概率神经网络在煤与瓦斯突出中的应用

为准确预测矿井煤与瓦斯突出的危险性,针对小样本情况下BP神经网络泛化能力低的缺点,采用概率神经网络对煤与瓦斯突出的危险性进行预测.该模型的预测准确性高,能有效地预测煤与瓦斯突出的危险性.     

煤与瓦斯突出灾害的预测枛——基于遗传和BP算法

分析了煤与瓦斯突出的非线性动力系统特性和因素指标,利用神经网络的BP算法解决突出的主要性能指标和突出灾害等级的非线性网络连接.特别是利用遗传算法的全局优化能力, 对神经网络的连接权值、拓扑结构等进行进化操作,设计出具有较好性能参数和全局搜索能力的神经网络模型, 同时神经网络也可用于遗传算法的进化训练.遗传算法和神经网络的融合优化了煤与瓦斯突出灾害预测模型,并且该方法对其它灾害预测也有借鉴意义.     

煤与瓦斯突出声发射的神经网络预测方法

以自适应神经网络的基本原理为基础,以声发射总事件、大事件、能率时间序列为基础数据,将神经网络模型应用于煤与瓦斯突出危险性预测.应用结果表明,煤与瓦斯突出声发射神经网络预测法具有预测方法简单、准确性高等特点,可应用于工作面煤与瓦斯突出危险性的预测.     

煤与瓦斯突出灾害的预测——基于遗传和BP算法

分析了煤与瓦斯突出的非线性动力系统行性和因素指标，利用神经网络的BP算法解决突出的主要性能指标和突出灾害等级的非线性网络连接，特别是利用遗算法的全局优化能力，对神经网络的连接权值、拓扑结构等进行进化操作，设计出具有较好性能参数和全局搜索能力的神经网络模型，同时神经网络也可用地遗传算法的进化训练，遗传算法和神经网络的融合优化了煤与瓦斯突出灾害预测模型，并且该方法对其它灾害预测也有借鉴意义。     

遗传算法的BP网络模型进行瓦斯涌出量预测

从提高采煤工作面瓦斯涌出量预测的速度和精度入手,将遗传算法与神经网络2种非线性最优化算法的优势加以融合,提出了一种利用遗传算法同时优化BP网络的连接权和拓扑结构的网络模型,并以韩城下峪口煤矿为例,进行了实际应用。结果表明:改进后的BP网络模型预测精度较高,具有良好的应用前景。     

基于优化的GA-BP及其在葡萄酒质量预测的应用

针对BP神经网络模型在输入时因随机产生的权值和阈值导致模型的训练精度不高、泛化能力不强的问题,提出一种基于自适应遗传算法优化BP神经网络的方法.遗传算法在寻优方面有很好的效果,采用遗传算法优化BP神经网络的权值和阈值来提高模型的训练效率,并对神经网络的学习率进行优化,建立GA-BP网络预测模型,用于葡萄酒质量预测.结果表明,对比于传统的BP神经网络,基于自适应遗传算法优化的BP神经网络的模型在精确度上更高,模型的泛化能力也更好,对于葡萄酒加工企业具有实际参考价值.     

粗糙集-改进神经网络落煤瓦斯涌出量预测

为对井下落煤瓦斯涌出量进行预测,采用粗糙集与改进神经网络相结合的方法,在样本数据的筛选上吸取粗糙集数据约简的优点,使选择的数据样本简洁且更具代表性;充分利用BP神经网络的非线性拟合能力,将遗传算法与其相结合,避免BP网络陷入局部最优.利用编写的程序确定隐含层节点数,相比以往经验公式取值更具优势.最后在任家庄煤矿成功应用.研究结果表明:利用粗糙集与改进神经网络相结合模型进行预测,结果准确可靠,克服了以往BP模型的不足.该模型对井下落煤瓦斯涌出量预测具有一定参考价值.     

遗传算法与BP神经网络的结合在瓦斯突出风险预测中的应用

该文针对煤与瓦斯突出风险预测问题,利用BP神经网络建立预测模型,通过遗传算法对神经网络的权值和阈值优化,提高网络预测的精度。利用采集的前10组数据对网络进行训练,利用11~20组数据对预测模型进行检验,并且将检验结果与自适应BP神经网络的预测结果进行比较。结果表明:遗传算法与网络预测模型结合后的预测值跟实测值的绝对误差由原来的-0.011 9~0.200 0缩小到-0.001 3~0.061 1,提高了预测精度。     

遗传算法BP神经网络在变形监测中的研究

介绍了BP神经网络和遗传算法的概念和基本理论,详细阐述了遗传算法优化的BP神经网络和BP神经网络这两种神经网络模型,深入分析了两种模型在基坑水平位移监测的数据预报,指出了遗传算法优化的BP神经网络模型具有更好的预测效果.     

煤与瓦斯突出预测灰色理论-神经网络方法

将灰色理论-神经网络方法应用于煤与瓦斯突出预测中,利用灰色系统理论的灰色关联法确定了控制矿井煤与瓦斯突出的主控因素,并对煤与瓦斯突出主控因素进行筛选. 建立了煤与瓦斯突出危险性预测人工神经网络的数学模型和系统结构. 在平顶山八矿突出区进行了煤与瓦斯突出危险性预测应用,预测效果表明:利用灰色系统理论-神经网络方法对预测矿井煤与瓦斯突出是可行的.     

基于人工神经网络的突出矿井分级方法

应用人工神经网络理论与方法建立了突出矿井分级的BP网络模型 ,并用该模型对部分突出矿井进行了突出危险等级划分尝试。结果表明 ,该方法较为简便、分级可判性强 ,用于突出矿井分级是可行的。     

基于SDCQGA优化BP神经网络的岩石可钻性建模

针对智能钻井优化控制过程中岩石可钻性提取存在的建模难、非实时性、精度差等问题,提出基于自适应双链量子遗传算法优化BP神经网络结构的岩石可钻性提取建模方法.依据目标函数在搜索点处的变化率,建立了快速自适应双链量子遗传算法;采用新算法优化BP神经网络结构,以克服BP神经网络受初始权值/阀值影响和泛化能力差的问题.通过对邻近钻井区域的大量测量数据和实验数据的统计分析和预处理,建立岩石可钻性提取模型,有效地解决了复杂地形岩石可钻性提取难的问题.对不同岩性的可钻性参数提取实验结果证明,该建模方法不仅提高了参数提取的精度和模型的泛化能力,而且在相邻实际参数提取时,具有很好的实时性和适应性.     

Matlab在工作面煤与瓦斯突出预测中的应用

考虑到煤与瓦斯突出发生的内在机理的复杂性,突出影响因素与突出事件之间的非线性,阐述了人工神经网络的原理和算法,在分析了煤与瓦斯突出的主要影响因素的基础上,依据功能强大的matlab神经网络工具箱,采用BP人工神经网络模型,通过训练得到了影响突出因素与突出事件之间的关系,为突出非线性动力机制及预测提供了新的途径.实例表明,Matlab神经网络工具箱用于煤与瓦斯突出预测是可行的.     

改进的BP算法在电力系统短期负荷预测中的应用

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,分析传统BP算法的不足,提出一种基于Levenbery-Marquardt优化法的BP模型学习算法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同类型的负荷差异,并对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度。     

钻屑量与钻屑瓦斯解吸指标在防突预测的应用

针对井下复杂环境因素对煤与瓦斯突出危险性预测指标确定的影响和预测指标确定的要求,着重研究了钻屑量与钻屑解吸指标在煤与瓦斯防突中的应用及钻屑瓦斯解吸指标之间的关系,分析了突出危险性预测中影响单指标值测定误差的常见因素,并在此基础上提出了一些指标测定中应该注意的事项和减少误差的措施.     

建立在神经网络基础上的煤矿突水预测模型

基于煤矿底板突水机理分析,利用BP神经网络具有分布式记忆、自学习、自适应性等特点,建立煤矿突水预测模型.实例表明,神经网络可以取得满意的预测精度,预测的结果更加可靠.     

PM2.5浓度预测模型的应用

空气中PM2.5浓度问题越来越受到各界的关注。根据PM2.5浓度数据的特征,首先选择ARIMA预测模型进行浓度预测;考虑到BP神经网络易陷入局部最小,而遗传算法具有全局搜索的能力,给出了遗传算法优化的BP神经网络预测模型;为了进一步提高预测精度,引入IOWGA算子,将ARIMA预测模型与遗传算法优化的BP神经网络预测模型相组合,给出了基于IOWGA算子的组合预测模型;最后经过实例仿真分析验证了模型的可行性和有效性,为PM2.5浓度预测提供基础资料。