神经网络在采场浮煤自燃危险性预测中的应用

采用神经网络原理,结合煤炭自燃的影响因素建立起预测采场浮煤自燃危险性的神经网络预测模型,并给出了实例.预测结果表明,该模型对于预测煤炭自燃危险性具有一定的理论意义和实用价值.     

神经网络在煤低温自燃实验炉建模中的应用

将人工神经网络的非线性特性和信息的分布性用于煤低温自燃实验炉的模型辩识。结果表明，用人工神经网络来建立非线性静态模型是可行的。从而为煤低温自燃过程的建模提供了一条新的途径。     

开采煤层自燃倾向性的自组织神经网络预测

通过对开采煤层自燃机理的阐释,选取其主要影响因素作为判别指标,建立了开采煤层自燃危险性的自组织神经网络预测模型,并选用典型的样本对该神经网络进行了训练,尔后用测试样本进行验证,结果表明该方法具有很高的准确性。     

采面供风量与采空区遗煤自燃危险性关系分析

根据实验得出的规律和测试的数据，结合采煤工作面能够实测和掌握的信息资料，推断采空区氧化带范围，进而判断采空区遗煤自燃危险程度。     

多元回归分析在煤自燃预测中的应用

通过对不同煤样中决定自燃的成分进行工业分析,以及实验测得的自然发火期,运用多元回归分析的数学模型,建立了最短自然发火期预测回归方程,并对方程及其系数的显著性作了检验,进行了残差分析.通过此数学模型能直观的反映煤层自燃性与煤的灰分、挥发分、硫分和氧含量对煤层自燃发火期的影响关系,可定性用于煤自然发火期的预测.     

基于煤自燃倾向性的绝热氧化时间预测方法研究

针对煤自燃倾向性鉴定是一个模糊的等级概念,难以准确指导煤矿采取措施进行防灭火。提出了建立基于煤自燃倾向性的绝热氧化时间预测方法,即通过煤的自燃倾向性测试来预测其绝热氧化时间,用绝热氧化时间这种准确、直观的煤自然发火危险性判定标准来量化煤自燃倾向性,使其更具参考及指导意义。优选氧化动力学方法测试了10种典型煤样的自燃倾向性,并将其结果与实验条件下测量的绝热氧化时间数据进行曲线拟合,建立了基于煤自燃倾向性的绝热氧化时间预测方法。随后从煤氧化机理方面进行分析并进行实验验证,结果显示该模型是科学、合理的,能够清晰、准确地反映出煤的自然发火危险性。     

基于支持向量机分类算法的多煤种煤 自燃危险性预测

为了高效地防治煤矿井下煤自燃,在分析现有的煤自燃预测方法的基础上,针对性地开展了基于支持向量机分类算法的煤自燃危险性预测研究.选取指标气体(氢气、一氧化碳、二氧化碳、甲烷、乙烯、乙烷)、气体浓度比值(烯烷比、Graham系数)和煤炭种类(褐煤、长焰煤、气煤、肥煤、焦煤、贫煤、无烟煤)作为特征指标,危险等级作为样本标签,建立了多煤种支持向量机煤自燃危险性预测模型.使用K-CV(K折交叉验证)法和网格搜索法、遗传算法、粒子群算法相结合的方式进行参数寻优,得出由网格搜索法确定的参数的模型分类准确率最高.将测试集带入模型进行检验,得出模型分类准确率为98.26%.最后将多煤种支持向量机模型与单煤种支持向量机模型和神经网络进行对比,得出多煤种支持向量机性能最优,能够很好地适用于现场煤自燃预测.     

BP神经网络在水华短期预测中的应用

为解决影响因素多、作用关系复杂的水华预测问题,将BP神经网与水体环境因子的高频实测数据相结合,构建了巢湖水华的短期动态预测模型,该模型准确地预测了每次水华发生的时间,预测值与实际观测值相关系数可达0.608 4;在分析BP神经网络自身局限性的基础上,研究了建模过程中输入输出数据预处理、网络结构设计、训练模式选择等问题,给出了水华预测中确定环境因子和建模方案的具体方法.该方法容易移植到其它湖库,提高了模型的实用性和通用性.     

神经网络在波罗的海运价指数预测中的应用研究

波罗的海运价指数一直受到航运与国际贸易界的高度关注，研究波罗的海运价指数的波动规律，探讨其发展变化趋势日益为人们所重视．当前对波罗的海运价指数的预测主要采用时间序列方法，这些方法计算过程复杂，而且适应性相对较弱．利用BP网络强大的非线性映射功能，建立了一个预测BFI走势的模型，分别从短期与中长期对波罗的海运价指数进行预测，并用实际数据进行了验证，结果表明，利用神经网络对BFI进行预测具有很高的预测精度．     

W-RBF神经网络模型在中药材价格预测中的应用

中药材作为一种特殊的农产品,其价格态变化过程呈现出高度复杂的非线性特征,增加了中药材价格预测的难度.通过研究影响中药材价格的主要因素,并在分析传统价格预测方法的基础上,针对中药材价格变化具有随机性、突变性和非线性的特点,通过小波和RBF神经网络结合构建一个中药材价格预测模型(W-RBF).采用W-RBF神经网络模型对白芍价格进行预测,并将预测结果与RBF神经网络模型预测结果做了比较.实验结果说明,W-RBF神经网络模型预测准确率明显提高,比RBF神经网络模型更具优越性.     

基于神经网络模型的采场巷道收敛预测研究

根据余化寺矿的生产实际情况，分析影响巷道围岩收敛的主要因素，利用神经网络的非线性、学习和记忆等功能，建立了针对采场巷道收敛的神经网络预测模型、通过对采场巷道围岩收敛的现场监测，采用训练样本训练网络模型，并用检验样本对模型进行检验，预测模型性能好，预测精度高。     

基于Elman神经网络的动力配煤发热量及着火温度的预测

针对采用实验法测定电厂动力配煤的发热量和着火温度存在操作繁琐和信息滞后较大等不足,建立Elman神经网络预测模型.该网络模型在学习过程中确定混煤的发热量和着火温度与单煤的水分、灰分、挥发分之间的非线性映射关系.模型利用单煤的水分、灰分和挥发分含量直接预测混煤的发热量和着火温度,预测结果误差较小.利用置信区间分析法对预测模型的预测效果进行检验.研究结果表明:预测模型具有较高的可靠性和置信度.     

数值模拟在煤自燃控制中的应用

对描述煤自燃过程温度场和氧浓度场的微分方程组采用控制容积积分法进行离散。解算代数方程时采用了温度场和氧浓度场异步耦合及块修正技术和ＡＤＩ技术。自行编制了模拟ＸＫ型煤自燃实验台的ＣＬＴＣＳ程序并进行了试算。     

自适应神经网络在瓦斯含量预测中的应用

筛选出了影响瓦斯含量的主要地质指标，利用自适应神经网络技术建立了瓦斯含量的预测模型，在实验室实验数据的基础上，对预测模型进行训练、检验。结果表明：此方法可行，模型可靠，计算精度高，具有较大的实用价值。扩大了神经网络技术的应用范围，探索出了建立瓦斯含量预测模型的有效途径，充实了瓦斯含量预测基础理论。     

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.     

量子化学方法在煤自燃机理方面的应用及进展

煤中自由基是诱发煤自燃的首要因素之一,有效防止煤自燃的实质便是抑制煤中活性自由基对氧化反应的促进作用。系统地总结了煤中活性自由基——含氧自由基和脂肪族烃基在煤自燃过程中的反应,并指出目前研究煤自燃机理的不足,如煤分子模型类型单一,且多仅考虑煤中含氧自由基的反应过程,并未将含氧自由基、煤中缺陷和杂原子同时存在下的反应进行研究;指出目前的研究多集中于CO₂、H₂O和CO的生成路径,未对煤自燃产生的SO₂、H₂S等有毒气体进行很好的解释。从煤中活性自由基角度,针对性分析了制备抗氧化剂的应用研究,这是未来制备绿色高效阻燃剂的有效路径。提出了可从煤有机显微组分分子结构进行研究,不同显微组分的理化性质各不相同,因此,查明不同煤中的显微组分至关重要,特别是其内部活性自由基的类型。     

人工神经网络在煤氧化性预测方面的应用

提出利用人工神经网络技术进行煤氧化速率定量预测的新方法。根据对煤自燃的实际特点和基本规律的综合考虑，研究了影响因素的选取、煤氧化速率预测模型的建立等问题。采用BP神经网络算法对煤氧化速率进行了建模。结果表明，用神经网络模型对煤氧化速率进行模拟预测，具有理论上的可行性和现实意义，说明人工神经网络技术在煤氧化速率预计领域中具有实用价值。     

变焦遗传算法优化RBF神经网络在稻瘟病预测中的应用

针对水稻稻瘟病的非线性特性,利用改进后的变焦遗传算法(ZGA)来优化RBF神经网络连接隐层节点的权值和阈值。它综合了变焦遗传算法的收敛速度快、精度高和RBF神经网络逼近精度高、学习速率快等特点建立系统预测模型。经过对2002—2011年间水稻稻瘟病的预测分析,得出此方案的预测精度高达96.57%,验证了其预测模型的有效性。     

主成分神经网络模型在疾病预测中的应用

针对在医学卫生领域,疾病受到许多因素的影响,很难用结构式的因果模型加以解释的问题,根据神经网络来预测是一种行之有效的方法。径向基函数(RBF)神经网络应用于疾病的月发病人数预测时,由于影响它的气象因素:月平均气压,月平均气温,月平均相对湿度,月平均风速,月平均降水量本身具有很大的相关性,且维数较高,RBF神经网络的预测精度会下降,针对这一问题,文中提出了利用主成分分析(PCA)方法对原输入空间进行重构,并根据各主成分的贡献率来确定网络结构,从而有效的解决了预测精度下降的问题。最后以2001年8月至2006年9月张家川支气管肺炎月发病人数的资料验证该方法的有效性。至此,应该充分考虑人在各时间段的发病特征,以便更有重点地进行健康防治工作,有效地降低支气管肺炎对人类的危害,保障人类的生活品质。     

双向Elman神经网络在卫星电池阵功率预测中的应用研究

针对神经网络预测电池阵功率存在的模型阶数难以确定及预测精度低下的问题，提出一种基于改进的Elman神经网络的双向预测模型。该模型利用关联层动态神经元的反馈连接，将未来预测网络和过去预测网络的信息进行融合。使网络对时间序列特征信息的记忆得到加强，从而提高预测精度。用该文提出的双向预测模型对电池阵功率进行预测，输入层仅需一个节点，不需事先对模型进行定阶。仿真预测表明，预测精度比单向模型明显提高，且网络具有较好的泛化能力。