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。     

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PCMRA-SVM的采煤工作面瓦斯涌出量预测

为了准确、快速地预测采煤工作面瓦斯涌出量,针对瓦斯涌出系统的特点,提出了一种基于PCMRA-SVM的瓦斯涌出量预测模型。以钱营矿的25组瓦斯涌出量观测数据进行仿真实验,并与BPNN、SVM、CIGOA-ENN方法的预测结果进行对比。结果表明:PCMRA-SVM模型的最大、最小和平均相对误差分别为4.06%、0.02%和1.73%,均优于CIGOA-ENN、SVM、BPNN,验证了所提出模型的有效性、可靠性及准确性。     

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RS GA ELM的矿井瓦斯涌出量预测

为了对煤矿井下瓦斯涌出量进行预测,采用粗糙集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粗糙集数据约简的优点,充分利用极限学习机训练速度快、具有良好泛化性能的特点,并结合遗传算法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。在实际应用中选取煤层瓦斯含量、煤层埋藏深度、煤层厚度、煤层间距、工作面日产量五个因素作为预测的影响参数。研究结果表明:该预测模型预测的最大相对误差为5687 1%,最小相对误差为0,平均相对误差为2582 7%,相比改进前的预测模型具有更强的泛化能力和更高的预测精度。     

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。     

掘进工作面瓦斯涌出规律研究

通过对潘一矿掘进工作面涌出量进行实测,对工作面瓦斯涌出来源及构成进行了分析。利用回归分析法,找出了工作面落煤、煤壁瓦斯涌出规律,为工作面的通风管理与安全生产提供了必要的技术指导。     

基于改进型支持向量回归的都市圈货运量预测研究

针对都市圈货运量影响因素众多、样本量小、信息冗余的特点,用主成分分析法构造条件属性,用反双曲正弦函数处理货运量构造决策属性,进而将条件属性和决策属性作为新的空间样本输入量,构建改进型支持向量回归模型来进行训练和预测。然后,以重庆都市圈货运量为实例进行验证,并同多种经典预测模型进行对比实验分析。分析结果表明:用预处理后重新构造的空间样本作为输入量构建的支持向量回归机预测模型不仅能对都市圈货运量进行有效预测,而且预测精度很高。     

基于T-S模糊神经网络的淋水井筒温度预测分析

随着矿井开采深度的增加,矿井井底风流温度的预测分析对矿井生产具有重要意义。通过分析影响井底风温的主要因素:地面大气压力、入风温度、入风含湿量以及井筒深度,建立了一种新的T-S模糊神经网络模型,利用MATLAB模拟实现了对井筒的井底风温预测分析。通过实例验证了该方法的可行性,结果表明该方法相比BP神经网络收敛速度快,预测精度高,拟合能力强,符合现场工程应用的需要。     

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     

基于主成分回归分析的瓦斯含量预测

为了增加多元回归模型预测的精度,将主成分分析与多元回归分析相结合提出了PCA—MRA模型,并将该模型用于实际瓦斯含量预测。结果表明,PCA—MRA模型消除了输入变量之间的相关性,减少了输入变量值个数,提高了预测精度,便于实际推广和应用,为瓦斯含量预测提供一种新的途径。     

基于主成分Fisher判别分析的矿井通风系统安全评价

应用统计学理论并结合对矿井通风系统经济性、安全性的要求,利用SPSS软件对学习样本进行主成分分析(PCA).有效的选取了主成分,然后对主成分进行Fisher判别分析(FDA),建立了主成分Fisher判别分析模型(PCA-FDA).运用模型对实际生产的矿井通风系统安全性进行判别,并与传统的Fisher判别模型及BP模型进行比较.研究结果表明:利用SPSS主成分判别模型能够有效地消除样本变量指标阃的相互影响,大幅减少计算时间,使矿井通风系统安全判别结果更加准确,便于实际推广和应用.     

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。     

六家煤矿WIIN1 6-7综放工作面瓦斯异常涌出综合治理研究

针对六家煤矿WIIN1 6-7综放工作面瓦斯涌出异常的现象，应用分源预测法预测了本工作面的瓦斯涌出量，得出其主要来源于上部顶板采空区；通过地面大气压力与井下瓦斯浓度的实测，分析其原因是由于地面大气压的变化。针对此特点采取了上部采空区钻孔抽放和本煤层采空区埋管抽放相结合的治理措施，并增加了注氮措施和采用三通和活塞的方法安装管路，取得了行之有效的效果。     

基于PCA-EBP神经网络的煤炭物流成本预测

为了科学、准确地对煤炭物流成本进行预测,针对煤炭物流成本影响因素之间存在信息重叠以及BP神经网络对多噪声样本和小样本问题预测结果较差等问题,提出了一种PCA-EBP神经网络模型。将所建立的模型用于内蒙古SH煤炭生产企业煤炭物流成本实际预测。结果表明:模型最大误差为1.748%,最小误差为0.0728%,平均误差为0.972%,均好于径向基神经网络(RBF)和支持向量回归机(SVR),预测精度较高,能够满足煤炭物流成本预测的实际需求,验证了所提出模型的有效性和可靠性。     

支持向量机在围岩变形监测中的应用

根据支特向量机优越的非线性拟合性能,建立变形量的时间序列预测模型,滚动预测围岩变形量,提高了预测模型的训练速度和预测推广能力。该方法用于西乡-固戍盾构段围岩变形预测,并与BP神经网络预测进行比较。结果表明这种模型可预测区间较长且具有较高的准确度,能够科学地指导现场施工和监测。     

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。     

改进果蝇优化算法优化广义回归神经网络的预测问题研究

为提高传统非线性预测模型的预测精度,提出一种基于改进果蝇优化算法优化广义回归神经网络的预测方法,将果蝇群体分两部分分别进行迭代寻优,从而改进了果蝇优化算法的寻优性能,进而避免了在寻优过程中陷入局部最优。该方法利用改进果蝇优化算法优化广义回归神经网络的径向基函数扩展参数,然后用训练好的广义回归神经网络预测模型进行预测,最后通过订单预测算例进行实证研究。实证研究结果显示,该方法在解决订单预测问题中与未改进的果蝇优化算法优化广义回归神经网络和传统的广义回归神经网络方法对比,具有更高的预测精度和更好的非线性拟合能力。     

基于MATLAB的煤与瓦斯突出BP网络预测方法

影响煤与瓦斯突出的各种要素与突出现象之间的关系复杂,且具有明显的非线性特点.BP人工神经网络模型可以很好地逼近这种非线性函数关系.基于煤与瓦斯突出特征指标的分析,建立了合理的单隐层结构的BP预测模型,并利用MATLAB神经网络工具箱实现了模型的训练与预测,应用结果表明,这种突出预测方法具有很高的计算效率和预测精度.     

瓦斯抽采钻孔横“T”连接结构的研究与应用

瓦斯抽采管路积水问题一直是影响矿井瓦斯抽采效果的重要因素。为解决这一问题,自主设计了瓦斯抽采钻孔横"T"连接结构,该结构将从抽采钻孔内排出的水消除在抽采管路的源头,避免水进入到抽采管路中。通过在陶二煤矿的现场应用,发现该结构可有效解决瓦斯管路积水问题,并显著提高瓦斯抽采效果,使抽采总管路瓦斯抽采浓度由15%提高到25%以上,提高了近1倍;平均单孔瓦斯抽采浓度达到55%以上,矿井年瓦斯抽采量达到近700万m~3,瓦斯抽采率达到40%以上,为消除瓦斯事故,实现矿井的安全生产提供了保证。