露天煤矿卡车路段行程时间的实时动态预测新方法

针对露天煤矿卡车优化调度中重要的行程时间预测问题,考虑影响卡车行程时间的各种因素,建立卡车行程时间预测模型,利用最小二乘支持向量回归算法(LS-SVR)和选择性集成学习思想,提出一种基于最小二乘支持向量回归的选择性集成学习算法实现卡车行程时间的动态预测。并在实际采集的露天煤矿数据上进行实验,得到较高的预测精度,说明了算法的有效性。     

基于HGSVMA的露天矿卡车行程时间动态预测研究

针对露天矿卡车在车流规划中的行驶时间预测问题,提出一种基于遗传算法优化SVM参数方法,并考虑卡车状态、速度、载重量以及路面类型、坡度等9个影响因子,构建了基于HGSVMA的露天矿卡车行程时间预测模型。实验选取某大型露天矿卡车调度系统所采集的卡车行程时间进行仿真模拟,并将HGSVMA模型与GS-SVM、PSO-SVM和GA-SVM模型的预测结果进行对比,结果表明,HGSVMA模型预测效果最好,对提高露天矿卡车行程时间预测具有良好的应用前景。     

基于HGSVMA模型的露天矿卡车行程时间动态预测研究

针对露天矿卡车在车流规划中的行驶时间预测问题,提出一种基于遗传算法优化SVM参数方法,并考虑卡车状态、速度、载重量以及路面类型、坡度等9个影响因子,构建了基于HGSVMA模型的露天矿卡车行程时间预测模型.实验选取某大型露天矿卡车调度系统所采集的卡车行程时间进行仿真模拟,并将HGSVMA模型与GS-SVM模型、PSO-S...     

基于ISSA-XGBoost模型的多特征融合露天矿卡车行程时间预测

针对露天矿运输系统卡车行程时间预测问题,提出了一种基于特征选择及改进麻雀算法优化XGBoost的露天矿卡车行程时间预测模型。模型充分考虑了卡车特征、道路特征、气象特征以及时间特征对卡车行程时间的影响,并使用皮尔逊系数法深入分析影响因素的贡献度。针对麻雀算法中全局搜索能力薄弱的问题引入反向学习和螺旋搜索策略,以提高算法的收敛性能。最后,使用改进的麻雀算法对XGBoost的关键参数进行寻优,进而构建露天矿卡车行程时间预测模型。选取国内某大型露天矿卡车调度系统采集的数据进行仿真模拟,并将所提出模型与SVM、BP、RBF和RF等其他机器学习模型进行对比。结果表明：所提出模型的预测误差均低于其他模型,相关系数可达0.981 9。开发的模型和分析结果可以极大地帮助决策者规划、运营和管理更高效的露天矿运输系统。     

基于神经网络的时间序列对煤矿安全性的预测

将人工神经网络的BP模型用于多变量时间序列预测，并将预测结果与单一指标的时间序列预测结果相对比，突出了人工神经网络在多变量时间序列预测方面的优势。     

基于T-S模糊神经网络的瓦斯涌出量预测

在对T-S模糊神经网络原理进行分析的基础上,采用MATLAB语言,利用赵庄二号井2314工作面所测得的数据,建立T-S模糊神经网络预测模型。该方法具有拟合性能强,预测准确度高的优点,可以作为采煤工作面瓦斯涌出量预测的方法,对于瓦斯治理有着重要意义。     

基于神经网络时间序列的煤炭自燃预测研究

依据神经网络建模的原理,提出了一种基于神经网络的时间序列预测方法,并通过在山东枣庄矿业集团公司柴里煤矿进行的预测分析,验证了预测方法的有效性。为解决煤炭自燃的预测提供了一条良好的思路和方法,具有较大的理论意义和应用价值。     

基于模糊神经网络预测技术检测蓄电池剩余电量研究

采用基于模糊神经元网络预测技术并应用TI公司的DSPTMS32 0F2 4 0辅以相应的传感器检测蓄电池剩余电量。该方法技术先进 ,实验结果表明测试精度高 ,为蓄电池剩余电量的检测提供了有效的途径。     

矿用卡车单位油耗的神经网络预测

利用TRAINCGF算法构建矿用卡车外部环境参数与卡车单位燃油消耗的BP神经网络预测模型。模型的输入信息为阶段产量、平均运距、平均高差、故障率、道路质量、司机操作、天气状况和日常维护,输出信息为单位油耗。BP神经网络模型为8-12-1结构,动量因子和学习因子分别为0.7和0.5。模型测试实验表明,相对误差最大值为4.5237%,相对拟合率值为0.9513,模型精度较高。该模型可为卡车油耗考核和油库进油提供参考。     

一种模糊神经网络控制器

简单介绍了模糊技术和神经网络的关系 ,并给出了一种利用神经网络技术的模糊控制器的控制方案。应用模糊神经网络技术 ,将模糊逻辑与BP算法相结合 ,使该控制器具有很强的适应性 ,拥有模糊控制和神经网络的双重优点 ,适用于参数时变、纯滞后的高阶系统。     

基于神经模糊的工业锅炉温度控制器的研究

结合温度的时变、滞后和非线性特性 ,提出了一种基于人工神经网络与模糊控制相结合的控制器。利用人工神经网络的自学习、自适应和并行处理的能力 ,将模糊控制规则转化为神经网络的学习样本。通过ANN的BP学习算法记忆这些规则样本 ,实验表明该控制器具有响应速度快、精度高和鲁棒性的特点     

基于GA-BP神经网络的矿井粉尘浓度预测研究

为了准确预测矿井粉尘浓度,有效防治矿井粉尘危害,运用遗传算法优化的BP神经网络预测模型(GA-BP模型)对某矿山工作面时间序列粉尘浓度进行预测,以预测结果的相对误差、平均绝对百分比误差来评判模型的预测准确性。再利用BP神经网络预测模型,卷积神经网络预测模型(CNN模型)的预测结果同GA-BP预测模型的预测结果进行对比验证,以均方根误差来评价三种模型的预测效果。结果表明,应用GA-BP预测模型,相对误差最大为4.27%,最小为0.14%,相对误差都在10%以内,预测样本的平均绝对百分比误差(MAPE)小于10%,达到了高精度预测要求。CNN、BP、GA-BP三种预测模型的RMSE值分别为1.1007、1.0008、0.9354,GA-BP预测模型对于该矿山工作面粉尘浓度预测效果最好。     

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。     

基于模糊聚类及BP神经网络的采矿方法选择研究（增刊）

以某铁矿为工程背景,采用模糊聚类分析的方法对采矿方法进行初选,建立了模糊聚类初选采矿方法可行方案集,通过模糊动态聚类分析,得到了初选方案。基于BP神经网络的方法预测了初选方案的技术经济指标,运用层次分析法,综合考虑经济因素、资源利用率、劳动生产率、安全因素、合理程度五大类因素,构建了采矿方法优选的评价指标体系,最终通过模糊数学综合评判,选取了最优采矿方法。     

应用模糊神经网络对重介质密度进行估算

介绍了重介质悬浮液密度在整个选煤过程中的重要性,综合神经网络和模糊控制的优点,提出了一种基于模糊神经网络的悬浮液密度估算方法。以模糊估算器抽象出来的模糊规则表作为神经网络的学习样本,利用神经网络的自学习能力,不断对网络权值和激活函数的参数进行修改,实现了在线修改模糊推理规则的目的。     

边坡位移时间关系模拟的人工神经网络模型

利用Matlab语言编程建立BP神经网络模型，并基于大量的历史位移数据模拟了边坡位移与时间的关系．最后将模型用于山东省莱州仓上金矿北帮边坡的位移预测．比较表明，模型计算结果与监测值相差很小，说明应用模型预测边坡位移是可行的．