基于人工蜂群算法优化支持向量机的 采场底板破坏深度预测

为确定合理的底板防水煤岩柱尺寸,减少底板突水安全事故的发生,利用支持向量机(SVM)与人工蜂群算法(ABCA)综合研究底板破坏深度问题。由于SVM训练参数惩罚因子C和核函数宽度g的选择对预测精度的影响显著,采用ABCA优化该训练参数的选择过程,建立基于SVM的底板破坏深度预测模型。选取采深、煤层倾角、采厚、工作面斜长、底板抗破坏能力和是否有切穿断层或破碎带作为影响底板破坏深度的主要影响指标,利用现场实测的30组数据作为样本对该模型进行训练和预测。结果表明:该预测模型的平均相对误差为12.5%,平均绝对误差为0.986m,均方误差为0.005,平方相关系数为0.980,较其他预测模型具有更强的泛化能力和更高的预测精度。     

小波神经网络煤矿井下涌水量影响因素挖掘与预测

合理预测矿井涌水量,及时有效制订排水方案,是保证井下人员安全生产及经济开采的需要。根据煤矿井下涌水量影响因素的不确定性,选取的平均影响值通过误差反向传播网络,确定涌水量各影响因素相关程度,实现涌水量影响因素的筛选。采用小波方法对涌水量进行分析,发现其相同的季节大致有相同的走势。依据小波中的时间聚合因子,建立了基于时间序列的小波神经网络短时预测模型,对某矿涌水量进行分析。结果表明:涌水量预测最大绝对误差为4.179 7m3/d,最大相对误差为2.079%,最小绝对误差为0.000 5 m3/d,最小相对误差为0.000 2%;平均相对误差绝对值为0.482 3 m3/d,平均相对误差为0.285 7%,正确率平均达到了99.714 3%。预测指标满足了矿井涌水量排水的要求。     

西安市1971—2011年浅层地温与气温、降水的季节关系特征分析

选用西安1971—2011年的逐月气温、降水、浅层地温观测资料,研究各要素季节变化趋势以及要素间的相关性,并建立关系模型.得出结论:①近40年西安春季和冬季平均气温升温明显,夏季平均降水量增加率最大;四季各浅层平均地温除夏季呈降温趋势外,其余三季均呈升温趋势,春季升温最快.②近40年西安气温与各浅层平均地温呈明显的正相关;春季、夏季浅层地温与降水呈明显负相关,冬季浅层地温与降水相关性不大.③建立四季地温与气温、降水的季节关系模型,并通过验证,得出冬季浅层地温与同期气温的拟合关系最好.     

改进灰色模型与偏最小二乘耦合预测城市需水

采用易于辨识系统信息与噪声的单因变量偏最小二乘回归(PLS),建立7个具有高度相关性的自变量与单因变量间线性回归关系;同时,运用二阶弱化算子对灰色预测模型进行改进后将灰色模型与偏最小二乘回归预测模型相耦合.使用matlab7.0以及PEW软件对重庆市北碚区1996—2007年需水量进行计算,计算结果平均相对误差仅为0.82%,预测北碚区2015年和2020年需水量分别为2.38亿m3和2.64亿m3.该模型不仅克服了传统最小二乘回归中自变量的多重相关性,也弱化原始数据误差,预测准确度高.     

基于最小二乘支持向量机的风速组合预测模型

探讨了基于最小二乘支持向量机的组合预测模型在风速短期预测中的可行性.该模型以BP神经网络、RBF神经网络、粒子群BP神经网络3种预测模型的风速预测值作为组合预测模型的输入,实际风速值为输出,利用最小二乘支持向量机回归算法构造风速间的非线性关系,以实现风速多步预测.将该模型的预测性能与BP神经网络组合预测模型、线性组合预测模型进行比较,通过平均绝对误差、误差平方和、平均相对误差3个指标进行评价.结果表明,最小二乘支持向量机预测模型的平均相对误差低于6%,其他误差指标也明显低于其他预测模型.因此,最小二乘支持向量机组合预测模型预测精度不仅高于任一单项预测模型预测精度,而且高于传统的线性组合预测模型与一般BP神经网络组合预测模型.验证了该模型在风速预测中的可行性.     

基于滑动窗口的LSTM地温预测方法

为了连续预测未来多日的日平均地温,采用LSTM和滑动窗口(SW)相结合的方法,以7天为周期更新输入参数,实现连续预测.分析成都市近50年的地温数据的关系发现,日平均地温与前几日平均地温呈现较强的正相关关系,但在夏季这种关系较弱.进一步根据季节特点建立了5个预测模型,分别为:全年、春季、夏季、秋季和冬季.结果表明,冬季模...     

基于气象参数的轨道板竖向温度梯度预测模型

传统基于热力学的混凝土结构温度场分析方法存在着假设过多、参数取值困难、计算能耗过大的缺点.为研究轨道板竖向温度梯度分布规律,结合轨道板温度场的长期观测数据,建立误差反向传播的多层人工神经网络,选用易于取得的气象参数作为训练样本,对轨道板竖向温度梯度进行预测,并采用实测数据验证其准确性.在此基础上研究了日温差、日照时数和风速对轨道板竖向温度梯度的影响规律.研究表明:采用日温差、日平均风速和日照时数3种气象参数作为训练样本,所建立的4-16-1结构人工神经网络预测结果最大误差为2.0℃,平均相对误差为0.38%,可准确预测轨道板竖向温度梯度,且具有较好的鲁棒性;各气象参数与轨道板竖向温差之间存在着复杂的非线性映射关系,总体而言,日照越强,风速越高,轨道板竖向温度梯度越大;对我国中部地区而言,轨道板竖向温度梯度为-2~10℃.     

PCA-BP神经网络在回采工作面瓦斯涌出量预测中的应用

为对回采工作面瓦斯涌出量进行准确的预测,运用主成分回归分析以及BP神经网络原理和方法,结合现场实测数据,采用多元统计分析软件SPSS(Statistical Product and Service Solutions)处理相关数据,研究了影响回采工作面瓦斯涌出量影响因素间的相关关系并提取主成分,以确定BP神经网络中的输入参数,从而建立BP神经网络进行预测.并利用PCA-BP神经网络的方法建立了瓦斯涌出量预测模型.研究结果表明:采用PCA-BP神经网络方法的预测值与实际值最大相对误差为2.820%,最小相对误差为2.036%,平均相对误差为2.357%,较其他预测模型有更高精度.对降低事故发生率和矿井延深水平的回采工作面瓦斯涌出量预测具有较好的指导作用.     

PCA-BP在回采工作面瓦斯涌出量预测中的应用

为对回采工作面瓦斯涌出量进行准确预测,运用主成分回归分析以及BP神经网络原理和方法,结合现场实测数据,采用多元统计分析软件SPSS处理相关数据,研究影响回采工作面瓦斯涌出量各因素间的相关关系并提取主成分,以确定BP神经网络中的输入参数,建立BP神经网络进行预测.利用PCA-BP神经网络方法建立瓦斯涌出量预测模型.研究结果表明:采用PCA-BP神经网络方法的预测值与实际值最大相对误差为2.820%,最小相对误差为2.036%,平均相对误差为2.357%,较其他预测模型有更高精度.对降低事故发生率和矿井延深水平的回采工作面瓦斯涌出量预测具有较好的指导作用.     

EKF-ENN算法在瓦斯涌出量预测中的应用

针对瓦斯涌出量的多影响因素预测问题,提出将扩展卡尔曼滤波算法与Elman神经网络有机结合并应用于瓦斯涌出非线性系统的动态辨识.带有整定因子的EKF滤波器通过实时对网络的权值、阈值进行全局寻优,建立基于EKF-ENN耦合算法的绝对瓦斯涌出量预测模型,利用矿井监测到的各项历史数据进行预测试验.研究结果表明:该模型的预测平均相对误差为1.67%;平均相对变动值ARV为0.000 768 1.EKF优化后的Elman神经网络预测模型相比于其他预测模型,具备更高的预测精度与更强的泛化能力.