充填膏体流变参数优化预测模型

为了更精确地对充填膏体流变参数进行优化预测,建立主成分分析法(PCA)和改进的BP神经网络(I-BPNN)相结合的优化预测模型。以某金属矿山充填膏体配比实验为基础,利用主成分分析法对充填膏体流变参数影响因素(膏体质量分数、砂灰质量比、料浆容重和坍落度等)进行预处理,得出主成分,再利用改进BP神经网络模型进行预测,最终得到更准确的充填膏体流变参数预测结果。研究结果表明:该模型对充填膏体屈服应力、黏度等流变参数优化预测的相对误差都控制在5%以内,较未经主成分分析的BP神经网络预测结果,经主成分分析后,屈服应力预测相对误差降低0.48%~7.29%和黏度相对误差降低1.67%~6.20%,表明该模型对充填膏体流变参数预测是合理、有效的,屈服应力与黏度的预测精度显著提高,为充填膏体流变参数优化预测提供了一种新思路。     

基于PCA与Elman网络的地下矿山岩层移动

 由于地下金属矿床地质与开采条件的复杂性,影响岩层移动的因素错综复杂且相互影响,使得对岩层移动的预测具有很大的不确定性。大量的样本数据减慢了神经网络的训练速度,并且使得神经网络不稳定。将主成分分析(PCA)与Elman网络相结合构建模型,对地下矿山岩层移动角进行预测研究。利用主成分分析对原始数据进行预处理,提取原信息的主成分,将输入变量减少且互不相关,提高神经网络训练速度;用Elman网络对训练样本进行训练,进而利用训练好的网络对预测样本进行预测,与不采用PCA时的预测结果相比,采用PCA的预测结果更为准确,通过期望输出与实际输出的对比,相对误差都在5%以内,其预测的结果精度高,表明了PCA与Elman网络相结合对地下矿山岩层移动进行研究是可行的。     

BP神经网络主成分分析在试飞数据预测中的应用

本文采用主成分分析与BP神经网络相结合的方法对试飞数据进行了预测,同时还对BP神经网络主成分分析法与全要素BP神经网络分析法进行了比较．结果表明BP神经网络主成分分析法具有精度更高、收敛速度更快等特点。     

PCA-GA-ELM煤矿瓦斯涌出量预测

为对井下瓦斯涌出量进行预测,采用主成分分析与改进极限学习机相结合的方法,在样本数据的筛选上吸取主成分分析数据降维的优点;充分利用极限学习机训练速度快、能够获得全局最优解且具有良好的泛华性能的特点,将遗传算法与其相结合,选择最优的输入权值矩阵和隐含层偏差,避免随机产生所造成的误差.利用编写程序确定隐含层神经元个数,比依靠经验更为准确,在实际中得到成功应用.研究结果表明:运用PCA-GA-ELM预测模型最大相对误差为19.58%,最小相对误差为0.8%,平均相对误差为6.0551%.从预测模拟结果可以看出,利用主成分分析与改进极限学习机相结合模型进行预测,结果准确可靠,克服了以往模型的不足.     

基于主成分分析与BP神经网络的冲击地压预测

冲击地压的发生会对矿山造成巨大的经济损失,预测预报是防治冲击地压的重要组成部分。文章将主成分分析方法与反向传播人工神经网络(即BP神经网络)方法相结合,用于对冲击地压的预测。首先,利用主成分分析法对冲击地压的影响因素进行分析,降低数据的维数。然后,将所得的数据作为BP神经网络的输入数据进行训练,用训练好的神经网络对冲击地压进行预测。预测结果与实际结果的对比表明,利用主成分分析—BP神经网络方法对冲击地压预测是可行的。     

基于改进BP神经网络的运输企业安全评价研究

为了更准确地评价道路旅客运输企业的安全状况及安全等级,提出了基于主成分分析法(PCA)和改进BP神经网络的评价模型。基于遗传算法改进的BP神经网络模型利用非线性识别计算能力设计神经网络中的分类器,把分类计算出的结果输入到网络中计算,更加精确的计算了网络中相关的参数,弥补了传统神经网络缺点。利用该模型对3家实例运输企业进行仿真评价然后与传统模型评价结果比较分析。结果表明,该模型评价结果与实例企业真实评价期望值之间的相对误差在0.2%~1.0%之间,比传统神经网络评价误差值小,说明改进的BP神经网络优于传统的BP神经网络,也证明了此方法的有效性与实用性,可以正确的评价企业的安全状况。     

基于主成分分析与BP神经网络相结合的机床主轴热漂移误差建模

为提高数控机床热误差模型的预测精度,提出了将主成分分析与BP神经网络相结合的主轴热漂移误差的建模和预测方法.使用主成分分析法对多个温度变量进行降维处理或重新组合,将处理后所得较少的主成分变量作为样本输入BP神经网络进行训练而得到主轴热漂移误差模型,并与经过测点优化后以关键点温度作为输入的BP神经网络模型进行对比分析.结果表明：基于主成分分析与BP神经网络相结合的主轴热漂移误差模型的拟合精度较高,残差较小;由于BP神经网络的输入变量较少而使所提出的模型训练速度快、迭代次数少.     

基于GRA和AHP的GRNN神经网络零件失效概率预测方法

为了提高对机械零件失效概率的预测精度,提出一种基于GRA和AHP的广义回归神经网络零件失效概率预测方法.在分析机械零件失效概率影响因素的基础上,首先利用灰色关联分析法(Grey Relational Analysis,GRA)分析影响机械零件失效概率的主要因素,通过层次分析法(Analytic Hierarchy Process,AHP)构建机械零件失效概率的评价指标层次体系,评估各个指标对于零件失效概率的权重;结合各个指标权重与初始值,以获取各指标的加权评价值;最后通过广义回归神经网络(Generalized Regression Neural Network,GRNN)建立以各指标加权评价值来预测机械零件失效概率的预测模型.利用本文方法所建立的预测模型对某企业数控转台的上齿盘失效概率进行预测,并与传统的GRNN神经网络预测模型、BP神经网络预测模型和回归预测模型进行对比,结果显示本文所建立的模型预测误差小于0.8%、残差在-0.2%～0.2%范围内,均优于对比模型的预测结果,表明所建立的预测模型具有更高的精度和更强的稳健性,适合于零件失效概率的预测.     

E4303焊条力学性能模糊神经网络智能预测

为了获得反映焊条原材料成分与其熔敷金属力学性能之间映射关系的预测模型,该文对E4303碳钢焊条进行配方设计和堆焊试验,测定其熔敷金属的抗拉强度、屈服强度、延伸率、冲击功4项力学性能指标.采用自适应模糊神经网络方法建立了直接由焊条原材料成分预测焊条力学性能的模糊神经网络模型.用该模糊神经网络模型对训练样本以外的试验数据进行预测.结果表明,抗拉强度和屈服强度的预测平均相对误差在5%以内,延伸率指标预测平均绝对误差仅为0.021,冲击功指标预测效果与BP网络相比有明显改善,说明该模糊神经网络预测模型能够直接根据焊条原材料成分较准确地预测其熔敷金属的力学性能.     

基于主成分分析的BP神经网络对房价的预测研究

为了提高房价预测精度,采用基于主成分分析的BP神经网络预测模型.首先运用主成分分析对影响房价指标重新组合生成新的综合指标,然后采用非线性预测能力非常强的BP神经网络对其进行建模,并对房价进行预测.仿真结果表明,基于主成分分析的BP神经网络的房价仿真值与历史值的系统总误差只有0.52%,可作为房价预测的一种行之有效的方法.     

基于因子分析法的瓦斯涌出量预测指标选取

为解决瓦斯涌出量预测过程中存在的预测指标过多而导致预测精度降低的问题,构建因子分析与BP神经网络相结合的瓦斯涌出量预测模型。采用SPSS因子分析法对瓦斯涌出量影响因素进行了分析降维,并对BP神经网络模型进行训练及预测。结果表明:因子分析能使BP神经网络的输入变量从10个降为3个有实际含义的因子,经因子分析后预测模型的预测速度及精度均高于未处理的样本数据,预测性能明显改善,其平均误差为3.8%,最大误差为4.9%,表明所采取瓦斯涌出量预测指标的选取方法是可行和有效的。     

采空区危险性评价方法优化

为了更合理精确地评价采空区危险性,对利用神经网络评价的方法进行优化,建立主成分分析法与神经网络结合的采空区危险性评价模型.从地质和工程条件出发,综合考虑影响采空区稳定性的13项主要因素,统计样本数据.运用主成分分析法对影响采空区稳定性的样本进行预处理,将分析结果作为神经网络的输入数据,减少输入变量,消除变量之间的相关性,从而加快数据处理速度,提高预测精度.将该方法应用于锡矿山的采空区危险性评价.结果表明,预测误差在8％以内,较未经主成分分析的神经网络预测精度有了很大提高.利用主成分分析法和神经网络结合建立的采空区危险性评价模型具有分析速度快、预测精度高等优点.该方法科学合理,为采空区危险性评价提供了一种更完善的评价体系.     

基于最小二乘支持向量机的风速组合预测模型

探讨了基于最小二乘支持向量机的组合预测模型在风速短期预测中的可行性.该模型以BP神经网络、RBF神经网络、粒子群BP神经网络3种预测模型的风速预测值作为组合预测模型的输入,实际风速值为输出,利用最小二乘支持向量机回归算法构造风速间的非线性关系,以实现风速多步预测.将该模型的预测性能与BP神经网络组合预测模型、线性组合预测模型进行比较,通过平均绝对误差、误差平方和、平均相对误差3个指标进行评价.结果表明,最小二乘支持向量机预测模型的平均相对误差低于6%,其他误差指标也明显低于其他预测模型.因此,最小二乘支持向量机组合预测模型预测精度不仅高于任一单项预测模型预测精度,而且高于传统的线性组合预测模型与一般BP神经网络组合预测模型.验证了该模型在风速预测中的可行性.     

PCA-BP在回采工作面瓦斯涌出量预测中的应用

为对回采工作面瓦斯涌出量进行准确预测,运用主成分回归分析以及BP神经网络原理和方法,结合现场实测数据,采用多元统计分析软件SPSS处理相关数据,研究影响回采工作面瓦斯涌出量各因素间的相关关系并提取主成分,以确定BP神经网络中的输入参数,建立BP神经网络进行预测.利用PCA-BP神经网络方法建立瓦斯涌出量预测模型.研究结果表明:采用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%,较其他预测模型有更高精度.对降低事故发生率和矿井延深水平的回采工作面瓦斯涌出量预测具有较好的指导作用.     

改进灰色神经网络的作动系统功率预测

为提高飞机上作动系统的功率预测精度,建立了改进的多变量灰色神经网络预测模型。考虑了对系统功率需求有较大影响的相关因素,采用主成分分析法提取综合变量作为输入,在提升准确性的基础上有效减少了输入维数;在利用递增方式对初始值进行选择的过程中,引入粒子群优化算法快速求解最优初始值和背景值,模型预测的平均误差由13.35%降为7.53%;考虑到序列波动对预测精度的影响,采用BP神经网络对预测值进行误差修正,进一步将模型的平均预测误差降为4.07%。仿真实验表明,含主成分分析的改进灰色神经网络对飞机作动系统的功率有较高的预测精度,有利于飞机的电能调度。     

基于PCA-Rprop神经网络的建筑业上市公司退市风险预警研究

针对标准BP神经网络仅从预测误差负梯度方向修正权值和阈值,存在学习算法收敛速度满、容易陷入局部最小值从而导致模型泛化能力不足的问题.本文提出了一种基于误差反向传播算法(back-propagation algorithm,BP)改进的弹性反向传播算法(resilient back propagation,Rprop),并与主成分分析法相结合,形成了PCA-Rprop神经网络算法.同时,构建包含财务变量和非财务变量的预警体系,运用Matlab软件对我国195家建筑业(涉及房地产概念)上市公司进行退市风险预警实证分析,实证结果表明PCA-Rprop神经网络算法的退市风险预警准确性相较于标准BP神经网络算法和支持向量机模型分别提高了7.03%和10.29%.因此,该模型有望为利益相关者的风险管控和投资决策提供较好的参考依据.     

G-BP算法在烧结矿FeO指标预测中的应用

实现烧结过程工艺参数的优化,首先要进行烧结矿质量预测·采用遗传算法与BP神经网络相结合的方法,建立了烧结矿FeO含量预测模型,并改进BP学习算法·仿真表明,该方法可以优化神经网络结构,缩短学习时间·与传统的BP神经网络模型相比,预测值与实际值间的相对误差由6534%降低至1400%,其精度高于传统BP网络模型·该方法为实现在线预测奠定基础·     

基于主成分分析的短期PV/T组件温度预测

为进一步提高光伏/光热(photovoltaic/thermal,PV/T)综合利用系统中PV/T组件温度预测精度,该文采用主成分分析法对原始输入样本数据进行预处理,提取主成分,并利用遗传算法优化BP神经网络结构,对组件温度数据建立预测模型。仿真结果表明,相对于未经主成分提取的神经网络,该方法使得网络模型在晴天和多云天气条件下的预测精度分别提高了7.68%和4.97%,使得网络模型预测精度更高,泛化性能更强。     

PCA-BP神经网络在回采工作面瓦斯涌出量预测中的应用

为对回采工作面瓦斯涌出量进行准确的预测,运用主成分回归分析以及BP神经网络原理和方法,结合现场实测数据,采用多元统计分析软件SPSS(Statistical Product and Service Solutions)处理相关数据,研究了影响回采工作面瓦斯涌出量影响因素间的相关关系并提取主成分,以确定BP神经网络中的输入参数,从而建立BP神经网络进行预测.并利用PCA-BP神经网络的方法建立了瓦斯涌出量预测模型.研究结果表明:采用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%,较其他预测模型有更高精度.对降低事故发生率和矿井延深水平的回采工作面瓦斯涌出量预测具有较好的指导作用.     

基于主成分分析-BP神经网络的风电备件需求预测

风电机组具有结构复杂,运维困难,且长期处于恶劣的工作环境的特点。风电备件的需求预测有助于为风电场配备最合适的备件数,以确保风电场的平稳、高效运行。本文以某企业近五年的齿轮需求数据为例,应用主成分分析(PCA)降低几个影响因素的维度,得到复合变量,然后应用BP神经网络算法,构建预测模型;比较ARIMA模型、BP神经网络预测和PCA-BP神经网络预测的结果。表明：主成分分析法(PCA)能显著降低神经网络预测误差,预测的精度为93.94%,高于BP神经网络预测的88.39%和ARIMA模型的85.31%,所以PCA-BP神经网络模型的预测精度准确且有可靠结果,能够适用风机备件的需求预测。