基于优化终端滑模模糊神经网络的板形模式识别

针对板形模式识别问题, 将板形信号离散化、归一化, 作为终端滑模模糊神经网络的学习样本, 建立识别模型。在模糊神经网络的基础上, 利用终端滑模权值调整律代替梯度下降法的权值调整律, 提高网络的精度。为了进一步提高识别的精度以及收敛速度, 引入布谷鸟算法优化模糊神经网络的模型参数。仿真结果表明, 提出的识别模型对训练样本和未训练样本的平均最小方差分别为0.000 5和0.011 0, 比模糊神经网络(FNN)和径向基神经网络(RBF)的值都小。对某冷轧厂宽度1 040 mm带材的一组实测板形数据识别结果表明, 相比于FNN和RBF网络, CS-TSMFNN的识别效果更好。     

基于粒子群算法与RBF神经网络的露天矿边坡稳定系数预测

为准确构建边坡稳定影响因素与稳定状态之间的复杂非线性函数,基于粒子群算法全局搜索能力及RBF神经网络非线性变换和局部逼近能力,提出了一种基于粒子群算法与RBF神经网络的露天矿边坡稳定系数预测方法.实践应用表明:与单纯的RBF神经网络方法相比,基于粒子群算法与RBF神经网络预测露天矿边坡稳定系数精度可靠、性能稳定.     

RBF神经网络在往复泵故障诊断中的应用

论述了RBF神经网络的基本网络结构和网络的学习及运行过程,结果表明:RBF神经网络具有极快的学习收敛速度。讨论了RBF神经网络在往复泵故障诊断中的应用,并对训练后的网络进行了仿真测试,仿真结果表明RBF网络有较高诊断正确率。     

基于RBF神经网络的机械加工精度控制研究

针对机械加工中常见的误差复映现象,采用RBF神经网络开发了减小误差复映、提高加工精度的方法。通过使用大量实验数据对RBF网络进行训练,并对训练后的网络进行了仿真测试。结果表明,此网络具有较快的学习收敛速度,并具有较好的预测结果和通用性。     

基于神经网络铀矿边坡稳定性分析

如何能比较准确地预测滑坡的发生,已成为各矿山开采过程中的难题之一。对人工神经网络及BP网络模型作了简要的介绍,分析BP网络的结构特点、参数选择、数据收集与处理、构造网络模型等问题之后, 以中核金安铀矿的边坡稳定状况为学习训练样本及预测样本, 建立了预报模型。讨论了基于BP神经网络技术的边坡岩体稳定性分析方法及其有效性。实例计算表明,通过样本的训练检验,利用人工神经网络方法对边坡稳定性的预测取得了比较满意的效果,为今后此类边坡稳定性的评价提供了可借鉴的方法。为神经网络在矿山边坡稳定性的应用提供了可行性。     

露天矿高陡边坡变形预报的最优LMBP算法研究

为提高BP神经网络在露天矿高陡边坡变形监测数据预测的精度与可靠性,建立了基于LM算法改进的LMBP神经网络预测模型。以某露天矿边坡监测数据为样本,构建了LMBP最优网络拓扑结构,通过MATLAB编制程序进行了网络训练和预测,应用结果表明:LMBP神经网络具有良好的函数逼近能力及较快的网络收敛能力,且该模型计算结果较为精确,预测精度较高。     

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。     

基于RBF神经网络的露天矿山边坡失稳预警方法

边坡失稳研究是露天矿山安全生产的关键问题,边坡失稳智能化预警的实现是失稳研究的核心内容。以马钢南山铁矿凹山采场高陡边坡工程为例,建立了RBF神经网络预警模型,采用梯度下降训练算法并进行了改进,根据经验来设置算法的学习步长,选取黏聚力、内摩擦角,边坡角、边坡高度,孔隙水压力比、容重等6个因素作为网络的输入单元,利用所选的25组样本数据完成了RBF神经网络的学习。应用学习好的预警模型对南山铁矿凹山采场的2个帮进行了边坡失稳预警分析,得到2个帮的稳定性等级结果分别为1级和3级,即极稳定和基本稳定,与现场情况一致。该预警方法合理,具有推广应用价值。     

BP网络在露天矿边坡角优化中的应用

基于影响边坡稳定性的主要自然和工程因素,运用BP神经网络预测岩质边坡的稳定性,经大量样本进行网络训练,得出可靠的BP网络模型,预测露天矿最终边坡的最优化角度,并将结果与多元线性回归的预测角度比较。研究表明神经网络法具有精度高、收敛速度快、容错能力高等特点,能够满足实际工程的需要,是有一定实用价值和参考价值的边坡稳定性预测方法。     

小波神经网络在露天矿边坡变形预测中的应用

为了提高边坡位移变形监测数据预测的精度和可靠性,建立了基于改进BP算法的小波神经网络预测模型。以水厂铁矿GPS边坡监测数据为样本,通过编制Matlab小波神经网络程序进行训练和预测。结果表明,小波神经网络预测模型有良好的函数逼近能力及容错能力。因此,该预测模型在非线性时间序列预测中,具有高精度性和可靠性。     

基于MPSO算法的RBF网络学习算法

针对标准粒子群优化(PSO)算法存在早熟收敛,易陷入局部极值的缺陷,提出了一种利用混沌优化算法确定PSO算法参数的改进粒子群优化(MPSO)算法。为了提高径向基函数(RBF)神经网络的精度和性能,提出了一种基于改进粒子群优化(MPSO)算法的RBF网络学习算法。RBF网络隐层节点个数用对手受罚的竞争学习(RPCL)算法确定后,基函数的中心矢量、方差和网络权值用MPSO算法在全局空间动态确定。采用Iris分类问题做仿真实验,并与基于标准PSO算法的方法和单纯BP网络训练进行比较。实验结果表明,该算法性能优于所比较的2种算法,并且具有良好的收敛性和模式分类能力。     

基于RBF神经网络的露天矿爆破效果预测研究

露天矿爆破是一个受诸多因素共同影响的系统工程,是露天开采的重要环节之一,其爆破效果的优劣直接影响后续工序的完成。提高爆破技术水平和爆破质量,对矿山安全和生产具有重要的意义。本文通过随机森林选择影响爆破效果的主要参数,结合模糊评价确定爆破综合效果,建立了RBF神经网络爆破效果预测模型。将该模型应用于矿山爆破效果预测中,并将爆破现场实测的11组数据作为模型训练样本,另外5组现场数据作为预测样本进行测试,通过与BP神经网络比较,发现RBF神经网络的预测性能更为优越,可广泛应用于现场实践中。     

基于RBF网络与自适应遗传算法的旋转机械故障诊断方法

针对RBF网络学习算法工作量大和类别数需预先确定的问题,通过引入具有自适应机制的的遗传算法,结合梯度下降法交互运算,提出了自适应遗传算法和径向基函数网络相结合的旋转机械故障诊断方法。通过对样本模式聚类和故障状态的分析,并利用自适应遗传算法优化相关的RBF网络,有效地解决了隐节点数和各参数的取值问题。应用结果表明,RBF网络和自适应遗传算法相结合提高了全局寻优效率。     

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。     

基于改进RBF神经网络的巷道变形预测模型

由于经典RBF神经网络中的隐含层节点数、连接权值等结构参数基本由经验获取,因此经典RBF神经网络模型的性能取决于建立模型专家的主观性,存在一定的盲目性和随机性,难以对巷道变形进行准确预测。为此,采用贝叶斯阴阳和谐学习算法对经典RBF神经网络模型的隐含层节点个数、连接权值等结构参数进行了优化,提出了一种基于改进RBF神经网络的巷道变形预测模型,即对角型广义RBF神经网络模型。采用潞安和兖州矿区的综放回采巷道的现场长期监测数据分别对经典RBF神经网络模型以及对角型广义RBF神经网络模型进行了试验分析,结果显示：①对巷道顶底板变形进行预测时,对角型广义RBF神经网络模型的准确率约92.2%,经典RBF神经网络模型的准确率约80.6%;②对煤帮变形进行预测时,对角型广义RBF神经网络模型的准确率约90.2%,经典RBF神经网络模型的准确率约78.6%。上述试验结果表明,对角型广义RBF神经网络模型对于巷道变形预测的精度明显优于经典RBF神经网络模型,对于高精度巷道变形预测有一定的参考价值。     

基于RBF神经网络的瓦斯涌出量预测

传统瓦斯涌出量预测方法存在一定的局限性,预测精度不能满足要求。为了提高瓦斯涌出量预测精度,采用RBF神经网络对瓦斯涌出量相关数据进行建模。通过训练13组样本,对5组数据进行预测,分析了隐层神经元个数对预测精度的影响,并与同结构的BP神经网络预测结果进行了对比。研究结果证明了RBF神经网络在瓦斯涌出量预测中的有效性。     

基于SMO-SVM算法的变压器故障诊断

支持向量机是一种基于统计学理论的机器学习算法,它能在训练样本很少的情况下达到很好的分类效果。针对变压器的特性,提出了以RBF为核函数的非线性支持向量机的二叉树多分类变压器故障诊断模型,利用序贯最优化算法(SMO)对样本进行训练,准确率较高。试验结果表明,SMO-SVM在变压器故障诊断中具有很大的应用潜力。