神经树在煤与瓦斯突出预测中应用研究

由于煤与瓦斯突出影响因素之间存在着复杂的非线性关系,为准确预测煤与瓦斯突出的危险性,本文提出了基于柔性神经树的煤与瓦斯突出预潮模型,其中利用多表达式编程和粒子群优化算法分别优化了自身的结构及相关参数,使得神经树具有强大的预测和分类能力,与传统神经网络相比具有更加灵活的自动优化能力.通过采用实测数据对算法进行了验证. 结果 表明与常规预测方法相比较,该模型的预测准确性高,具有良好的适应性和有效性.     

突出煤样与非突出煤样低温氮吸附实验研究

为研究煤样吸附能力和煤与瓦斯动力现象的关系,针对突出煤与非突出煤的吸附能力差异问题,应用物理化学吸附仪对6组突出与非突出煤进行低温氮吸附实验,得到低温氮吸附等温线,运用BET吸附理论对实验数据进行分析。实验及分析结果表明:突出煤吸附量、拐点斜率、脱附滞后量大于非突出煤,突出煤吸附等温线变化趋势为单调递增,非突出煤样局部范围内出现下降趋势;突出煤样C值较非突出煤样C值低,突出煤样孔隙中的吸附质更容易脱附。以此为依据来判断煤是否具有突出性,可为预防煤与瓦斯突出事故提供技术方法。     

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-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。     

区域构造应力场对煤与瓦斯突出影响的数值模拟分析

依据地质动力区划方法,对鹤壁八矿进行Ⅰ～Ⅴ级活动断裂划分,确定了区域构造的特征。分析了煤层的顶板岩性和构造断裂特点,并在此基础上建立了构造应力计算模型。结合对矿区地应力测量和岩体应力状态分析,确定了岩体应力状态的分布规律。通过对结果的分析,认为区域构造应力场控制鹤壁八矿地应力的分布状态,从而决定煤与瓦斯突出呈区域性分布。确定了易发生煤与瓦斯突出的应力升高区的位置,为开采煤层时何时何地采取防突措施提供了科学依据。     

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。     

基于神经网络模型的紫外极光卵边界建模

极光卵的尺度大小和太阳风、磁层、电离层以及它们间的耦合过程有密切的联系,会随着空间和地磁环境的变化而变化.建立准确的极光卵边界预测模型对空间天气的预报以及了解日地关系具有重要意义.本文利用误差反向传播(back propagation, BP)神经网络和广义回归神经网络(general regression neural network, GRNN)两种神经网络模型对极光卵边界进行建模.结果显示GRNN的极光卵边界模型具有较高的准确性,赤道向边界预测平均绝对误差在0.77～1.20磁纬度(MLAT);极向边界预测平均绝对误差在0.83～1.39 MLAT.基于GRNN的极光卵边界模型预测准确性分别在极向边界和赤道向边界的整个磁地方时(MLT)上比BP神经网络的极光卵边界模型平均提高了0.74和0.73 MLAT,比多元线性回归模型平均提高了0.82和0.82 MLAT.而在模型的外推性方面, GRNN的极光卵边界模型的外推性优于BP神经网络的极光卵边界模型,与多元线性回归模型接近.     

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。     

基于预测滤波器的故障诊断方法研究

提出了基于预测滤波器的非线性系统的系统故障诊断的方法, 并且给出了这种方法的故障可检测性条件, 故障的误检率和漏检率, 以及故障检测时间的上界. 通过对一个二阶非线性系统进行的仿真验证了这种方法的有效性. 结果表明预测滤波器用于故障诊断时, 具有较快的速度、较低的误检和漏检率, 并且在故障发生后仍然具有对系统状态的跟踪能力. 该方法提供的实时故障估计还可以用于在线故障补偿.     

利用AR模型参数和BP神经网络辨识微震信号

利用AR模型参数和BP神经网络,针对矿山微震信号具有频带较宽、谱成分丰富的特性,提出了时不同频率范围的信号和噪声进行滤波处理的方法.利用该方法可将噪声与信号分离以及将不同频段信号分解,从而达到滤波的目的.实验结果表明,利用AR模型参数和BP神经网络能够有效去除微震异常信号的噪声,可应用于微震信号的预处理和微震预测.     

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。     

基于模糊C-聚类分析的回采工艺选择及MATLAB实现

煤矿生产中,各个回采工作面的地质条件是影响回采工艺选择的决定性因素,工作面回采工艺选择的合理与否,直接关系到煤炭开采的效率.由于地质因素的不确定性和模糊性,导致了在回采工艺方式选择问题上的复杂性.快速发展的模糊数学为分析这类问题提供了一个很好的解决办法.这里采用模糊数学中C-均值聚类对已采工作面进行分类,并利用分类结果对未采工作面选择何种回采工艺做出预测,这种复杂的计算过程借助了MATLAB逻辑工具箱中的C-均值聚类函数(FCM)来完成,使大量数据的分析得以实现,大大提高了数据处理的效率.     

基于BP神经网络的杭州湾北岸水下地形遥感反演研究

基于BP神经网络模型,利用同一时期的遥感影像和实测杭州湾北岸海图资料,构建了影像灰度值和水深值之间的单隐层BP神经网络模型,用以反演杭州湾北岸水下地形。结果表明,与传统的统计模型比较,所建神经网络模型反演地形的精度达84％。由此可见,基于影像灰度值和水深值建立的BP神经网络模型在反演海岸水下地形方面具有较强的应用价值。     

基于概率积分法和数值模拟的采空塌陷区对高速公路影响的预测

利用采煤引起的开采沉陷研究理论和概率积分法,以及ADINA三维模型的建立,结合已有采空区沉陷理论及经验公式和数值模拟对其进行综合分析,并选取合理的计算参数和建立基本数学模型.结果表明,概率积分法和数值模拟的综合分析能够比较准确预计煤层采动覆岩的剩余变形量,对于未来进行灾害的预测和采空塌陷区上高速公路的建设具有重要的意义.     

日径流预报贝叶斯回声状态网络方法

回声状态网络（ESN）相比传统递归神经网络,具有模型简单、参数训练速度快的特点．针对标准ESN因常采用线性回归率定模型参数容易出现过拟合问题,提出了基于贝叶斯回声状态网络（BESN）的日径流预报模型．该模型将贝叶斯理论与ESN模型相结合,通过权重后验概率密度最大化而获得最优输出权重,提高了模型的泛化能力．通过安砂和新丰江两座水库日径流预测实例表明,BESN模型是一种有效、可行的预测方法,与传统BP神经网络和ESN模型对比,进一步表明BESN模型具有更好的预测精度．     

煤矿瓦斯事故致因分析及模型构建

统计我国2008年煤矿安全事故原因,说明煤矿瓦斯事故是造成人员伤亡和财产损失的重大原因。分析煤矿瓦斯事故的发生机理,给出其特点及演化规律,从概率的角度阐述瓦斯事故高发的原因。据此构建煤矿瓦斯事故致因理论模型,并提出防范煤矿瓦斯事故再次发生的有效对策和措施,为煤矿安全管理和决策提供重要依据。     

Forecast covariances in the linear multiregression dynamic model

The linear multiregression dynamic model (LMDM) is a Bayesian dynamic model which preserves any conditional independence and causal structure across a multivariate time series. The conditional independence structure is used to model the multivariate series by separate (conditional) univariate dynamic linear models, where each series has contemporaneous variables as regressors in its model. Calculating the forecast covariance matrix (which is required for calculating forecast variances in the LMDM) is not always straightforward in its current formulation. In this paper we introduce a simple algebraic form for calculating LMDM forecast covariances. Calculation of the covariance between model regression components can also be useful and we shall present a simple algebraic method for calculating these component covariances. In the LMDM formulation, certain pairs of series are constrained to have zero forecast covariance. We shall also introduce a possible method to relax this restriction. Copyright © 2008 John Wiley & Sons, Ltd.     

Optimal forecast error as an unbiased estimator of abnormal return: A proposition

In the event studies, the accuracy of the abnormal returns assessment is highly dependent on the accuracy of the preceding expected return model. If the expected return model is inadequate, there is a possibility that a part of returns is labeled as abnormal returns even though they are not. Currently, we have a variety of options to set up an expected return model. To obtain unbiased abnormal returns, one should pay attention to the performance of the expected return model. In this research, we propose that the optimal forecast lemma can be consulted beforehand so that minimizing the optimal forecast error in the expected return model will yield unbiased abnormal returns. We introduce and prove a proposition that the optimal forecast error is an unbiased estimator for abnormal return. The proposition induces assessing the performance of abnormal return estimation to preemptively evaluate the out-sample forecast accuracy of the model employed. In an illustrative dataset, we examine various models. The approach requires preliminary computational effort; however, it is useful for accurately obtaining the abnormal return predictions.