排序方式: 共有2条查询结果,搜索用时 15 毫秒
1
1.
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。 相似文献
2.
为了准确预测矿山独头巷道CO浓度,基于云南老厂锡矿1800运输巷甩车场独头巷道掘进工作面CO浓度监测数据,运用MATLAB曲线拟合工具箱对该独头巷道中CO浓度随时间的变化情况进行曲线拟合,建立了该矿山独头巷道中CO浓度随时间变化的数学模型。通过该模型得到该独头巷道中CO浓度值达到安全规程要求所需的时间。然后,运用卷积神经网络时间序列预测模型(CNN模型)和BP神经网络时间序列预测模型(BP模型)对独头巷道CO浓度进行预测,并比较评价指标R2和RMSE。结果表明:BP神经网络时间序列预测模型对该独头巷道CO浓度的预测效果更好,为该矿山独头巷道CO浓度值的监测和控制提供了准确可靠的理论依据。 相似文献
1