PCA和GA-BP神经网络在边坡稳定性预测中的应用

针对现有边坡稳定性预测模型存在的不稳定性和精度不高的问题,采用主成分分析方法 PCA和遗传算法GA对传统BP神经网络模型进行优化。PCA方法将露天矿边坡稳定性的6个评价指标转换为4个主成分,作为BP神经网络的输入变量;遗传算法对神经网络的初始权阈值进行了筛选优化。经优化后的模型既减少了神经网络的输入变量,提高了学习训练效率,又使得传统BP神经网络模型的精度大大提高。最后将PCA-GA-BP模型、GA-BP模型和传统BP模型得到的预测结果进行对比和误差分析。结果表明,基于PCA-GA-BP神经网络模型的预测精度较好,对露天矿边坡稳定性的预测具有一定的参考价值。     

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。     

PCA与ELM模型相结合的矿井突水水源快速识别方法研究

为了快速准确判别矿井突水水源,降低矿井突水事故给煤矿生产及人类生命财产安全带来的危害,以赵各庄矿为例,提出了主成分分析法(PCA)与极限学习机(ELM)相结合矿井突水水源快速识别方法。结果表明：PCA确定了赵各庄矿中Na+、Ca2+、Mg2+对水样影响较大,为赵各庄矿水样的主控因子,排除了其它指标冗余信息的影响|在MATLAB中导入PCA确定的水样中三种主成分数据,通过ELM模型仿真训练可在10s内得出水样分类结果,分类学习时间迅速|对比ELM模型与BP神经网络对水样的分类结果,ELM仿真训练结果精确度高达100%,而BP神经网络仿真训练结果精确度仅为83.33%,远低于ELM模型精确度。     

基于PLS-BP神经网络模型的导水裂缝带高度预测

针对淮南煤田走向长壁垮落式采煤法条件下导水裂缝带高度难以精确预测的问题,建立基于偏最小二乘法的BP神经网络模型,提高了导水裂缝带高度的预测精度。首先运用偏最小二乘法对导水裂缝带高度的影响因素进行分析,对原始数据降维处理提取主成分,优化了原始数据,克服了变量间因样本量小而产生的多重相关性影响,并对自变量、因变量具有很强的解释能力。再将提取的主成分作为BP神经网络模型的输入层,导水裂缝带高度为输出层,对网络进行训练。该方法既简化了网络结构,其精度也高于经验公式以及单一的偏最小二乘法模型与BP神经网络模型。     

主成分分析与BP神经网络在煤耗氧速度预测中的应用

结合主成分分析与神经网络的优点,提出了主成分分析与神经网络相结合的煤耗氧速度预测模型.采用主成分分析法对原始输入变量进行预处理,选择输入变量的主成分作为神经网络输入,一方面减少了输入变量的维数,消除了各输入变量的相关性;另一方面提高了网络的收敛性和稳定性,同时也简化了网络的结构.通过实例验证,基于主成分的神经网络比一般神经网络训练精度更高,学习时间更短,预测效果更优.     

主成分分析与BP神经网络在煤耗氧速度预测中的应用

结合主成分分析与神经网络的优点,提出了主成分分析与神经网络相结合的煤耗氧速度预测模型.采用主成分分析法对原始输入变量进行预处理,选择输入变量的主成分作为神经网络输入,一方面减少了输入变量的维数,消除了各输入变量的相关性;另一方面提高了网络的收敛性和稳定性,同时也简化了网络的结构.通过实例验证,基于主成分的神经网络比一般神经网络训练精度更高,学习时间更短,预测效果更优.     

煤矿开采引起的地表沉降预测模型研究及应用分析

文中基于曲线拟合和BP神经网络的理论,利用某矿区内B1点的实测沉降数据,结合MATLAB曲线拟合工具箱和BP神经网络的编程建立地表沉降预测模型,预测未来沉降趋势。同时采用曲线拟合的结果进行BP神经网络的训练和仿真(即曲线—BP组合模型),通过对预测值和实测值的比较,分析三种模型的预测精度,最后结果表明曲线—BP组合模型在矿区地表沉降预测中切实可行。     

基于BP神经网络的拉斗铲生产能力预测

在分析拉斗铲生产能力影响因素的基础上,选取实动时间、炸药单耗和采装周期3个因素作为BP 神经网络的训练参数建立BP神经网络预测模型,并利用MATLAB实现网络的训练和预测。预测结果表明,BP神经网络能够较好地预测拉斗铲的生产能力,预测输出与实际输出之间的相对误差一般小于10%,预测精度达到了工程要求。     

PCA-RBF神经网络模型在桥梁变形预测中的应用分析

在由多种因素导致的桥梁变形进行变形预测时,针对大多神经网络预测方法具有局部最优等局限性,以及高维度的影响因子之间具有很强的相关性和信息重叠性等问题,该文提出基于主成分分析(PCA)的径向基函数(RBF)神经网络来进行桥梁变形预测,并和直接采用RBF神经网络的预测结果进行了对比。实例分析证明:两种方法的训练误差都在10~(-15)mm级,均能很好地训练样本,其中基于主成分分析的径向基函数神经网络误差更小,提高了预测精度,这对变形监测中分析主要的影响因子从而建立预测模型具有参考意义。     

基于遗传算法—BP神经网络的突出强度预测

煤与瓦斯突出强度的预测对研究煤与瓦斯突出,保证矿井安全正常生产有着重要意义。本文提出采用遗传算法结合BP神经网络的模型来预测突出强度,采用遗传算法对BP神经网络的权重和阈值进行优化,将优化好的权重与阈值作用于网络进行训练,直至性能函数符合要求。实际计算表明,该模型有较好的预测精度,且克服了普通BP神经网络训练时间长、收敛速度慢的缺点,在已知瓦斯膨胀能和煤层厚度的前提下,可以用该模型对突出强度进行预测。     

基于SSA-BP神经网络的岩爆烈度等级预测

随着深部开采战略在我国的发展,岩爆愈加成为我国资源开采时必须面对的地质灾害之一。为提高传统误差反向传播（Back Propagation,BP）神经网络模型进行岩爆预测的准确性与有效性,采用麻雀搜索算法（Sparrow Search Algorithm,SSA）优化传统BP神经网络,提出一种基于麻雀搜索算法优化BP神经网络的岩爆预测模型(SSA-BP模型)。在考虑岩爆产生的内外因基础上,选取相关岩爆预测指标,利用国内外100例已有工程岩爆数据建立SSA-BP模型,并与传统BP模型、粒子群算法（Particle Swarm Optimization, PSO）优化支持向量机（Support Vector Machines, SVM）模型对比。结果表明：SSA-BP预测模型的有效性和准确度皆高于传统BP模型和PSO-SVM模型,同时SSA-BP模型训练集的均方误差(Mean Square Error,MSE)为0.081,比传统BP模型（0.25）降低67.7%,可为类似工程的岩爆预测提供科学依据。     

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GA-BP神经网络的采空区地表沉降预测模型

为了提高采空区地表沉降预测准确性,选择上覆岩层弹性模量、泊松比、内聚力、内摩擦角、开采深度、采高、矿体倾角和采场尺寸共8项影响采空区沉降的指标进行研究,通过遗传算法(GA)优化BP神经网络,构建了GA-BP神经网络采空区地表沉降预测模型,对采空区地表沉降趋势初步预测与分析。模型解算结果表明,相比传统BP神经网络预测模型,GA-BP神经网络预测模型在预测精度、拟合性能和收敛速度方面都有所提高。     

开采沉陷预计参数的广适应性BP神经网络反演方法（增刊）

基于实测资料的概率积分法下沉预计能够准确描述开采引起的地表下沉变化,广泛应用于全国各大采区。为了获取准确可靠的开采沉陷概率积分法预计参数,本文以概率积分法沉陷预计为基础,利用BP人工神经网络反演求取预计参数。BP人工神经网络具良好的鲁棒性和非线性映射能力,在参数选取过程中能快速准确的确定预计参数与观测站点实测下沉量之间的映射关系,能准确反演得到实测下沉预计参数。根据地表实测数据,将概率积分法下沉预计与BP人工神经网络相结合,建立了适用于多种地质采矿条件的沉陷预计参数反演模型,并对阳泉某矿进行参数反演,得到结果与实测数据基本吻合,表明应用广适应性BP神经网络方法反演开采沉陷预计参数是可行的。     

AGO-BP神经网络在主要影响角正切求取中的应用

主要影响角正切tanβ是用概率积分法进行开采沉陷预计的主要参数之一,决定着地表沉陷的影响范围。指出了影响主要影响角正切的主要地质采矿因素,并根据一些矿区的实际观测资料,建立了求取主要影响角正切的AGO-BP神经网络模型。该模型是首先运用灰色理论中的累加算法对选定的原始计算数据进行预处理,然后采用BP神经网络模型计算主要影响角正切。AGO-BP神经网络模型不仅能够自动调整网络参数,而且避免只采用BP神经网络进行计算时可能出现的模型不稳定问题,所得到的主要影响角正切精度有一定的提高。     

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。     

基于并联型灰色神经网络模型的隧道沉降量预测方法探讨

灰色预测方法和人工神经网络,在建筑物变形预测中有各自的优势和不足.为了提高预测精度,该文结合灰色GM(1,1)模型和BP神经网络模型的特点,构造并联型灰色神经网络模型(PGNN)对南京地铁隧道某监测点的沉降量进行预测.结果显示,PGNN的预测精度明显高于单一的灰色GM(1,1)模型和BP神经网络模型,证明了PGNN组合方法在地铁隧道沉降量预测中的有效性.     

基于WOA优化神经网络的斜坡道拱顶沉降预测研究

为了更准确地预测地下矿山中斜坡道拱顶沉降的趋势,并控制预测精度,以保障矿山安全。本文提出鲸鱼算法优化神经网络的斜坡道拱顶沉降预测方法。主要步骤为：首先采取邻点中值平滑处理的方法对原始数据进行处理,将处理好的监测数据作为输入样本对BP、Elman神经网络进行训练、测试;再利用鲸鱼算法对初始权值和阈值优化,最后通过不同模型输出预测值。通过仿真实验研究表明:鲸鱼优化后的BP、Elman神经网络模型相比优化前均能更准确地预测斜坡道拱顶沉降;WOA-Elman模型的决定系数为0.948,优于WOA-BP模型0.941,但WOA-Elman模型运行时间耗费671.214 s远超于WOA-BP模型307.226 s,WOA-Elman耗费了更多的训练时间换取了少量的精度提升,大幅降低了训练效率;结合工程实例实测值、预测值的分析比较,鲸鱼算法(WOA)优化后的BP神经网络表现出了更高效且准确的斜坡道拱顶沉降预测能力。     

基于改进的QPSO-BP算法的锌矿价格行情预测

为了提高锌矿价格预测精度,采用改进的QPSO算法优化BP网络的权值与阈值,将通过优化搜索得到的粒子位置向量解码作为网络的权值与阈值,优化BP神经网络,对锌价格进行建模预测。在输入因子相同的条件下,以PSO-BP与QPSO-BP模型分别预测未来锌矿价格行情,以预测精度(MAPE)和泛化能力指标(ARV)评定两种模型的优劣。结果表明,改进的QPSO-BP模型的预测精度和泛化能力明显高于PSO-BP模型,更能适用于锌价格预测,对项目投资决策和风险评估有一定的参考价值。