3592 MPa,决定系数为0.9952,均优于另外两种预测模型。实现了对充填体动态抗压强度的准确预测,可大幅减小物理实验量,为矿山胶结充填体的强度设计提供了一种新方法。     

基于Adaboost-PSO-BP模型的开采沉陷预测研究

针对开采沉陷量与多影响因素复杂非线性关系问题，提出了基于粒子群算法优化BP神经网络的Adaboost强预测模型(Adaboost-PSO-BP模型)。预测结果表明，与BP模型、Adaboost-BP模型和PSO-BP模型相比，Adaboost-PSO-BP模型提高了预测精度，平均相对误差值优化到4.26%|该模型融合了Adaboost算法侧重预测误差大的样本和粒子群算法优化神经网络权值及阈值的特点，实现了强预测器“优中选优”的目的，在开采沉陷预测中具有可行性。     

基于FA-BP神经网络的巷道位移预测研究

针对传统位移预测算法求解巷道位移时预测精度不佳且误差大等问题，建立萤火虫算法（FA）优化BP神经网络的预测模型，解决了BP神经网络初始权值和阈值难以确定、预测模型参数局部最优及预测精度不佳等问题。以锦丰金矿30中段巷道为研究对象，利用巷道顶板和两帮的位移监测数据进行预测分析，并采用BP神经网络模型与FA-BP神经网络模型进行比较。研究结果表明：FA-BP神经网络模型的平均相对误差分别为0.15%和0.13%,BP神经网络模型分别为-2.02%和0.87%，说明FA-BP神经网络模型具有更好的预测精度。     

基于ISSA-FNN的采煤机健康状态评估

为了准确地评价采煤机的健康状况,提出一种改进麻雀搜索算法（ISSA）优化模糊神经网络（FNN）的评估模型。针对麻雀搜索算法（SSA）的不足,引入精英混沌反向学习策略生成初始麻雀种群,提高算法收敛性能,采用柯西高斯变异策略提升种群多样性保持能力和局部空间逃逸能力。实验表明,所提方法提高了FNN的收敛精度和泛化能力,ISSA-FNN在采煤机健康评估中优于SSA-FNN与PSO-FNN模型。     

基于PSO-SVR预测模型的综采工作面周期来压研究

为了准确预测综采工作面基本顶周期来压规律,采用灰度系统理论提取了影响综采工作面周期来压的八个显著因素。针对支持向量机(SVR)预测模型过分依赖主观选择的参数问题,建立了粒子群算法优化参数选择的支持向量机(PSO-SVR)预测模型。试验结果得出：PSO-SVR比SVR模型在周期来压强度和步距的均方误差分别降低为47.7%、74.3%,决定系数分别提升为45.7%、44.6%。为突显PSO-SVR模型性能的优越性,与应用最广泛的BP普通神经网络进行了对比试验,粒子群算法对标准支持向量机模型性能优化效果明显,较普通BP神经网络优势显著。可见,PSO-SVR对于多种因素影响的非线性耦合预测具有较高的精度和较强的泛化性。     

基于PSO优化BP神经网络的露天矿边坡位移预测模型

BP神经网络的初始连接权重和阈值对露天矿边坡位移预测的精度和收敛速度有重要影响。鉴于粒子群优化(PSO)算法具有全局搜索性能和收敛速度快,引入PSO算法对BP神经网络的初始连接权重和阈值进行全局优化,提出了基于PSO优化BP神经网络的露天矿边坡位移预测模型。将所提出的模型应用于实际案例中,并与BP神经网络进行对比。结果表明:该模型能够提高BP神经网络在露天矿边坡位移预测中的精度和收敛速度,预测结果的最大相对误差和平均相对误差分别是0.566 8%和0.353 0%,具有较好的精度和实际应用价值。     

基于MIV特征选择与PSO-BP神经网络的煤炭发热量预测

为克服传统线性回归模型对煤的发热量预测精度低、适用范围窄的缺陷,综合考察了工业分析和元素分析指标与煤的发热量的线性相关性,采用平均影响值方法对影响发热量的煤质指标进行特征变量筛选,并结合粒子群优化算法对传统BP神经网络进行优化,提出了一种基于MIV-PSO-BP神经网络方法的煤炭发热量非线性预测方法。结果表明：煤的工业分析和元素分析指标中,仅灰分、碳含量与发热量之间存在一定的线性相关性,其余指标与发热量的线性相关性较弱|煤的工业分析中灰分、挥发分、固定碳3个指标对发热量的影响均较大,而元素分析中仅碳含量对发热量影响较为显著,其余指标对发热量的影响可忽略不计|与其他研究者提出的发热量预测模型相比,本文提出的MIV特征变量选择与PSO-BP神经网络相结合方法预测的平均相对误差和均方根误差更低,总体预测效果更好,相关系数最高可达98.48%。     

矿山深部开采覆岩沉陷预测的改进粒子群优化BP模型

为提高矿山深部开采覆岩沉陷的预测精度,以吉林省某矿山为例,将覆岩抗压强度、工作面推进距离、采厚、煤层倾角、采深作为开采沉陷预测的主要影响因素,以煤层倾角、工作面推进距离、采厚等参数作为预测模型的输入值,将最大沉陷值作为预测模型的输出值,构建了BP神经网络开采沉陷预测模型。针对经典BP神经网络模型在训练时具有学习速度慢、抗干扰能力弱以及易陷入局部最小值等不足,采用一种改进型粒子群优化算法对其进行了优化,构建了改进粒子群优化BP神经网络模型。试验表明：①所提模型的平方相关系数R₂为0.932、平均绝对误差e_ME为0.195、平均相对误差e_MRE为0.082、训练时间t为21.5 s、均方误差e_MSE为0.067 1;②经典BP神经网络模型的平方相关系数R₂为0.802、平均绝对误差e_ME为0.605、平均相对误差e_MRE为0.255、训练时间t为30.9 s、均方误差e_MSE为0.089 1;③PSO-BP神经网络模型的平方相关系数R₂为0.825、平均绝对误差e_ME为0.382、平均相对误差e_MRE为0.216、训练时间t为23.5 s、均方误差e_MSE为0.078 2。可见,所提模型具有较高的训练效率,拟合效果较好且预测精度较高,对于大幅提升矿山开采沉陷预测精度有一定的借鉴价值。     

基于神经网络的提升机减速器工况预测研究

针对传统监测方法无法实现提升机减速器工况预测的缺点,利用Matlab神经网络工具箱建立了提升机减速器工况参数的预测模型。对比模型预测值和实际测量值表明:BF和RBF神经网络模型预测结果和实际值的误差均小于10%,证明了神经网络模型用于减速器工况预测的可行性。对比BP和RBF神经网络预测结果,表明RBF神经网络模型训练时间短,预测精度高,更加适用于井下提升机减速器工况参数预测。     

基于GA-BP神经网络的毫秒延时爆破振动速度预测研究

由于基坑爆破开挖作用而产生的振动效应受多种因素综合影响,传统的经验公式预测振动速度难以满足目前爆破安全的需求.因此,如何优化爆破参数,减小爆破振动效应,对保证临近建筑的安全具有重要意义.基于某基坑工程现场爆破监测所得的400组样本数据,本文采用遗传算法(GA)优化BP神经网络,对振动速度进行预测,将GA-BP神经网络振...     

基于主成分分析的BP神经网络在稀土价格预测的应用:以氧化镝为例

稀土是我国重要的战略资源,对其价格趋势的准确预测意义重大。本文从稀土资源价格影响因素出发,设计并采用基于主成分分析的BP神经网络(PCA-BP)组合模型对稀土产品价格进行预测。鉴于影响稀土产品价格波动的因素众多,利用主成分分析(PCA)消除稀土价格预测影响因素之间存在的冗余信息,降低BP神经网络输入数据的维数,提高预测精度。本文以氧化镝价格为预测对象,选取2010年1月～2018年2月的月度数据,构建多因素PCA-BP组合模型。预测结果表明多因素PCA-BP组合模型在仿真能力、误差水平、收敛精度等方面优于主流的神经网络模型,能更加准确地预测氧化镝价格走势。