遗传算法与神经网络协同求解采矿工程中的优化问题

本文将遗传算法与神经网络相结合，构成GA－ANN法，协同求解采矿工程中的优化问题。该法既利用了神经网络的非线性映射、网络推理和预测的功能，又利用了遗传算法的全局优化特性。通过实例证明了该法的优越性。     

基于量子遗传算法的刮板输送机减速器的故障诊断研究

针对刮板输送机减速器故障类型多、诊断准确率低的问题,基于量子遗传算法理论,提出了一种基于量子遗传算法的神经网络故障诊断方法。利用量子遗传算法对神经网络权值、阈值进行优化,加快目标的优化求解。初步研究表明将量子遗传算法与BP神经网络结合可以有效地解决神经网络收敛速度慢,易陷入局部最小等问题,有助于提高刮板输送机减速器的故障诊断精度。     

基于遗传算法的神经网络在露天矿卡车调度系统中的应用研究

介绍了神经网络和遗传算法2种优化方法的算法原理、特点和实现,在它们优势互补的条件下,提出了一种新的集成求解方法,利用遗传算法很强的全局搜索能力来弥补神经网络容易陷入局部最优的优化方法,给出了算法流程。最后以抚顺西露天矿的长远总体规划为例,说明该方法具有很好的解决卡车调度系统优化问题的能力,为今后求解类似问题提供了一个很好的研究方法。     

基于遗传算法优化BP神经网络的提升机制动系统故障诊断

针对提升机故障诊断系统的复杂性,利用浮点数编码的遗传算法优化BP神经网络的初始权值和阈值,再按BP算法沿负梯度方向进行网络学习直至收敛,构建起遗传算法优化BP神经网络的诊断方法。将此诊断方法应用于2JTP-1.2型提升机液压制动系统,诊断结果表明,该方法用于提升机液压制动系统常见故障诊断可行。     

固体废弃物膏体充填料浆质量的神经网络研究

固体废弃物膏体充填在我国煤炭系统是一种新的胶结充填模式．充填料浆质量的研究至关重要．它是一典型的多输入、多输出、非线性的模糊模型．一方面,运用神经网络结合遗传算法构造了膏体充填料浆质量的隐式模型,建立该模型的方法以神经网络为基础,用遗传算法来学习神经网络的权系数,既保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力．该模型具有较强预测能力,为优化固体废弃物膏体充填料浆质量的影响因素提供了理论依据．另一方面,利用已训练好的膏体充填料浆质量模型获得遗传算法,对充填料浆质量的影响因素进行优化,该法在配比设计时,可在较少的试验次数下获得较好的配比．     

固体废弃物膏体充填料浆质量的神经网络研究

固体废弃物膏体充填在我国煤炭系统是一种新的胶结充填模式．充填料浆质量的研究至关重要．它是一典型的多输入、多输出、非线性的模糊模型．一方面,运用神经网络结合遗传算法构造了膏体充填料浆质量的隐式模型,建立该模型的方法以神经网络为基础,用遗传算法来学习神经网络的权系数,既保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力．该模型具有较强预测能力,为优化固体废弃物膏体充填料浆质量的影响因素提供了理论依据．另一方面,利用已训练好的膏体充填料浆质量模型获得遗传算法,对充填料浆质量的影响因素进行优化,该法在配比设计时,可在较少的试验次数下获得较好的配比．     

利用遗传算法优化的小波神经网络实现地热资源预测

文章主要介绍了一种基于遗传算法优化的小波神经网络进行地热资源评测的方法。选择对地热资源产生具有较大影响的火山、地震、布格重力、磁异常、到断层距离和地下水SiO2组分作为评测影响因子,利用小波神经网络优异的时频转换、网络自学习特性和遗传算法的全局优化特点,将两者相结合,对网络参数进行优化,并进行网络自学习。通过数据仿真得到的预测值与实际值基本一致,证明了该方法具有良好的地热资源评测前瞻性。     

基于遗传神经网络的煤层瓦斯含量预测

将遗传算法和神经网络结合起来,利用遗传算法优化神经网络的连接权值,建立基于GA-BP混合算法的神经网络煤层瓦斯含量的预测模型,实际预测结果表明,该算法具有较高的预测精度和较快的运算速度,能为矿井瓦斯灾害的预测预防提供帮助。     

基于遗传算法优化的RBF神经网络的压力传感器故障诊断

提出了一种基于遗传算法优化的RBF神经网络故障诊断方法,此诊断方法首先利用小波包分解的方法对传感器电路的各种故障数据进行特征提取,再将所得的特征向量输入到遗传算法优化的RBF神经网络进行故障诊断。经过MATLAB仿真,此故障诊断方法不仅对传感器故障进行准确分类,而且提高了BP神经网络的收敛性,从而验证了此方法是可行的。     

固体废弃物膏体充填料浆质量的神经网络研究

固体废弃物膏体充填在我国煤炭系统是一种新的胶结充填模式.充填料浆质量的研究至关重要.它是一典型的多输入、多输出、非线性的模糊模型.一方面,运用神经网络结合遗传算法构造了膏体充填料浆质量的隐式模型,建立该模型的方法以神经网络为基础,用遗传算法来学习神经网络的权系数,既保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力.该模型具有较强预测能力,为优化固体废弃物膏体充填料浆质量的影响因素提供了理论依据.另一方面,利用已训练好的膏体充填料浆质量模型获得遗传算法,对充填料浆质量的影响因素进行优化,该法在配比设计时,可在较少的试验次数下获得较好的配比.     

基于模糊神经网络的无毒提金控制系统研究

针对无毒提金工艺过程的特性,提出了基于遗传算法的模糊神经网络控制算法。采用了遗传算法离线全局优化和 BP算法在线局步调整相结合的方式优化模糊神经网络的参数,以及改进的Elman动态递归神经网络进行工艺系统辨识。仿真试验验证了该控制方案的优越性,对解决无毒提金工业过程中的控制问题具有重要意义。     

遗传神经网络预测模型在选矿中的应用

分析遗传算法（ＧＡ）及ＢＰ神经网络（ＮＮ）的理论基础,提出了ＧＡ与ＮＮ结合的主要方式和步骤。讨论了基于遗传神经网络的建模思路,主要针对矿石可选性预测、选矿生产指标预报问题,建立相应的遗传神经网络模型。论述了选矿数据预处理的方法和ＧＡ－ＢＰ神经网络的设计。通过实例验证,模型的预测精度达到９０％以上。     

用神经网络和遗传算法优化磨煤机参数

本文应用人工神经网络建立磨煤机磨煤功率和磨煤出力与磨煤机的结构参数、被磨原煤的特性参数之间非线性映射关系,借助遗传算法对双进双出磨煤机的参数进行优化设计,给出了算例。     

基于神经网络的综采设备配套专家系统研究

对基于神经网络的综采配套专家系统进行了研究,给出了具体处理方法。在此基础上建立了工作面生产能力预测BP神经网络模型和综采工作面设备参数神经网络预测模型,并采用上述模型对济二号煤矿试验工作面的产量、工效和综机设备主要技术参数进行了预测。     

基于遗传算法改进BP网络的地表沉陷预计

本文采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络，即先用遗传学习算法进行全局训练，再用BP算法进行精确训练，使网络收敛速度加快和避免局部极小。作为实例，将该方法应用于地表沉陷预计问题中。建立了采动地表沉陷的神经网络预计模型，利用矿区大量的地表沉陷实际观测数据样本对该神经网络进行训练和学习，并用该网络对几组数据进行采动地表沉陷预计。结果表明，该神经网络预计模型具有收敛速度快、预测精度高的优点，为采动地表沉陷预计提供了实用的方法。     

基于遗传算法和人工神经网络的煤层厚度预测

将具有高度非线性识别能力的人工神经网络与遗传算法相结合,探讨了应用于煤层厚度预测的方法,提出了先用遗传算法优化神经网络,再进行结果预测。实践表明,该方法有效提高了精度,对煤层厚度预测提供了一个重要模型。     

岩质边坡结构面参数反演的免疫遗传算法

基于均匀设计、有限元法、人工神经网络和免疫遗传算法建立了新的岩质边坡结构面参数的反演方法.按照均匀设计要求,确定数值模拟方案;用有限元程序计算出相应的神经网络训练样本,建立边坡变形的神经网络预测模型,再利用免疫遗传算法进行反演分析,其中反演过程适应度的计算则采用已训练好的神经网络预测来替代有限元数值仿真,大大缩短了计算时间.通过实际工程的算例分析,反演结果比较理想.     

矿山生产计划智能决策计算机系统

随着人工智能科学的发展，人工神经网络和遗传算法已经在矿山中得到了应用。为此将人工智能科学与矿山CAD技术集成，开发出露天矿生产计划智能决策计算机系统，取得较好效果。     

煤与瓦斯突出灰色-神经网络预测模型的建立及应用

对煤与瓦斯突出影响因素进行灰关联分析,以此确定人工神经网络的输入参数.并应用改进的BP算法,选择灰关联分析的5个优势因子作为输入参数,建立了煤与瓦斯突出预测的神经网络模型.选用典型突出矿井的煤与瓦斯突出实例作为学习样本,对网络进行训练学习,并以云南恩洪煤矿的煤与瓦斯突出实例作为预测样本,将经过网络预测的结果与传统方法的计算结果进行对比.结果表明该灰色一神经网络模型能够满足煤与瓦斯突出预测的要求.     

基于神经网络和遗传算法的智能监控系统的数学建模

提出一种人工智能的神经网络(BP)和遗传算法(GA)相结合构成的数学模型,利用神经网络优势,通过遗传算法克服了神经网络容易陷入局部最小误差的缺陷。MATLAB的数值仿真表明:通过该监控模型对井下各种参数进行的监控,预测能力显著,实时性好,学习功能强大,精度较高,具有较强的实用性。