基于遗传算法优化BP神经网络的瓦斯浓度预测研究

为了提高瓦斯浓度预测的精度和稳定性,提出了将遗传算法(GA)与BP神经网络结合的预测方法。利用BP神经网络能以任意精度逼近非线性函数的优点,结合遗传算法的全局搜索能力,优化神经网络权值和阈值,建立GA—BP混合算法模型预测瓦斯浓度。实验结果表明,GA—BP算法与BP神经网络相比,具有较高的预测精度和较强的稳定性。     

基于小波分析及BP神经网络的瓦斯浓度预测方法研究

提出了一种基于小波分析与BP神经网络的矿井工作面瓦斯浓度预测算法,综合利用了小波分析算法的信号去噪作用以及BP神经网络可以拟合任何非线性系统的能力,并采用Matlab软件实现了该算法在瓦斯浓度预测上的应用。试验结果证明,对于短期内的工作面瓦斯浓度预测,该算法具有较好的预测效果。     

神经网络BP算法在瓦斯吸收光谱中的应用研究

差分吸收光谱法测量煤矿瓦斯浓度是一种较新的方法,针对光谱仪每次分析的光谱带宽是固定的,提出了多层前馈神经网络BP算法来扩展光谱的一种新方法。利用BP算法进行训练的多层神经网络具有强大的非线性映射和学习功能。并与以往的扩展方法进行了比较,仿真实验表明此方法具有更高的精度,从而改进了系统测量瓦斯的精度,适合煤矿瓦斯监测预警系统在线、实时和快速的要求。     

基于IQPSO-BP算法的煤矿瓦斯涌出量预测

针对煤矿回采工作面瓦斯涌出的非线性特征,提出一种基于改进量子粒子群优化BP神经网络(IQPSO-BP)的瓦斯涌出量预测方法。鉴于量子粒子群算法的遍历能力有限,采用混沌序列来初始化量子的初始角位置。同时,采用凸函数调整惯性权重,以平衡算法的全局勘探和局部开发能力。并依此来优化BP神经网络的权值、阈值参数,进而建立了瓦斯涌出量预测模型。试验结果表明,IQPSO-BP算法具有较强的泛化能力及较高的预测精度,可有效用于煤矿瓦斯涌出量的预测。     

改进的BP神经网络在路基沉降预测中的应用

针对传统的BP神经网络存在的缺点,提出了用附加动量法、自适应学习速率和L-M优化算法等几种算法进行优化。通过对比分析,证明了采用L-M优化和附加动量因子算法相结合取得了最优的预测效果。该方法克服了BP神经网络模型存在的收敛速度慢、易陷入局部极小点的缺点。结合现场实测数据,将该优化模型与传统的BP神经网络预测模型对比,预测结果表明改进的BP神经网络在路基沉降预测中精度最高,适宜广泛采用。     

基于LVQ-CPSO-BP算法的煤体瓦斯渗透率预测方法研究

针对BP神经网络算法对煤体瓦斯渗透率预测精度低问题,筛选出影响预测精度的5个主要因素——1个宏观因素(煤层埋深)和4个微观因素(有效应力、温度、瓦斯压力、抗压强度),提出一种基于学习向量量化神经网络(LVQ)分类、混沌粒子群算法(CPSO)优化、BP神经网络预测的LVQ-CPSO-BP煤体瓦斯渗透率预测方法。从宏观上确定临界值将煤层埋深划分为2层;基于有效应力与瓦斯渗透率之间存在拐点关系,从微观上确定拐点值将有效应力划分为2段;采用LVQ将4个微观样本参数依据拐点特征进行分类识别,采用BP神经网络进行学习训练并输出预测结果,并用CPSO对BP神经网络的权值和阈值进行优化;基于样本案例对本文构建的LVQ-CPSO-BP算法进行预测结果验证,并与BP算法、GA-BP算法及PSO-BP算法预测的结果进行对比分析。结果表明:LVQ分类正确识别率较高,CPSO-BP算法预测精度较好,且优于其他3种算法。LVQ-CPSO-BP算法总体预测值与实测值吻合度高,尤其当有效应力减小时,预测精度更高。     

矿井局部通风机的模糊神经网络PID控制器设计

 针对矿井掘进工作面通风的特点,提出了一种将模糊神经网络、遗传算法和PID控制相结合的局部通风机控制方法。该方法运用遗传算法优化模糊神经网络隶属度函数的中心值和宽度,借助BP算法优化连接权系数。实验表明,该方法能根据瓦斯浓度的变化在线自动调整风机转速,较常规PID控制器有着明显的优点。系统采用以TMS320F2407 DSP为核心的电路来实现PID控制器的设计和通风机的变频调速。     

基于因子分析与BP神经网络的煤体瓦斯渗透率预测

为提高煤体瓦斯渗透率预测准确性,使用因子分析法对BP神经网络模型进行优化、改进,提出一种改进的BP神经网络预测模型。根据煤体瓦斯渗透率相关主要影响因素实例数据,使用因子分析法对4个煤体瓦斯渗透率影响因素原始数据进行降维数据处理,优化得到2个公共因子;以2个公共因子代替原有4个煤体瓦斯渗透率影响因素作为BP神经网络模型输入层参数,建立改进的BP神经网络煤体瓦斯渗透率预测模型,进行实例数据检验改进BP模型预测效果。最终验证结果:20组训练样本预测值与实际值的相对平均误差为0. 63%,证明训练完成的改进BP神经网络模型具有良好的拟合效果;改进BP模型预测样本平均相对误差为3. 16%,传统BP模型预测样本平均相对误差为6. 37%,证明改进BP模型预测精确度优于传统BP模型。     

煤与瓦斯突出预测的PSO-BP算法模型

基于梯度下降的BP算法简单、可塑性强,但极易陷入局部极值,并且存在收敛速度慢等无法克服的缺陷。粒子群优化算法作为一种全局优化算法,引入到神经网络的训练中很容易实现,并且能够快速收敛。结合局部搜索能力快速的BP算法和全局搜索能力极强的粒子群优化算法,提出了PSO-BP算法的煤与瓦斯突出危险性区域预测模型。实验结果证明,该预测模型相比于基于BP神经网络的预测,在泛化能力和收敛速度上均有显著增长。     

基于CPSO-BP神经网络的冲击地压预测

针对预测冲击地压的传统方法存在的弊端,提出了一种基于混沌(Chaos)优化粒子群的BP神经网络算法。该算法将混沌、粒子群、BP神经网络结合起来,通过混沌粒子群算法寻优得到BP神经网络的最优权值和阈值初始值,然后进行网络训练和测试。该算法对冲击地压的预测取得了较好的效果。