基于RBF-FCM-OLS的边坡稳定性评价方法

RBF神经网络具有很强的非线性并行处理能力和泛化能力,并且有很快的学习收敛速度,不易陷入局部极小,在边坡稳定性评价中已得到广泛的应用.但其过分依赖于隐含层数据中心的选取是否合适,故引入模糊-C均值聚类(FCM)算法对其进行优化.以122组边坡样本作为样本总体,其中1～114组为训练样本,115～122组为测试样本,运用FCM算法在边坡训练样本中初选多个RBF网络的数据中心,在此基础上运用正交最小二乘法(OLS)训练网络,利用训练后得到的回归矩阵信息在初选结果中重新选择RBF网络的数据中心,从而使数据中心得到优化,简化了RBF神经网络的结构.将优化后的RBF神经网络应用到边坡测试样本的安全系数的预测中,得到较高的预测精度.该方法加快了RBF神经网络的训练速度,提高了运算速率,与传统的BP网络进行比较,进一步证明RBF及其学习算法的优越性和实用性.     

基于改进粒子群优化RBF神经网络的轧制力预报

依据RBF神经网络的非线性逼近能力和自学习特性, 提出基于RBF神经网络的建模方法。将最近邻聚类用于RBF神经网络隐层中心向量的确定, 并采用改进粒子群算法对最近邻聚类的聚类半径进行优化, 合理确定了RBF神经网络的隐层结构, 提出了一种基于改进粒子群算法的RBF神经网络(IMPSO-RBF)。将该网络应用于轧制力的预报, 与基本粒子群算法优化的RBF神经网络比较, 仿真结果表明其在预报精度和收敛速度上都有很大提高。     

从数据库中提取规则的神经网络方法

评述了利用神经网络从数据库中进行规则发现的几种方法，采用权值组合算法提取规则；利用模糊推理神经网络，采用CamDelta算法提取模糊规则；基于从数据中提取模糊控制规则；利用生长自组织映射神经网络，采用分级聚类SOM算法发现规则；利用CFNet网络，基于可信度因子，提取不确定性规则；利用模糊颗粒神经网络，采用启发式学习算法，从数值－语言数据中发现规则，提出了数据库中提取规则所面临的几个问题，以及解决这些问题的某些思路，具体提了一种分布式环境下基于Agent技术的规则提取方法。图6，参17。     

一种改进的RBF网络在电力系统短期负荷预测中的应用

针对径向基函数网络在电力系统负荷预测中隐含层节点数难求问题,提出一种改进的RBF神经网络,采用最近邻聚类学习算法自适应的调整径向基函数中心的宽度值和权值,可提高收敛速度和精度。实例仿真结果证明有效性和可行性,为电力系统负荷预测提供了一种新途径。     

基于遗传算法改进BP网络的地表沉陷预计

本文采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络，即先用遗传学习算法进行全局训练，再用BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，将该方法应用于地表沉陷预计问题中。建立了采动地表沉陷的神经网络预计模型，利用矿区大量的地表沉陷实际观测数据样本对该神经网络进行训练和学习，并用该网络对几组数据进行采动地表沉陷预计。结果表明，该神经网络预计模型具有收敛速度快、预测精度高的优点，为采动地表沉陷预计提供了实用的方法。     

应用神经网络与模糊聚类方法预测矿床品位

本文应用前馈神经网络和模糊聚类方法的基本原理及算法，进行了全矿床品位的预测，根据两者结果进行分析，效果很好，最后对这两种方法的联合应用进行了讨论。     

基于模糊小波神经网络的永磁直线同步电机故障诊断

在分析永磁直线同步电机故障的基础上,采用小波基函数作为模糊隶属函数,将模糊控制与神经网络相结合,建立模糊小波神经网络模型,实现对永磁直线同步电机的故障诊断。针对BP算法的不足,使用混合学习算法训练网络,优化了网络参数。仿真结果表明该方法是很有效的。     

煤矿回采工作面突水预测的方法探讨

针对煤矿回采工作面突水预测的复杂性，探索性地采用了神经网络方法，并以实例说明此方法与模糊聚类法及灰色聚类法相比有计算简便，快速且实用的特点。     

MATLAB神经网络工具箱在矿山开采沉陷中的应用

可视化神经网络是采用MATLAB语言和BP学习算法编制的能够自动调整的人工神经网络，可极大地简化编程工作。将该网络用于矿山开采沉陷的预测，可提高网络的收敛速度，缩短训练时间，且学习过程图文并茂，效果良好。     

基于神经网络的煤炭自燃预测及在MATLAB上的实现

结合我国煤矿实际,用模糊聚类方法进行了煤炭自燃危险程度的分类,运用BP神经网络方法,建立了煤炭自燃预测输入一输出模式非线性映射关系,构建了煤炭自燃预测网络模型,并通过MATLAB软件进行了预测分析与实现,解决了影响煤炭自燃的多因素复杂问题,使得预测结果更具客观性和预见性.     

基于自适应神经模糊推理系统(ANFIS)的煤炭企业物资消耗预测模型

针对煤炭企业传统物资消耗预测中存在的不足，以及影响煤炭企业物资消耗的因素复杂等特点，建立一种基于自适应神经模糊推理系统(ANFIS)的物资消耗预测模型．并结合某大型煤炭企业采矿生产中所消耗的钢材量和相对应的影响因素，对模型的预测效果进行了验证．     

Forecasting time-to-failure of machine using hybrid Neuro-genetic algorithm – a case study in mining machinery

Forecasting of time-to-failure is an important aspect of a mining machine for the performance assessment, fault detection and schedule maintenance. The knowledge of failure time allows more defined arrangement of preventive maintenance. Traditional methods, including lifetime distribution models, fault tree analysis and Markov models, have a limitation of assuming a specific statistical distribution function to fit the failure time data. In this study, a hybrid data-driven method using neural network and genetic algorithm is proposed to forecast failure time. The forecasting model was developed using neural network algorithm and all the neural network parameters, i.e. input nodes, hidden nodes and the learning algorithms, are selected automatically using the genetic algorithm. The developed model was validated using the failure data of a mining machine. A case study was conducted investigating a load-haul-dump machine (LHD) in the mining industry. Failure historical data for the LHD machine were collected, and cumulative failure time was calculated for time-to-failure forecasting. Study results demonstrate that the developed model performs satisfactory in the prediction of next failure time. A comparative study reveals that the proposed method performs better than existing methods.     

盾构掘进土压平衡控制模型

分析了影响盾构土压平衡的掘进参数之间及其与土仓压力间的相互关系,采用自适应神经模糊推理系统（ANFIS）建立了一个以推进力、推进速度、土仓压力实时数据采样值为输入,螺旋输送机转速为输出的基于排土控制的盾构土压平衡控制模型.在Matlab中利用100组施工现场数据对模型进行训练和参数优化,并采用另外100组数据对训练好的模型加以检验.结果表明,模型预测结果与实测数据吻合较好,说明该土压平衡控制模型能够很好地逼近盾构掘进此类非线性过程,同时可以对掘进参数进行有效的预测控制.     

基于有序优化算法的配电网两级重构研究

针对不同周期的负荷预测存在可能的差异提出的基于有序优化算法的配电网两级重构思想;在最优模糊C均值聚类(Fuzzy C-means Clustering,FCMC)的基础上建立以相异度为指标用来评估2次负荷预测差异的重构方法,可以有效地避免实时负荷波动与预测值差异较大带来的影响;建立以网损为目标函数的优化重构模型,采用有...     

粗糙集与神经网络故障诊断组合方法应用

利用粗糙集理论对知识的约简能力及模糊神经网络的分类能力,构建粗糙集—神经网络故障诊断组合模型(RNN),具有良好的拓扑结构,学习速度大为提高。应用电力变压器实例验证,RNN模型诊断速度快,故障诊断正确率高。     

基于遗传算法的模糊神经控制器

模糊神经网络是指利用神经网络结构来实现模糊逻辑推理,用神经网络实现模糊推理是为了融合两者的优点取得更好的推理效果,先用遗传算法对模糊神经控制器进行离线训练,然后用BP算法对模糊神经控制器进一步在线训练,仿真结果表明模糊神经控制器比模糊控制器取得了更好的控制效果。     

Prediction of Pyrite Oxidation in a Coal Washing Waste Pile Applying Artificial Neural Networks (ANNs) and Adaptive Neuro-fuzzy Inference Systems (ANFIS)

Two models were evaluated as alternative methods for predicting pyrite oxidation in the Alborz Sharghi coal washing waste pile (in northeastern Iran). The first model applies a ‘feed-forward artificial neural network (ANN) with 4-7-1 structure’. The model uses depth, initial remaining pyrite fraction, mole fraction of oxygen, and annual precipitation as input parameters and returns the remaining pyrite fraction in the related depth of the pile as its output. In the second model, an adaptive neuro-fuzzy inference system (ANFIS), which uses generalised bell membership functions and the Takagi–Sugeno-type fuzzy inference system, was applied with the same input–output parameters. The correlation coefficient, root mean squared error, and average absolute relative error for the training stage of the ANNs were 0.81, 0.169, and 0.12, respectively, while the values for ANFIS were 0.91, 0.091, and 0.078, respectively. Comparison of the correlation coefficients and the error parameters revealed that both models successfully predicted remaining pyrite fraction from various depths of the pile. However, ANFIS was found to be more reliable and more accurate.     

深井动压巷道围岩移近量的BP神经网络预测

传统的预测深井动压巷道围岩移近量的方法主要有:解析法、数值分析法、回归分析法、概率分析法、模糊分析法等。文章主要介绍BP神经网络对深井动压巷道围岩移近量的预测、原理及其Matlab的程序实现。通过分析表明,BP神经网络在深井动压巷道围岩移近量的预测中具有较高的精度。