人工神经网络在矿井突水预报中的应用

突水预报是一项重要的矿井水文地质工作。借助于人工神经网络在处理非线性问题或非结构问题方面的优势，采用BP算法，基于大量矿井突水样本实例建立了突水预报神经网络模型，并将该模型用于实际预报，并取得了较好的效果。结果表明，模型具有较强的实用性。为了提高模型的预测精度，在训练样本的选择上还应具有一定的代表性。     

煤层底板突水预报人工神经网络系统的研究

将人工神经网络技术应用于肥城煤矿区煤层底板突水预报中 ,并且开发研制成突水预报人工神经网络系统。人工神经网络的建模过程体现在它的训练学习中 ,它具有知识的自动获取功能 ,对突水预报问题可适性强 ,效果良好 ,易于推广。     

煤层底板突水预报人工神经网络系统的研究

将人工神经网络技术应用于肥城煤矿区以底板突水预报中，并且开发研制成突水预报人工神经网络系统，人工神经网络的建模过程体现在它的训练学习中，它个有知识的自动获以功能，对突水预报问题可适性强，效果良好，易于推广。     

人工神经网络在苏州空气污染预报中的应用

人工神经网络在预测预报领域的应用越来越广泛。简单介绍了BP神经网络的基本原理,较详细地回顾了国内BP神经网络在空气污染预报领域的研究应用情况,并建立了苏州市区SO2浓度预报的BP神经网络,预报结果表明:该模型具有简便、快速、准确的优点,可推广用于其它空气污染物的预报。     

延迟BP算法在洪水预报中的应用

针对现有洪水预报神经网络结构难以确定的问题，应用一种在训练中包含有延迟功能的BP算法，建立了延迟神经网络。实验研究表明，该算法在盘石头水库的应用中取得了令人满意的结果。     

采煤工作面底板突水的预测预报方法

采煤工作面底板突水预测、预报是在工作面采动过程中,通过监测煤层底板岩层内部一些参数值变化来分析、预测底板突水的可能性。本文着重介绍了该方法的基本原理和实际应用。     

ACPSO-BP神经网络在矿井突水水源判别中的应用

矿井多年来的连续开采使各含水层水质特征变得更加复杂、更为接近,应用经典数学方法难以建立精确的判别模型,使用具有非线性映射功能的BP神经网络可以克服以上问题,但其仍然具有易陷入局部最优和收敛速度慢缺点。通过将"早熟"判断机制、Tent混沌映射以及权重自适应调整策略引入粒子群算法中,建立基于自适应混沌粒子群算法和BP(ACPSO-BP)神经网络突水水源判别模型,应用结果表明:与BP神经网络模型、基于标准粒子群算法和BP(SPSO-BP)神经网络模型相比,ACPSO-BP神经网络模型具有收敛速度快、精度高和泛化能力强的特点。     

浅谈矿井突水原因及其防治

矿井突水现象在我国煤矿生产部门是普遍存在的,特别是在华北、东北、华南尤为严重。因此我们不断分析研究各种突水现象的原因、机理,总结矿井突水规律,进行突水预测,这对下一步煤矿安全生产具有重要的意义。     

基于遗传BP神经网络的矿井突水水源识别

为了快速有效识别矿井突水水源,消除矿井水害,综合考虑各种水化学离子在水源识别中的重要性,选择Na~++K~+、Ca~(2+)、Mg~(2+)、Cl~-、SO_4~(2-)、HCO_3~-等6种水化学离子作为识别因子,提出了一种基于遗传算法优化BP神经网络的矿井突水水源识别方法.在同样的训练样本和待测样本下,将该方法的识别效果与BP神经网络、距离判别法、Bayes判别法等方法的识别效果进行比较.仿真结果表明该方法收敛速度更快,识别精度更高.     

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.     

矿井突水水源判别的改进ESN神经网络模型

针对水化学特征相似的水源类型,采用传统的预测模型难以准确判别。运用水化学成分分析法和FCM聚类分析法对26个典型的水源样本进行相似度分析,并提取了4个相似度较高的水源样本作为待测样本,将其载入一种基于阻尼最小二乘正则化方法的GA_ESN判别模型,并与改进的GA_BP和标准GA_ESN模型的判别结果进行对比。结果表明:改进的GA_BP判别模型效果最差,预测准确率只有50%;标准GA_ESN模型的回判准确率和预测准确率均达到100%,但其判别精度对模型的复杂程度要求较高,且易出现过拟合问题;而改进的GA_ESN判别模型能够弥补上述模型的不足,不仅简化模型训练过程,还能提高水源的判别精度。因此,该模型可作为一种快速有效判别矿井突水来源的新方法。     

BP神经网络的改进及其应用

在分析BP神经网络建模步骤的基础上,针对BP神经网络某些不足,提出了几点改进措施。首先对原始数据进行了非线性规格化;其次,提出了记忆式初始权值和阀值;最后以确定性系数最大为依据进行参数优选,并将改进后的BP神经网络应用于需水量预测。结果表明,改进后的BP神经网络不仅提高了BP神经网络预测的精度,而且加快了BP网络运行时的收敛速度。     

人工神经网络在地下水动态预测中的应用

应用人工神经网络中的BP算法，根据地下水动态的时间序列数据，建立地下水动态模型，对地下水动态进行模拟和预测，并与灰色－周期外延组合模型方法及数据处理组合方法的结果进行比较，结果表明，其预测精度较高，说明神经网络方法不仅简单、实用，又具有很强的处理地下水动态非线笥及周期性变化问题的能力，可以在地下水动态等方面广泛使用。     

高边坡施工期变形预测遗传神经网络模型

基于BP网络存在的不足,将遗传算法引入到BP网络模型中,建立了高边坡施工期相邻层开挖暂停阶段变形预测遗传神经网络模型,对边坡时效变形进行预测,并对预测的结果进行检验,结果表明模型取得较好的预测效果,可供类似工程参考使用.     

人工神经网络在水泵性能预测中的应用

分析了影响水泵机组性能变化的主要因素;根据泵性能与各因素之间的关系,利用BP人工神经网络构建了水泵性能的预测模型;以某轴流泵试验数据为样本,BP人工神经网络为工具,对轴流泵模型进行了泵扬程及效率性能指标与流量、叶片角度等相关因素间的性能预测研究.预测结果表明,将该模型用于轴流泵性能参数预测,不仅可以提高预测精度,而且可以缩短试验时间,降低试验成本.     

神经网络的应用与展望

基于对BP神经网络理论的基本分析,重点探讨了神经网络与遗传算法的结合。在此基础上,给出了神经网络的研究热点与发展方向。     

矿井涌水水源的主成分分析和BP神经网络判别

为准确判别矿井涌水水源,针对矿井各主要含水层的水化学特征数据样本,利用主成分分析法消除变量中的重复信息,采用BP算法对网络进行训练,实现对随机挑选样本的判别,并与Bayes判别结果进行比较.结果表明：主成分分析与BP神经网络相结合的方法判别涌水水源的正确率为82.35％,优于Bayes判别法.该研究为有效开展矿井防治水工作提供了参考.     

基于BP网络模型的青弋江水质预测研究

以水质因子CODCr为例,构建并训练BP神经网络预测模型,分别从空间和时间上对青弋江芜湖市区段水质进行预测,并用实际监测值检验预测精度.预测结果说明BP网络模型在青弋江水质的预测方面是一种简单有效的方法.