基于GWO改进的PCA-BP神经网络煤层底板破坏深度预测模型

针对矿井水害防治工作中,煤层底板破坏深度难以进行准确预测的问题,将主成分分析(PCA)与灰狼算法(GWO)改进的BP神经网络相结合,建立以采深、煤层倾角、采厚、工作面斜长、煤层底板抗破坏能力、工作面内是否有切穿型断层或破碎带为主要影响因素的底板破坏深度预测模型。根据实测资料分析各主要影响因素和底板破坏深度之间的相关性,利用PCA法将影响底板破坏深度的主要参数进行降维,根据降维后的主成分对底板破坏深度的贡献率,确定底板破坏深度的主控因素。利用灰狼算法优化BP神经网络参数,建立PCA-GWO-BP神经网络模型预测煤层底板破坏深度,并与其他预测方法进行对比,结果证明该模型误差小于0.5%、准确度高,可以对煤层底板破坏深度进行较为准确的预测。     

基于主成分分析与BP神经网络的矿井涌水量预测研究

选取影响矿井涌水的累积巷道长度、月开拓巷道长度、累计开采面积、月开采面积、降水量、含水系数等6个因素作为变量,将主成分分析与BP神经网络2种方法相结合,采用主成分分析法对影响矿井涌水量的6个主要影响因子进行分析,根据确定的主要影响因子作为BP神经网络的输入样本,建立BP神经网络预测模型进行预测,预测数据与现场实测数据对比表明,2种方法相结合预测涌水量误差小、精度高,为矿井涌水量的预测开辟了新思路。     

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。     

煤矿冲击地压预测的PCA-GRNN神经网络方法

为了更合理有效地解决煤矿冲击地压危险性预测问题,引入主成分分析法对广义回归神经网络的输入样本进行信息压缩,得到冲击地压危险性影响因素的主成分因子,构建BPNN、GRNN、PCA—BP、PCA—GRNN 4种神经网络模型。预测结果表明所建PCA—GRNN模型较之其它3种模型整体工作性能优势明显,具有很好的预测能力和泛化能力,能较好解释冲击地压与各影响因素间的关系。     

基于GA-BP神经网络的采空区地表沉降预测模型

为了提高采空区地表沉降预测准确性,选择上覆岩层弹性模量、泊松比、内聚力、内摩擦角、开采深度、采高、矿体倾角和采场尺寸共8项影响采空区沉降的指标进行研究,通过遗传算法(GA)优化BP神经网络,构建了GA-BP神经网络采空区地表沉降预测模型,对采空区地表沉降趋势初步预测与分析。模型解算结果表明,相比传统BP神经网络预测模型,GA-BP神经网络预测模型在预测精度、拟合性能和收敛速度方面都有所提高。     

加拿大硬岩矿山深井开采

为赢得国际竞争，必须降低采矿作业成本。大部分矿山随着开采深度的增加，出现了以下一些问题：岩体应力增加、环境温度升高、采矿作业成本增加、环境保护压力增加、争取投资的竞争。现在，人们逐步认识到，仅靠设备自动化和劳动力的减少来降低采矿作业成本是不可能取得成功的。地下采矿作业劳动力的减少是有限度的，超过这个限度采矿作业成本将会增加。地下大量采矿作业成本一效率的改善需要技术革新和组织管理双管齐下，它是一个技术问题，但同时是一个非技术问题。技术问题岩爆深井大量采矿作业，常导致岩体产生过应力，最重要的岩石力学…     

大采高开采条件下导水裂隙带发育高度预测研究

为了提高大采高开采条件下导水裂隙带高度预测准确度,结合BP神经网络模型,通过进行导水裂隙带高度影响因素的主成分分析,建立了以采高和岩性为主要影响因素的BP网络导水裂隙带高度预测模型,并通过实例对模型效果进行了验证。     

华北型煤田底板破坏深度BP神经网络预测模型研究

华北型煤田开采受底板含水层严重影响,为了准确计算工作面底板破坏深度,本文结合现场实测和神经网络预测模型对其进行分析。首先采用直流电法与专门电极电缆,对九里山矿综放开采工作面15091的底板破坏深度进行观测;其次结合大量实际数据,应用遗传算法优化BP神经网络,通过优化参数构建底板破坏深度预测模型,预测模型的均方误差为0.011,平均百分比误差为5.983%,预测集预测结果误差在10%以下,模型可以预测底板破坏深度;最后以预测模型分析采厚和切顶卸压对工作面底板破坏深度的影响。研究结果表明,分层开采下,切顶卸压比未切顶卸压底板破坏深度约减少77.84%;综放开采下,切顶卸压比未切顶卸压底板破坏深度约减少59.17%;采厚对底板破坏深度的影响呈正相关。     

基于主成分分析的BP神经网络在稀土价格预测的应用:以氧化镝为例

稀土是我国重要的战略资源,对其价格趋势的准确预测意义重大。本文从稀土资源价格影响因素出发,设计并采用基于主成分分析的BP神经网络(PCA-BP)组合模型对稀土产品价格进行预测。鉴于影响稀土产品价格波动的因素众多,利用主成分分析(PCA)消除稀土价格预测影响因素之间存在的冗余信息,降低BP神经网络输入数据的维数,提高预测精度。本文以氧化镝价格为预测对象,选取2010年1月～2018年2月的月度数据,构建多因素PCA-BP组合模型。预测结果表明多因素PCA-BP组合模型在仿真能力、误差水平、收敛精度等方面优于主流的神经网络模型,能更加准确地预测氧化镝价格走势。     

基于PCA和IFOA-BP煤与瓦斯突出软测量建模

针对煤与瓦斯突出预测指标存在的问题,引入一个新的指标F来表征瓦斯突出强度,并将主成分分析法(PCA)与改进果蝇算法优化的BP神经网络相结合,建立了煤与瓦斯突出软测量模型。通过PCA来对原始数据进行降维处理,消除变量间的相关性,选取贡献率高于80%的主成分来替代原有的9个影响因素作为BP神经网络的输入变量;采取候选解的线性生成机制(LGMS)和变邻域搜索(VNS)来改进果蝇算法,在改进后的果蝇算法(IFOA)的优化过程中,将果蝇群体位置的变化与BP神经网络学习过程中的权值和阈值的更新相对应,然后以提取的主成分作为输入变量,以新的指标F作为输出变量,建立了IFOA-BP预测模型。选取具有代表性的样本进行验证,实验结果表明,与BP和PSO-BP模型相比,IFOA-BP模型收敛速度快,预测精度高,具有较强的泛化能力。     

回采工作面瓦斯涌出BP神经网络分源预测模型及应用

基于回采工作面瓦斯涌出分源涌出，利用人工神经网络分别预测开采煤层、邻近煤层、采空区3种来源的瓦斯涌出量；因3种来源瓦斯涌出量的影响因素不同，为了避免不相关因素的干扰，提高预测精度，确定整个预测体系由开采层、邻近层、采空区等3个瓦斯涌出量预测神经网络组成，对每个涌出源分别建立神经网络预测模型；最后采用Matlab中BP神经网络算法，针对实际矿井进行应用，预测误差小.     

主成分分析与BP神经网络在煤耗氧速度预测中的应用

结合主成分分析与神经网络的优点,提出了主成分分析与神经网络相结合的煤耗氧速度预测模型.采用主成分分析法对原始输入变量进行预处理,选择输入变量的主成分作为神经网络输入,一方面减少了输入变量的维数,消除了各输入变量的相关性;另一方面提高了网络的收敛性和稳定性,同时也简化了网络的结构.通过实例验证,基于主成分的神经网络比一般神经网络训练精度更高,学习时间更短,预测效果更优.     

主成分分析与BP神经网络在煤耗氧速度预测中的应用

结合主成分分析与神经网络的优点,提出了主成分分析与神经网络相结合的煤耗氧速度预测模型.采用主成分分析法对原始输入变量进行预处理,选择输入变量的主成分作为神经网络输入,一方面减少了输入变量的维数,消除了各输入变量的相关性;另一方面提高了网络的收敛性和稳定性,同时也简化了网络的结构.通过实例验证,基于主成分的神经网络比一般神经网络训练精度更高,学习时间更短,预测效果更优.     

矿区开采沉陷预计的改进BP神经网络模型

为精确预计锦界矿某工作面开采沉陷,首先结合该工作面的地质资料、采掘工作平面图及孔柱状图,采用FLAC3D软件建立了该工作面开采沉陷仿真模型,得到工作面推进100、300、500、700 m时的开采沉陷数据;其次基于该类数据对BP神经网络预计模型进行训练和验证,建立沉陷数据与工作面推进距离的非线性关联;然后用粒子群优化算法(Particle swarm optimization,PSO)对BP神经网络模型的结构参数和连接权值阈值进行优化,并引入遗传算法(Genetic algorithm,GA)中的自适应变异因子以一定概率初始化部分变量,以解决PSO算法易陷入局部最优解的问题,避免BP神经网络模型易陷入局部最小值、训练收敛速率低以及PSO算法易早熟收敛等问题。分别采用BP神经网络模型、PSO-BP神经网络模型以及所提模型进行试验对比,并引入偏差平方和(Sum of squares for total,SST)对各模型的预计精度进行评价,研究表明:在工作面分别推进100,300,500 m的情况下,BP神经网络模型的SST值分别为0.056,0.062,0.066,PSO-BP神经网络模型的SST值分别为0.049,0.054,0.048,所提模型的SST值分别为0.028,0.026,0.031,明显小于前两者,表明该模型有助于提高矿区开采沉陷预计精度,有一定的实用价值。     

AGO-BP神经网络在主要影响角正切求取中的应用

主要影响角正切tanβ是用概率积分法进行开采沉陷预计的主要参数之一,决定着地表沉陷的影响范围。指出了影响主要影响角正切的主要地质采矿因素,并根据一些矿区的实际观测资料,建立了求取主要影响角正切的AGO-BP神经网络模型。该模型是首先运用灰色理论中的累加算法对选定的原始计算数据进行预处理,然后采用BP神经网络模型计算主要影响角正切。AGO-BP神经网络模型不仅能够自动调整网络参数,而且避免只采用BP神经网络进行计算时可能出现的模型不稳定问题,所得到的主要影响角正切精度有一定的提高。     

BP神经网络在煤与瓦斯突出预测中的应用

鉴于煤与瓦斯突出对煤矿的安全生产的威胁以及其影响因子的复杂性,合理的选择煤与瓦斯突出预测的影响因子,利用非线性的BP人工神经网络建立煤与瓦斯突出强度预测模型,来预测煤与瓦斯突出强度的大小。结果显示,煤与瓦斯突出强度的预测值与实测值吻合得较好,表明采用BP神经网络预测煤与瓦斯突出强度是可行的,为矿井煤与瓦斯突出的预测提供了一种预测精度较高的方法。     

开采沉陷预计参数的广适应性BP神经网络反演方法（增刊）

基于实测资料的概率积分法下沉预计能够准确描述开采引起的地表下沉变化,广泛应用于全国各大采区。为了获取准确可靠的开采沉陷概率积分法预计参数,本文以概率积分法沉陷预计为基础,利用BP人工神经网络反演求取预计参数。BP人工神经网络具良好的鲁棒性和非线性映射能力,在参数选取过程中能快速准确的确定预计参数与观测站点实测下沉量之间的映射关系,能准确反演得到实测下沉预计参数。根据地表实测数据,将概率积分法下沉预计与BP人工神经网络相结合,建立了适用于多种地质采矿条件的沉陷预计参数反演模型,并对阳泉某矿进行参数反演,得到结果与实测数据基本吻合,表明应用广适应性BP神经网络方法反演开采沉陷预计参数是可行的。     

Mountain ground movement prediction caused by mining based on BP-neural network

Six main influencing factors: slope, aspect, distance, angle, angle of coal seam, and the ratio of depth and thickness, were selected by Grey correlation theory and Grey relational analysis procedure programmed by the MATLAB software package to select the surface movement and deformation parameters. On this basis, the paper built a BP neural network model that takes the six main influencing factors as input data and corresponding value of ground subsidence as output data. Ground subsidence of the 3406 mining face in Haoyu Coal was predicted by the trained BP neural network. By comparing the prediction and the practices, the research shows that it is feasible to use the BP neural network to predict mountain mining subsidence.     

基于PCA与BP神经网络的信息流失预测模型分析

针对信息客户流失缺少有效的数据挖掘预测手段问题。提出了应用主成分分析的BP神经网络信息流失预测模型。结合5折交叉验证,模型对来自3个地市的营销返回样本,在训练分类时间和预测分类精度上与未经主成分分析降维的BP神经网络方法进行了比较分析。实验结果表明模型获取了较高的平均预测分类精度(77.46%)和较少的训练分类时间(2.18min),有效地降低了属性维度并改善了预测能力。