排序方式： 共有2条查询结果，搜索用时 31 毫秒
1
1.
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。 相似文献
2.
针对煤矿开采过程中存在非线性、强耦合性等特点导致的动力灾害难以预测的问题,引入一种候选解的线性生成机制(LGMS)、混沌搜索、粒子群算法(PSO)和模拟退火算法(SA)修正果蝇算法(IFOA),利用改进后的果蝇优化算法良好的搜索全局最优解的能力,自适应地调整BP网络的权值和阈值,建立了煤岩冲击地压灾害预测模型。以唐山开滦煤矿样本数据为例进行仿真验证,结果表明其鲁棒性和测量精度明显提高,且网络具有较强的收敛性能和优化能力。 相似文献
1