逐步回归时间序列和RBF-ANN在降水预测中的应用

将逐步回归融入到时间序列预测模型的建立中,摒弃了传统的“考虑所有变量”模式,利用“有进有出”的形式,分清各因子主次关系,仅选用影响显著的变量建立预测方程。径向基函数人工神经网络(RBF-ANN)属于局部逼近网络,准确度高。以桦甸市五道沟站的月降水量和月蒸发量为例,分别用传统、逐步回归时间序列分析和RBF-ANN建立降水预测模型,并对比其精度。结果表明：传统、逐步回归时间序列及RBF-ANN模型的后验差比值分别为0.315、0.272、0.284,平均绝对误差分别为18.37、15.65、13.82 mm,有效系数分别为0.87、0.94、0.93,精度均满足要求,最后用逐步回归时间序列法预测了未来5年的月降水量和月蒸发量。     

基于CEEMD-BP模型的水文时间序列月径流预测

水文时间序列月径流预测在水资源的规划与管理方面具有重要的作用,由于径流序列的非线性和非平稳性,对其准确地进行预测较为困难. 本文基于1956—2013年青海湟水河流域月径流序列,将完备的集合经验模态分解方法（complete ensemble empirical mode decomposition, CEEMD）与BP神经网络组合进行月径流预测. 结果表明:组合模型CEEMD-BP和EEMD-BP相比于单一的BP神经网络,可以更好地保留原始数据的信息,预测效果更好,其中CEEMD-BP在组合模型中的预测精度更高,可用于水文时间序列月径流预测.      

综掘工艺在“三软”煤层中的应用

桃园矿71煤为“三软”煤层且富含水，为加快71 31风巷准备速度，采用综掘工艺施工，并分别尝试了几种支护方案，通过各个方案的比较和优化，确定了采用直腿U型钢、菱形金属网支护，配合锚索锁腿补强支护的方案。较好的解决了巷道单进不高，变形量大的难题，明显的加快了掘进速度，达到了减少投入、安全掘进的目的，创造了一定的经济效益和社会效益。