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.     

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。     

PCA-聚类分析在煤与瓦斯突出预测中的应用研究

为准确预测煤与瓦斯突出,将主成分分析(PCA)法与聚类分析法相结合,建立了PCA-聚类分析模型对煤与瓦斯突出预测。利用主成分分析方法提取贡献率为原始变量85.28%的4个主成分代替原来的8个变量,并且计算了4个主成分的综合得分。将提取出的4个主成分作为系统聚类分析的输入变量,输入SPSS中得到谱系图。结果表明该模型能够预测煤与瓦斯突出,为煤与瓦斯突出预测提供了新方法。     

基于主成分分析与BP神经网络的矿井涌水量预测研究

选取影响矿井涌水的累积巷道长度、月开拓巷道长度、累计开采面积、月开采面积、降水量、含水系数等6个因素作为变量,将主成分分析与BP神经网络2种方法相结合,采用主成分分析法对影响矿井涌水量的6个主要影响因子进行分析,根据确定的主要影响因子作为BP神经网络的输入样本,建立BP神经网络预测模型进行预测,预测数据与现场实测数据对比表明,2种方法相结合预测涌水量误差小、精度高,为矿井涌水量的预测开辟了新思路。     

基于KPCA/PNN的煤矿主通风机的故障诊断

针对煤矿主通风机故障与征兆对应关系复杂的特点,以及利用传统BP网络进行故障诊断存在训练速度慢、易陷入局部极小的缺点,提出基于核主成分分析和概率神经网络的故障诊断方法。首先利用核主成分分析对非线性的、相互关联的故障变量进行特征提取,消除变量之间的相关性,降低数据维数,得到故障特征,然后将概率神经网络作为诊断决策分类器,输出故障模式。实验表明,该方法有效地提高了煤矿主通风机的故障诊断的准确性。     

基于PCA和IFOA-BP煤与瓦斯突出软测量建模

针对煤与瓦斯突出预测指标存在的问题,引入一个新的指标F来表征瓦斯突出强度,并将主成分分析法(PCA)与改进果蝇算法优化的BP神经网络相结合,建立了煤与瓦斯突出软测量模型。通过PCA来对原始数据进行降维处理,消除变量间的相关性,选取贡献率高于80%的主成分来替代原有的9个影响因素作为BP神经网络的输入变量;采取候选解的线性生成机制(LGMS)和变邻域搜索(VNS)来改进果蝇算法,在改进后的果蝇算法(IFOA)的优化过程中,将果蝇群体位置的变化与BP神经网络学习过程中的权值和阈值的更新相对应,然后以提取的主成分作为输入变量,以新的指标F作为输出变量,建立了IFOA-BP预测模型。选取具有代表性的样本进行验证,实验结果表明,与BP和PSO-BP模型相比,IFOA-BP模型收敛速度快,预测精度高,具有较强的泛化能力。     

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。     

PCA降维技术在弯辊力预设定中的研究与应用

为了提高冷连轧带钢弯辊力预设定模型的计算效率, 在原有基于GA-BP神经网络的弯辊力预设定模型基础上, 引入主成分分析(PCA)数据降维技术, 通过PCA将原有10个轧制参数变量转换为3个主成分变量, 降维后的主成分变量包含了原始实测轧制参数93.55%的信息, 实现了轧制参数特征的有效提取; 将其作为神经网络的输入, 建立PCA-GA-BP新形态弯辊力预设定模型, 简化了模型结构。以某1 450 mm冷连轧生产线数据作为样本比较了2种模型的计算性能, 结果表明, 2种模型均具有较好的泛化能力, 在保证带钢头部板形精度的基础上, PCA-GA-BP模型与原模型相比迭代次数减少86次, 计算时间缩短73 ms, 预报效率显著提高。     

基于主成分分析法的神经网络模型与箱线图在选厂中的应用

利用探索性数据分析法中的箱线图法对选矿数据进行分析,找到最优的精矿品位、回收率组合.并将其作为输入因素输入到主成分分析-神经网络模型进行验证预测,找到在此组合下的更合理的药剂用量.用此药剂量指导生产,可以得到更好的精矿品位和回收率.     

基于Monte Carlo方法改进的BP神经网络对回采工作面瓦斯涌出量预测

文章首先构建和训练以煤层埋藏深度、煤层厚度、煤层瓦斯含量、工作面煤层与邻近煤层距离、工作面推进距离、工作面产量等为输入变量,回采工作面绝对瓦斯涌出量为输出变量的BP神经网络模型。然后采用Monte Carlo方法通过对6组输入变量的随机抽样来预判各自的发展趋势并对输入变量随时间变化的行为进行模拟,将模拟结果作为BP神经网络输入层节点值,代入训练好的网络,输出值即为下一生产周期回采工作面绝对瓦斯涌出量的预测值。     

基于GA-BP神经网络的淋水井筒风温预测模型

矿井进风井筒井底风温是井下风流热计算的重要节点。为准确预测淋水井筒风温，利用皮尔逊相关系数分析与遗传算法（GA）优化BP神经网络相结合的预测模型。借助皮尔逊相关系数分析筛选其中3个主要特征变量作为BP神经网络的输入变量，利用GA优化BP神经网络的权值和阈值，并与标准BP神经网络预测模型进行比较。研究结果表明，全部特征变量与特征变量筛选输入的标准BP神经网络预测模型的预测结果的平均绝对百分比误差分别为1.25%和2.33%,GA优化BP神经网络预测模型的预测结果的平均绝对百分比误差分别为0.97%和2.21%,GA-BP神经网络预测模型预测精度高于标准BP神经网络预测模型，基于特征变量筛选的预测模型既保持了较高的预测精度，又提高了预测效率。     

基于PCA-Elman的浓密机泥层高度在线预测研究

为解决浓密机泥层厚度在线预测问题,提出了基于主成分分析(PCA)与Elman神经网络模型的浓密机泥层高度在线预测方法。该方法首先利用SPSS软件对影响浓密机泥层高度的多组原始现场参数进行PCA,提取主成分作为Elman神经网络模型的输入,最终得到浓密机泥层高度的在线预测结果。结果表明:PCA-Elman在线预测浓密机泥层高度的平均准确度达91.5%,该预测方法是可行的。     

基于PCA-Elman的煤层小断层预测

针对煤层小断层发育的复杂性及其预测参数间的相关性,提出了基于主成分分析(PCA)与Elman网络的煤层小断层预测方法。该方法首先利用灰色关联分析确定小断层密度预测参数,然后利用PCA降维提取主成分,消除参数间的相关性,最后以主成分为输入样本,建立Elman网络预测模型。应用实例表明,煤层小断层PCA-Elman预测模型的预测效果较好,平均预测精度达94.1%。     

基于PCA-BP神经网络的瓦斯涌出量预测分析

针对目前矿井回采工作面瓦斯涌出量预测准确率低、误差率大等问题,提出基于主成分回归分析以及BP神经网络原理和方法来预测回采工作面瓦斯涌出量,依据井下现场实测的数据,通过多元统计分析软件SPSS开展相关数据处理,分析影响工作面瓦斯涌出量11个因素之间的相互关系且提取主成分,来得到BP神经网络中的输入参数,并借助PCA-BP神经网络的方法建立回采工作面瓦斯涌出量预测模型。结果证明:使用PCA-BP神经网络方法的预测值与实际值最大相对误差为2.820%,最小相对误差为2.036%,平均相对误差为2.357%。     

偏最小二乘回归的神经网络模型在巷道围岩位移预测中的应用

偏最小二乘回归方法集多元回归、典型相关分析及主成分分析的功能于一体，能有效地处理自变量的多重线性相关问题，但不能较好地处理因变量与自变量间复杂的非线性问题，而神经网络方法是处理非线性问题的有力工具，但输入数据的严重相关性会使得网络的求解变得不稳定且收敛速度很慢，本文试图把这两种方法结合在一起来预测巷道围岩的位移．结果表明，结合方法比单一方法优越．通过偏最小二乘回归对巷道围岩的位移影响因子的处理，消除了影响因子的线性相关性，并提取了对因变量解释性最强的成分，使BP(back propagation)网络的输入层节点数目由原来的7个减少到3个，起到了简化网络结构，增强网络稳定性的作用．     

基于PCA-PNN原理的岩爆烈度分级预测方法

根据岩爆的影响因素、特点及成因,选取围岩最大切应力、单轴抗压强度、单轴抗拉强度、应力系数、脆性系数和弹性能量指数构成岩爆预测指标体系。搜集国内外46组典型岩爆案例数据,考虑到概率神经网络(PNN)中高斯函数要求各指标变量互不相关,采用主成分分析法(PCA)对原始数据预处理,消除指标间相关性并降维,得到线性无关的3个主成分即岩爆综合预测指标RCI_1,RCI_2,RCI_3,构成概率神经网络的输入向量。将岩爆烈度分级预测视为共有4种类别的模式分类问题,在满足均匀分布的前提下,选取[0.02,1.00]内的50个Spread值,观察模型预测正确率随Spread值的变化。经测试,Spread值为0.36时,预测结果首次同时达到最优,故创建平滑因子为0.36的概率神经网络。岩爆案例数据由主成分分析法处理后分为训练样本和测试样本,对训练后的PNN网络进行性能测试,两组数据预测正确率分别为100%,90%。将该结果与随机森林(RF)模型、支持向量机(SVM)模型、人工神经网络(ANN)模型进行比较,可知PCA-PNN模型的预测结果稍好于SVM模型、ANN模型,误判率与RF模型的训练样本平均误判率、测试样本平均误判率一致。此外PNN网络收敛速度快,通常在数秒内即可完成,表明基于PCA-PNN的岩爆烈度预测模型是合理可行的。     

煤矿冲击地压预测的PCA-GRNN神经网络方法

为了更合理有效地解决煤矿冲击地压危险性预测问题,引入主成分分析法对广义回归神经网络的输入样本进行信息压缩,得到冲击地压危险性影响因素的主成分因子,构建BPNN、GRNN、PCA—BP、PCA—GRNN 4种神经网络模型。预测结果表明所建PCA—GRNN模型较之其它3种模型整体工作性能优势明显,具有很好的预测能力和泛化能力,能较好解释冲击地压与各影响因素间的关系。     

品位估值的自适应径向基神经网络构建技术

在简要分析常用储量计算方法与BP神经网络预测方法存在缺陷的基础上,分析了径向基神经网络隐层节点参数在映射机理上与地质统计学方法理论上的一致性,以及其权系数能解析方式求解、可避免网络训练过程陷入局部最优乃至不收敛现象的特征,提出了构建径向基函数神经网络进行矿床品位估值模型的研究思路。通过多方案分析,得出了待估点三维坐标及周围样品点个数是影响径向基函数神经网络模型估值精度的主要因素,给出了输入节点变量空间的基本配置方式--3个坐标加周边8个样品点品位。针对实际工程中样品空间较大的特征,分析了隐层中心、宽度等参数需根据输入变量自适应构造的必要性,以及利用正则化正交最小二乘的前向选择法的可行性。利用开发的具备用户自定义和交互式输入参数的计算机软件,构造了两种不同的品位估计模型。验证试验表明：基于样本空间自适应构建的径向基函数神经网络,建模速度快、可靠性强,平均估值误差最大为309%,且正则化参数对模型的估值精度影响较大,考虑了该参数的模型估值效果更好。     

煤与瓦斯突出灰色-神经网络预测模型的建立及应用

对煤与瓦斯突出影响因素进行灰关联分析,以此确定人工神经网络的输入参数.并应用改进的BP算法,选择灰关联分析的5个优势因子作为输入参数,建立了煤与瓦斯突出预测的神经网络模型.选用典型突出矿井的煤与瓦斯突出实例作为学习样本,对网络进行训练学习,并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本,将经过网络预测的结果与传统方法的计算结果进行对比.结果表明该灰色一神经网络模型能够满足煤与瓦斯突出预测的要求.     

矿山开采沉陷参数灵敏度及关联度分析

以某矿典型的地表移动观测站数据作为训练样本和测试样本,建立了矿山开采沉陷的神经网络与灰色关联模型。利用神经网络输出变量对输入变量的偏导数求解下沉系数的影响因素的灵敏度,推导了利用神经网络计算灵敏度的公式,同时利用灰色综合关联分析法计算开采下沉系数与各影响因素的关联度。结果表明,松散层厚度的神经网络灵敏度和灰色关联度皆最大,深厚比次之,而倾角最小,该结论为矿山开采沉陷的分析与控制提供了一定的理论基础。