基于PCA-ABBP强分类器的矿区采空塌陷危险性预测

为了准确、快速地预测矿区采空塌陷危险性,针对矿区采空塌陷影响因素之间存在信息重叠以及利用单一BP神经网络进行预测时存在的局部极值等问题,提出了一种PCA-ABBP强分类器模型。以北京西山某地的24组采空塌陷数据为样本,选取了采空区空间叠置层数等7个变量作为矿区采空塌陷的影响因素,以前17组数据作为训练样本,建立基于PCA-ABBP强分类器的矿区采空塌陷危险性预测模型。利用该模型对后7组数据进行预测,预测结果与实际完全相符,而单一BP神经网络预测的平均误差为17.14%,验证了所提出模型的有效性和可靠性。     

基于改进GS-SVM的煤炭生产成本预测

原煤生产成本同时受到多种因素的共同影响,导致原煤生产成本系统具有非线性、多维性等特点。为了对原煤生产成本进行更加科学、准确的预测,针对目前我国原煤生产成本预测中存在的问题,将支持向量机(SVM)引入到原煤生产成本预测中。为快速准确地选取支持向量机参数,在传统网格搜索(GS)算法基础之上提出了一种改进网格搜索算法,并建立了一种基于改进GS-SVM的煤炭生产成本预测模型。将该模型用于观台煤矿原煤生产成本预测中,模型预测误差均在5%以下,平均误差3.3673%,预测精度高于多元回归分析,而模型训练时间也远低于传统网格搜索算法和启发(粒子群)算法,能够满足实际原煤成本预测需求。     

基于模糊控制修正Elman神经网络的电力负荷短期动态预测

为了更好地反映电力负荷系统非线性、动态性、时变性的特点,对电力负荷进行更加智能、准确的预测,将Elman神经网络与模糊控制相结合,提出了一种基于模糊控制修正Elman神经网络的电力负荷短期动态预测模型。首先利用Elman神经网络对电力负荷进行预测并计算预测残差,然后利用模糊控制对残差进行预测控制并对Elman神经网络预测结果进行智能修正,最后结合Elman神经网络与模糊控制修正结果得到最终的电力负荷预测结果。以辽宁省某市2015年6月份部分电力负荷历史数据为样本,结合天气温度情况,利用本文提出的模型进行了实际电力负荷短期预测,最终结果误差较小且比较稳定,优于单一Elman神经网络和该市目前电力系统预测结果,验证了本文提出模型的有效性及可靠性,为短期电力负荷预测提供了一种较为可靠的途径。     

基于PCA-KFDA的煤矿火区启封复燃预测

为准确、快速地对煤矿火区启封是否复燃进行预测,针对煤矿火区启封复燃参数之间信息重叠和非线性的问题,提出一种PCA-KFDA煤矿火区启封复燃预测方法。结合我国典型矿井火区启封实例,选取煤自燃倾向、φ(C_2H_2)、φ(CO)、φ(CO_2)、φ(C_2H_4)和φ(O_2)(φ表示气体在空气中的体积分数)作为煤矿火区启封复燃预测的影响因素,建立煤矿火区启封复燃预测的PCA-KFDA模型。利用该模型进行实际预测,预测结果与实际情况完全吻合。而利用Fisher判别模型、神经网络模型、Logistic模型进行预测均出现不同程度的误差,验证了本文提出模型的有效性和准确性。     

基于可见/近红外光谱的土壤有机质含量预测

应用可见/近红外光谱技术对土壤有机质含量进行了定量分析和预测,为土壤肥力快速测定和评价提供依据.利用ASD FieldSpec 3 Hi-Res光谱仪对116份不同有机质含量的土壤样本进行光谱测量,系统分析了土壤有机质含量与350～2500 nm波段范围光谱反射率之间的关系.利用PLS和小波-BP神经网络对350～2500 nm整个波段范围和剔除水波段的光谱数据进行分析.两种建模方法的结果均表明剔除水波段的预测效果较好,其中,PLS模型预测的相关系数R为0.8416,均方根误差RMSEP为0.2848,相对分析误差RPD为1.7768,WT-BP神经网络模型预测的R为0.9167,RMSEP为0.2196,RPD为2.3043.预测结果表明,PLS模型可以对土壤有机质含量进行粗略估测,而BP神经网络可实现较精确的预测.     

相空间重构和混沌遗传神经网络融合的矿井涌水量预测研究

为了更准确预测矿井涌水量变化,有效防治矿山水害,本文提出利用相空间重构和混沌遗传神经网络相结合的方法预测矿井涌水量。选用C-C算法确定嵌入维数和延迟时间,通过对时间序列进行相空间重构来判断涌水量时间序列的混沌特性。为避免BP神经网络极易陷入局部解的问题,采用遗传算法对混沌神经网络进行参数优化,构建混沌遗传神经网络预测模型。将构建的模型应用于某矿山-100 m水平巷道涌水量的预测,在理论预测时长内预测最大误差为3.38%,表明该方法能够反映短期内矿井涌水量变化的趋势,相比单纯的混沌BP神经网络预测模型,预测精度有所提高,可为矿山企业的灾害防治提供科学的参考依据。     

基于支持向量机回归与分源预测法的瓦斯涌出量预测模型及其应用

针对目前瓦斯涌出量预测模型存在的局限性及精度低等问题,应用分源预测和支持向量机(SVM)的基本原理,将SVM回归与分源预测法相结合,并利用SVM对回采工作面的瓦斯涌出量进行回归分析和数值模拟,建立了SVM分源预测的数学模型,提出了SVM分源预测的新方法。数值实验表明,将训练成功的SVM模型对现场数据进行回归预测并对比预测结果与实际值发现,SVM比BP神经网络预测精度更高,训练样本期望输出与实际值的最大相对误差为1.45%,小于实际要求的5%,准确率较高,预测风险低,可以满足实际要求。     

基于GB-CART集成算法的铁路物流需求量预测

为了准确、快速地对铁路物流需求量进行预测,针对现有铁路物流需求量预测模型存在的问题,采用梯度提升算法对分类与回归树算法进行集成,提出一种GB-CART集成算法。以1990~2014年的铁路物流需求量为研究对象,选取预测年份前3年的铁路物流需求量作为模型输入,预测年份铁路物流需求量作为模型输出,采用GBCART集成算法进行仿真实验,并与单一CART、SVR、RBF和LR模型进行比较。结果表明:GB-CART模型的预测效果与单一CART模型相比得到了大幅度提升,且预测精度高于SVR、RBF和LR,验证了所提出模型的有效性及准确性。     

基于PCA-ELM的矿井瓦斯涌出量预测

为进一步提高矿井瓦斯涌出量的预测效率和精度,将主成分分析法(PCA)和极限学习机(ELM)神经网络相结合,建立基于PCA-ELM的矿井瓦斯涌出量预测模型。运用主成分分析法对矿井瓦斯涌出量影响因素样本进行主成分提取,去除各变量之间的线性相关,得到降维后的有效因子。再将这些有效因子作为ELM神经网络的输入层进行训练和预测,借助ELM神经网络不需较多参数调整、学习速度快、泛化性能好的特点,进行快速准确的预测。利用某典型矿井的实测数据进行实例分析,PCA-ELM方法预测的最大误差为0.2589,最小误差为0.0312,平均误差为0.1370,结果表明该预测模型预测速度快、精度高,能够用于矿井瓦斯涌出量预测。     

煤层底板突水危险性的ReliefF-IGS-SVM预测模型及应用

为了准确、快速地预测煤层底板突水危险性,针对如何合理有效地选取煤层底板突水影响因素以及如何快速、有效地确定支持向量机相关参数等问题,提出一种ReliefF-IGS-SVM模型。以20组煤矿底板突水数据为实验样本,选取底板含水层水压等6个变量作为煤层底板突水影响因素,建立煤层底板突水预测的ReliefF-IGS-SVM模型。利用该模型对良庄51302工作面等9个煤矿的底板突水情况进行实际预测,结果与实际完全相符,而利用单一GSSVM模型预测时出现一处误判,验证了所提出模型的有效性和可靠性。     

基于ARIMA-RBF算法的月度降雨量预测研究

为了对月度降雨量进行科学预测,将ARIMA模型与RBF神经网络相结合,提出一种基于ARIMA-RBF耦合算法的月度降雨量预测模型。首先,利用ARIMA模型对月度降雨量线性部分进行拟合预测,计算ARIMA模型预测的残差;然后,利用RBF神经网络对ARIMA模型残差进行拟合预测;最后,利用RBF神经网络预测结果对ARIMA模型进行补偿修正,得到最终降雨量预测结果。将该方法用于重庆市沙坪坝月度降雨量实际预测中,预测结果精度高于单一ARIMA模型以及RBF神经网络,能够满足实际预测需求。结果表明:将线性拟合算法和非线性拟合算法结合起来用于月度降雨量预测是一种较为优越的算法。     

基于模型融合的复杂生产过程产品质量预测

复杂生产过程中产品质量与工艺参数间存在复杂的非线性关系,为提高产品质量预测准确性,本文提出了一种基于模型融合的复杂生产过程产品质量预测方法.首先,分别对复杂生产过程建立基于改进随机森林算法的整体预测模型与分段预测模型,其中,针对整体预测模型特征选择问题,提出了一种相关性分析与去冗余处理相结合的特征选择方法,针对分阶段预测模型存在误差累积问题,提出了一种误差修正机制.其次,利用Stacking集成学习算法实现整体预测模型与分阶段预测模型的融合,综合利用二者的预测优势得到对产品质量的最终预测结果.最后,以烟丝生产过程烘丝机入口烟丝含水率的预测为例,通过对比传统单模型的预测方法,验证了本文所提基于模型融合预测方法的准确性.     

基于神经网络模型的紫外极光卵边界建模

极光卵的尺度大小和太阳风、磁层、电离层以及它们间的耦合过程有密切的联系,会随着空间和地磁环境的变化而变化.建立准确的极光卵边界预测模型对空间天气的预报以及了解日地关系具有重要意义.本文利用误差反向传播(back propagation, BP)神经网络和广义回归神经网络(general regression neural network, GRNN)两种神经网络模型对极光卵边界进行建模.结果显示GRNN的极光卵边界模型具有较高的准确性,赤道向边界预测平均绝对误差在0.77～1.20磁纬度(MLAT);极向边界预测平均绝对误差在0.83～1.39 MLAT.基于GRNN的极光卵边界模型预测准确性分别在极向边界和赤道向边界的整个磁地方时(MLT)上比BP神经网络的极光卵边界模型平均提高了0.74和0.73 MLAT,比多元线性回归模型平均提高了0.82和0.82 MLAT.而在模型的外推性方面, GRNN的极光卵边界模型的外推性优于BP神经网络的极光卵边界模型,与多元线性回归模型接近.     

基于改进GS-SVM的煤矿冲击地压预测研究

为了提高煤矿冲击地压预测预报的准确率,在综合考虑自然因素和开采因素的基础上,针对煤矿冲击地压系统小样本、多维度、非线性的特点,提出煤矿冲击地压预测的改进网格搜索支持向量机模型(GS-SVM)。利用该模型对四川某矿历史统计数据进行预测分析,并与启发算法优化支持向量机参数模型、神经网络模型、Fisher判别分析模型,传统网格搜索优化支持向量机模型进行比较。结果表明:改进GS-SVM模型能够对具有多维度、非线性、小样本特征的冲击地压进行很好的预测预报,与其他模型相比训练时间更短,预测精度更高,对煤矿冲击地压预测及防治具有一定的指导意义和参考价值。     

基于PCA-GA-BP的回采工作面瓦斯涌出量预测模型研究

为进一步提高回采工作面瓦斯涌出量预测的准确性,建立了主成分分析法(PCA)、遗传算法(GA)、BP神经网络相结合的预测模型。该模型采用主成分分析法降维处理原始输入数据;将主成分分析结果作为BP神经网络的输入,消除冗余信息;然后采用遗传算法优化BP神经网络的初始权值和阈值,有效克服BP神经网络极易陷入局部最优的问题。选取某矿井回采工作面的实测数据进行分析,结果表明,该模型较单一BP神经网络预测精度高,能更有效地实现回采工作面瓦斯涌出量的高准确度预测。     

用于采空区稳定性分析的FOA-GRNN模型研究及其应用

为了更合理有效地分析采空区稳定性问题,引入一种新型的全局寻优智能算法(果蝇算法)对广义回归神经网络进行优化,构建采空区稳定性分析模型(FOA-GRNN模型)。对影响采空区稳定性的样本进行归一化处理,将标准化后的数据代入模型程序中,建立了由9个影响因素组成的采空区稳定性分析模型,研究结果表明:采空区稳定性主要影响因素权重为:矿柱面积比RQD值矿柱高宽比岩石的质量指标;所建分析模型收敛速度快。并以某金属矿山采空区为例进行稳定性分析实际应用:采空区原始数据进行归一化处理后并输入所建立的FOAGRNN模型中,对照分级标准,得出结果:采空区不稳定,分析结果与实际情况相符,具有实用价值。     

基于K-CV&SVM的工作面煤层瓦斯含量预测

为进一步提高工作面煤层瓦斯含量预测的准确性,将交叉验证方法(K-CV)和支持向量机(SVM)相结合,建立预测模型。该模型在SVM的基础上采用交叉验证的思想,寻找最佳参数cg,最大限度地消除由于个别样本的较大误差对预测模型的影响,提高预测模型的准确性。选取告成矿工作面煤层钻孔的实测数据进行实例分析,结果表明:该模型较单一SVM预测精度高,能有效预测工作面煤层瓦斯含量。     

孪生数据与特征增强融合驱动的装备小样本诊断方法

近年来,得益于新一代信息技术的快速发展,智能故障诊断技术在航空航天、海洋工程、汽车工业等领域得到了广泛的关注与应用.然而,一方面,智能故障诊断模型在实际应用部署时,面临着故障样本不足的难题,导致所构建的模型诊断可靠性较低;另一方面,现有面向小样本问题的智能诊断方法往往需要相关性较强的实测数据作为支撑,这极大限制了该方法的实用性.基于此,本文提出了一种孪生数据与特征增强融合驱动的机械装备小样本故障诊断方法.首先,构建机械装备的虚拟模型,并结合装备的运行机理知识和健康状态的实测数据对模型进行优化修正,以获取高保真模型,进而基于该模型获取高质量的孪生故障数据;其次,以孪生故障数据为输入,利用生成对抗网络进行装备孪生故障数据的特征增强,并将增强后的数据用于卷积神经网络模型的训练,从而实现装备的智能故障诊断;最后,以某汽车用变速器为研究对象,验证所提方法的可行性.该方法丰富了新一代工业人工智能与大数据分析理论,为现代装备的小样本智能故障诊断提供了一种新的解决思路.     

灰色及其改进模型在人口预测中的应用

在灰色GM（1，1）模型和优化的等维递补GM（1，1）模型的基础上，构建了灰色＋BP神经网络组合模型。对2001～2005年我国人口的变化分析后，建立人口总量模型进行预测，利用原始教据建立的灰色＋BP神经网络组合模型预测我国2008年以后五年的人口总量为13．39亿、13．49亿、13．60亿、13．7亿、13．79亿，有逐年上升的趋势。经综合误差分析和后验差检验均为“优秀”，说明该模型具有一定的应用价值。     

医用血管支架非线性扩张过程快速预测方法的研究

建立了血管支架变形影响因子与其变形结果之间的具有高度非线性识别能力的神经网络模型，通过引入学习因子η和动量因子ψ,采用附加动量项的权值修正方法，优化了网络训练算法，从而提高了网络训练速度和系统鲁棒性．结合实例对网络进行训练，并对预测误差进行了统计假设检验，检验结果表明血管支架变形神经网络智能预测结果与非线性有限元分析结果误差均值低于0．03％，训练后的网络能够较好地对血管支架变形进行预测．在此基础上，基于Pro／Toolkit工具，融合血管支架扩张变形神经网络智能预测模型，建立了血管支架力学性能快速评价工具，该系统实用性强、效率高，能大幅缩短血管支架产品开发周期