煤矿本质安全管理评价的GA-NN模型及应用

为评价煤矿本质安全管理水平,根据煤矿本质安全管理的内涵,构建了评价指标体系。针对以往评价方法主观设置指标权重的缺陷,采用神经网络对煤矿本质安全管理进行评价。鉴于遗传算法全局搜索最优解的特点,将遗传算法用于获取神经网络权重的最优值,建立了煤矿本质安全管理评价的遗传优化神经网络模型(GA-NN)。测试结果表明,基于GA-NN模型的评价方法具有较高的精度,且无需人为设置指标权重,避免了人的主观因素对评价结果的影响,能够更客观、准确地得出评价结果,有利于监管部门评价煤矿安全管理水平及企业内部的评比与管理,对建立煤矿安全管理机制具有重要作用。     

基于进化CP神经网络的岩土本构模型辨识

针对岩土本构模型辨识中存在的难题,提出了采用遗传算法和人工神经网络相结合的进化神经网络方法,遗传算法从全局上搜索最优的网络结构和最优的待辨识参数,CP神经网络模拟本构模型中的非线性映射关系.工程应用结果表明,提出的方法可以应用于岩土本构模型辨识问题的研究.     

基于遗传算法的改进煤矿提升机管理信息系统安全评价研究

为了能够准确地评价煤矿提升机管理信息系统安全模型的安全性,深入地研究了遗传算法在其中的应用。首先,讨论了煤矿提升机管理信息系统安全模型的改进方法;其次,研究了煤矿提升机管理信息系统安全模型的评价方法;最后,进行了算例分析,分析结果表明基于遗传算法和RBF神经网络的煤矿提升机管理信息系统安全评价模型具有较好的自适应能力,同时,对改进煤矿提升机管理信息系统安全模型和传统煤矿提升机管理信息系统安全模型的风险值进行对比,分析结果表明改进的煤矿提升机管理信息系统安全模型更为安全。     

基于神经网络和遗传算法的位移反分析研究

运用遗传算法和人工神经网络构造了位移反分析的遗传人工神经网络模型，并基于正交试验获得的训练样本对网络进行学习，以此训练好的神经网络模型来描述岩体力学参数和位移之间的关系。该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。结果表明遗传算法和神经网络的结合，可兼有神经网络广泛映射能力和遗传算法快速全局收敛等特性。     

基于BP神经网络的资源型城市产业转型风险评价研究

分析了我国资源型城市产业转型的风险因素,在此基础上设置了风险评价的指标体系.提出了一个基于BP神经网络的风险评价模型,并结合实例论证了该模型在资源型城市产业转型风险评价中的可行性.     

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。     

基于改进遗传算法的技术创新风险评价研究

文章构建了技术创新风险评价指标体系,在此基础上,建立了技术创新风险评价模型,通过改进的遗传算法,客观地确定模型中各风险因素的权重。实例验证,该方法能够获得较为可靠的方案排序,得到最优方案。从而给技术创新的投资者和管理者提供科学的决策依据。     

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。     

黄金生产工艺参数的优化

本文探讨了神经网络与遗传算法相结合协同求解黄金生产工艺参数的优化问题。该方法既利用了神经网络的自学习、自适应非线性映射和预测功能，又利用了遗传算法的全局优化特性，实例证明该方法是合理的、可行的。     

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。     

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．     

基于三角模糊模型的煤矿电气火灾风险评价

为有效防范煤矿电气火灾风险,必须建立电气火灾预防管理机制和科学评价电气火灾风险性。针对现阶段电气火灾风险评价方法选择中存在的诸多问题,以及电气火灾系统模糊性强、影响因素繁多等特点,提出一种基于三角模糊数的煤矿电气火灾评价模型。从人员因素和设备因素出发,建构煤矿电气火灾风险评价体系,其中该体系内准则层包括2项指标,指标层包括10项指标。介绍了三角模糊模型的具体评价步骤,并以S煤矿为工程实例开展了系统的安全评价。结果表明:S煤矿电气火灾风险等级分值为5.16,属于中等风险,评价结果与工程实际基本吻合,同时针对评估过程中存在的重大风险因素提出了相应的安全对策及建议。     

煤矿电气火灾的FTA-AHP评价模型建构及应用

针对单一地采用事故树分析法(FTA)或者层次分析法(AHP)进行煤矿电气火灾风险评价存在评价结果不够准确的问题,将FTA法与AHP法有机结合形成FTA-AHP综合风险评价模型。首先确定事故树的顶上事件,并依次向下分解,确定中间事件和基本事件,从而编制煤矿电气火灾事故树,在此基础上,对确定的基本事件分类归纳,建构AHP评价模型。利用事故树最小割集法计算基本事件的结构重要度,引入基本事件比较因子,建立评价体系准则层和指标层比较矩阵,结合几何平均法计算各层评价指标权重,并作评价指标重要性总排序,以明确电气火灾安全管理重点和优先顺序。将该评价模型应用到登封M煤矿的电气火灾风险评价中,结果表明,基于评价模型所评价的结果与实际状况吻合良好,验证了评价模型的可行性和实用性。     

进化神经网络在矿山入选品位优化中的应用

在矿山入选品位指标研究中，正确建立有关因素之间的数学模型是实施优化的关键。其中选矿子系统的入选品位、混岩率与选比之间呈复杂非线性关系。为克服一般神经网络收敛慢和过学习的问题，采用改进遗传算法的进化神经网络模型映射混岩率、入选品位与选比之间的复杂非线性的对应关系，并将建立的选比神经网络模型用于金山店铁矿入选品位的优化决策支持系统中，取得每年多回收铁精矿16.23万t的良好效果。     

遗传神经网络模型在地下水质量评价中的应用

设计了用遗传算法训练神经网络权重的新方法,并应用该方法建立了地下水质量评价的GA-BP神经网络模型,对阜新新邱露天煤矿地下水水质进行了评价。研究结果表明遗传算法具有快速学习网络权重和全局搜索的能力,有效地解决了BP算法的局部收敛的问题。应用该方法环境质量评价简便可靠,预测精度高,具有通用性和客观性等优点。     

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。     

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.     

PCA和GA-BP神经网络在边坡稳定性预测中的应用

针对现有边坡稳定性预测模型存在的不稳定性和精度不高的问题,采用主成分分析方法 PCA和遗传算法GA对传统BP神经网络模型进行优化。PCA方法将露天矿边坡稳定性的6个评价指标转换为4个主成分,作为BP神经网络的输入变量;遗传算法对神经网络的初始权阈值进行了筛选优化。经优化后的模型既减少了神经网络的输入变量,提高了学习训练效率,又使得传统BP神经网络模型的精度大大提高。最后将PCA-GA-BP模型、GA-BP模型和传统BP模型得到的预测结果进行对比和误差分析。结果表明,基于PCA-GA-BP神经网络模型的预测精度较好,对露天矿边坡稳定性的预测具有一定的参考价值。     

基于人工神经元网络的采场顶板质量评价模型

根据神经网络理论，建立了采场顶板质量评价的人工神经网络模型，实例表明该模型的评价正确率高，是用于解决复杂非线性系统评价问题的有效方法。可望在煤矿开采领域其它评价问题中得以推广应用。