露天煤矿边坡稳定性预测的PSO-LSSVM模型

针对边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取七项因素(岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数)作为边坡稳定性的影响因素,建立PSO-LSSVM的边坡稳定性预测模型。利用矿山实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM模型在矿山边坡稳定性预测中有较高的准确度。     

滚动轴承故障诊断优化仿真研究

研究提高滚动轴承故障诊断准确率问题,滚动轴承故障振动信号具有非平稳,造成系统不稳定,针对传统方法难以提取故障信息的不足,提出一种小波包和最小二乘支持向量机的滚动轴承故障诊断方法(WP-LSSVM)。首先采用小波包对滚动轴承振动信号进行降噪处理,消除背景和噪声信息,然后小波包对去噪后振动信号分解并计算能量特征值,最后采用最小二乘支持向量机对能量特征值进行学习,建立滚动轴承故障诊断模型。仿真结果表明,滚动轴承故障诊断训练和测试时间减少,且故障诊断准确率得到提高。     

信息系统审计在电子政务中的框架设计

为了加快政府管理现代化进程,监控电子政务建设过程.在归纳总结电子政务建设风险基础上,把信息系统审计引入电子政务建设系统.提出电子政务信息系统审计框架,主要分开发前审计、开发运行中审计和运用效果审计.开发前审计包括为系统预算财务审计、功能框架审计、招标审计;开发运行中审计包括开发审计、数据运营审计、软硬件管理审计、技术支持服务审计、安全审计;运用效果审计包括用户满意度审计、实际支出财务审计、应用水平审计.并对每个部分进行了解释.意在为电子政务系统建设的信息系统审计提供理论基础.     

煤与瓦斯突出预测的随机森林模型

煤与瓦斯突出是煤矿开采过程中主要的动力灾害之一,针对煤与瓦斯突出等级预测问题,提高突出预测的准确率,选取最大主应力、瓦斯压力、瓦斯含量、顶板岩性、距断裂距离、煤层厚度、开采垂深、绝对瓦斯涌出量和相对瓦斯涌出量9个影响因素作为煤与瓦斯突出等级预测的评价指标,同时对相关程度较高的评价指标进行因子分析,提取公共因子,用随机森林算法进行训练预测,建立了基于因子分析的煤与瓦斯突出预测的随机森林模型。通过煤矿实测19组煤与瓦斯突出的数据作为训练样本数据集进行模型的训练,5组数据作为该预测模型的测试数据,进行煤与瓦斯突出预测,同时通过其他预测模型预测结果的对比,验证了随机森林算法在煤与瓦斯突出预测中具有较高的准确度。     

极限学习机的分类器集成模型研究

将极限学习机算法与旋转森林算法相结合,提出了以ELM算法为基分类器并以旋转森林算法为框架的RF-ELM集成学习模型。在8个数据集上进行了3组预测实验,根据实验结果讨论了ELM算法中隐含层神经元个数对预测结果的影响以及单个ELM模型预测结果不稳定的缺陷;将RF-ELM模型与单ELM模型和基于Bagging算法集成的ELM模型相比较,由稳定性和预测精度的两组对比实验的实验结果表明,对ELM的集成学习可以有效地提高ELM模型的性能,且RF-ELM模型较其他两个模型具有更好的稳定性和更高的准确率,验证了RF-ELM是一种有效的ELM集成学习模型。     

矿山产能分配的变量模糊线性规划模型

针对矿山资源开采过程中产能不确定的分配问题,引入了模糊结构元素理论。将产能用结构元表示,并利用结构元加权序将模糊数比较转化为单调函数比较,将含有模糊变量的线性规划问题等价转化为经典线性规划问题。以某矿山为例,建立矿山产能分配的变量模糊线性规划模型,并进行求解。结果表明：实现了将实际问题中的模糊事件进行精确表达,原问题的求解更简便。得到矿山产能取得最大可能利润时的可能分配。应用结构元加权序求解的线性规划模型优于结构元元序的。     

基于前景理论的区间直觉模糊双向投影决策方法

针对准则权重不完全确定, 方案准则值为区间直觉模糊数的多准则决策问题, 提出一种基于前景理论的双向投影决策方法. 首先, 给出一个考虑犹豫度的区间记分函数; 其次, 以零点为参考点计算各准则下的综合前景值; 然后, 利用定义的方案和理想点以及临界点形成的向量表达方式, 建立双向投影测度方法, 构建并求解基于方案区间投影总偏差最小的非线性规划模型, 并结合最大熵原理获得准则权重; 接着, 利用所提出的基于两个方向区间贴近度公式对各方案进行排序; 最后, 通过算例验证了该方法的有效性和可行性.

     

基于区间直觉模糊数的双向投影决策模型

研究了权重不完全确定,评价信息为区间直觉模糊数的多属性决策问题。提出了方案与理想方案、临界方案形成的向量表达方式,建立了针对区间直觉模糊信息的向量投影测度方法;构建了基于Jaynes最大熵原理和方案公平竞争下的非线性规划属性权重确定模型;提出了基于理想方案与临界方案的贴近度测算公式,以此对方案进行排序。通过算例对比分析说明了该方法的有效性和可行性。     

参数优化GA-ELM模型在露天煤矿抛掷爆破的预测

为有效指导露天煤矿制定正确生产计划,提高露天煤矿抛掷爆破预测的准确率,在分析露天煤矿抛掷爆破影响因素的基础上,通过"试错法"确定模型最优隐含层节点参数,进而提出一种参数优化后遗传算法(GA)和极限学习机(ELM)相结合的抛掷爆破预测模型。选取网络的输入输出相关参数,针对现有ELM输入权值矩阵和隐含层偏差,采用遗传算法对其进行优化选择;利用某露天煤矿抛掷爆破监测数据对该模型进行实例分析,并将RBF,BP,SVM,GA-BP模型预测结果与该模型进行对比分析;并引入Weibull模型,通过预测控制参数ɑ,β模拟爆堆形态。研究结果表明:(1)通过"试错法"确定GA-ELM模型最优隐含层节点数为39,有效降低系统的仿真误差,该参数下仿真误差值为0.137 7;(2)相较于传统ELM预测模型,通过遗传算法优化后,有效抛掷率,松散系数以及抛掷距离均得出更小的均方误差MSE值(0.258 0,1.748 5×10-4,3.618 4)和更高的决定系数R2值(0.986 4,0.995 3,0.970 6),改进后的GA-ELM具有更好的拟合效果和泛化能力;(3)通过与其他智能算法如BP,RBF,SVM,GA-BP相比,改进后的GA-ELM测试结果(均方误差,决定系数,仿真误差)明显优于其他预测模型,有效提高预测精度;(4)利用训练完成的GA-ELM网络预测爆堆形态时,控制参数a,β的预测误差均未超过5%,预测爆堆曲线接近真实爆堆曲线。     

露天矿运输卡车柴油消耗的外部影响模型

为建立露天矿运输卡车柴油消耗与其主要外部影响因素之间的非线性模型,本文采用回归型支持向量机方法,并以国内某露天煤矿实际生产调度统计的数据作为原始样本,选取产量、运量、运距、高差、装车时间、加油量、岩量等七个主要外部影响指标,使用因子分析方法提取公共因子作为模型的输入,分析柴油消耗模型的训练过程,通过在MATLAB上编写相应程序并进行仿真训练,最终得出基于SVR的柴油消耗模型。训练和测试结果表明：该模型满足精度要求,能够很好地对露天矿运输卡车的柴油消耗进行计算和预测,可以为进行合理的生产调度提供决策支持,同时也为降低柴油消耗提供指导作用。