基于粗糙集模糊神经网络的爆破振动预测

以某地下水封洞库爆破工程为研究对象,全面考虑影响爆破振动的各种因素,提出了基于粗糙集理论的模糊神经网络(RS-FNN)预测方法进行质点峰值速度和主频率预测。首先采用粗糙集理论获得最优属性集,然后对实测数据进行模糊处理,建立质点峰值速度和主频率的12-25-1 RS-FNN网络预测模型,并与基于萨道夫斯基经验公式的预测模型进行对比研究。研究结果表明:RS-FNN对质点峰值速度预测要优于经验公式,同时,RS-FNN也首次实现了对主频率的预测,为保障工程爆破安全提供了一定的理论指导。     

基于PSO-LSSVM算法的地下储气库洞室群爆破振动预测

超大断面小净距地下储气库洞室群开挖爆破工程中涉及到众多的影响因素,传统人工智能方法难以对爆破峰值振动速度准确预测。为了提高预测精度,引入粒子群算法,对传统的最小二乘支持向量机模型(LS-SVM)进行优化并建立粒子群最小二乘支持向量机爆破峰值振动速度预测模型(PSO-LSSVM)。以某地下储气库洞室群开挖爆破工程为研究对象,应用PSO-LSSVM模型,将PSO-LSSVM模型与LS-SVM模型、萨道夫斯基经验公式的预测结果进行对比,得到三种预测的结果平均绝对相对误差分别为:5.50%、8.56%、23.45%。由此可见,PSO-LSSVM模型的预测结果与实测数据拟合度更高,精确度更满足工程需求,可为多因素作用下类似工程爆破峰值振动速度预测提供借鉴。     

基于人工智能方法的地下洞室群爆破振动速度预测

特大断面地下洞库爆破开挖工程中涉及到众多的影响因素,为了较准确地预测出爆破振动速度,引入支持向量机理论,建立最小二成支持向量机爆破振动速度预测模型(LS-SVM模型),该模型利用结构风险最小化来提高求解问题的速度和精度。采用该模型对某地下水封LPG洞库工程进行爆破振动速度预测,并与传统的萨道夫斯基回归公式模型(萨氏模型)和模糊神经网络模型(FNN模型)进行对比分析。分析结果表明:LS-SVM模型、FNN模型与萨氏模型的全局均方根相对误差RMSRE分别为4.68%、14.42%与19.33%;LS-SVM模型有14组数据满足预测模型泛化能力误差阀值(6%)的要求,而FNN模型与萨氏模型均不满足要求。因此LS-SVM模型在爆破振动速度预测中的预测性能和泛化能力均优于FNN模型及萨氏模型,可为多因素影响下类似工程爆破振动速度预测提供借鉴经验。     

浅析计算机网络基础课程教学方法

本文根据计算机网络基础课程的特点,针对如何提高高职院校计算机网络基础课程讲授的科学性和提高学生的学习兴趣及解决实际问题的能力,提出了多种计算机网络课程教学方法的合理应用,并对其实践进行了进一步的讨论。