BP神经网络在巷道类别辨识中的应用

本文根据煤矿巷道特点，建立了BP神经网络辨识模型，实例分析表明，该模型有很强的辨识特性，具有重要应用价值。     

巷道类别的神经网络识别方法

建立了反向传播ＢＰ神经网络巷道类别识别模型，实例分析表明，该模型具有较高的识别能力和应用价值，对矿山决策的智能化、科学化具有重要意义。     

BP神经网络在巷道围岩力学参数反分析中的应用

针对鲍店煤矿巷道围岩的特点,提出一种基于BP神经网络,可采用巷道围岩力学参数与巷道位移变形之间的非线性关系的围岩参数反分析方法,反演的围岩参数代入数值模型后与实测值比较,结果误差小、精度高。     

改进BP神经网络在采准巷道支护中的应用研究

在对程潮铁矿采准巷道支护类型影响因素和巷道成功加固实例调查分析的基础上,提出采用改进的BP神经网络对支护类型进行研究。由学习样本的学习过程和对支护类型的预测结果可知,无论是学习样本误差收敛过程,还是收敛速度、收敛精度和支护类型的预测结果都较为理想,预测准确率较高,为研究采准巷道的支护类型提供了新的研究思路,具有较好的推广应用价值。     

残差辨识模型在巷道围岩变形预测中的应用

巷道围岩变形预测在矿井安全工作中具有极其重要的作用,在对阜新市王营矿巷道围岩变形进行深入而系统的分析基础上,采用残差辨识模型的预测方法,借助于计算机对巷道的围岩变形进行预测,其结果和与实测值基本趋于一致,由此看出将GM模型理论和巷道的围岩变形预测相结合,计算过程简单,结果也较传统的预测方法更为准确。     

深部巷道围岩稳定性类别的BP网络识别方法

以BP神经网络模型为平台,对已知稳定性影响因素样本学习训练后,可以实现待测样本的巷道稳定性类别的识别,整个模型的求解过程是通过MATLAB软件来完成,利用BP网络模型的拟合特点及MATLAB的计算优势,可以准确、快速地完成对深部巷道围岩稳定性类别的鉴定工作,为深部巷道围岩锚喷支护设计提供依据。     

基于BP神经网络模型的巷道变形预测系统开发

通过应用基于BP神经网络模型系统对某矿山巷道围岩的实测变形值进行神经网络模拟,成功预测了巷道围岩的变形,有利于巷道支护设计和生产组织.     

神经网络在煤巷围岩分类中的应用

本文阐述了典型的人工神经网络模型ＢＰ网络模型的基本原理，并应用于煤层巷道进行围岩分类，结果证明是可行的，且具有先进性。     

用BP神经网络方法预测软岩巷道收敛变形

根据袁店二矿81回风巷道具体情况,建立了相应的BP神经网络预测模型,对该巷道收敛变形进行了预测,预测结果与实测值基本一致,表明神经网络方法用于预测巷道收敛变形是可行的。     

神经网络在矿山巷道安全预测中的应用

采场巷道的安全预测包含众多的模糊性、不确定性和知识的不完备性，应用神经网络模型的学习能力，进行巷道在掘进过程中的安全状态预测。为矿山安全生产和事故预测奠定了基础。系统在金川二矿区的应用表明，该系统具有较好的适用能力。     

BP神经网络在煤与瓦斯突出预测中的应用

煤与瓦斯突出是一种极其复杂的瓦斯动力灾害现象.采用煤与瓦斯突出预测常用的7项指标作为输入值,基于BP神经网络的非线性自主学习能力,智能化、定量化地识别煤与瓦斯突出的类型.该模型基于MATLAB的神经网络工具箱加以实现.实验结果证明,基于BP神经网络的煤与瓦斯突出预测模型结果可靠,效果良好,应用性比较强.     

基于BP神经网络的巷道围岩稳定性分级识别

矿山围岩稳定性分级是矿山工程的基本参数,为矿山支护设计提供基础数据,利用BP神经网络进行围岩稳定性分级识别,有利于真实地刻画矿山围岩稳定性分级与其影响因素之间的非线性关系.本文研究了BP神经网络的工作原理及其改进,分析了某矿巷道围岩稳定性影响因素,确定建立了围岩稳定性分级的神经网络识别模型,并利用该模型对某矿山围岩分级进行了拟合,取得了很好的效果.     

神经网络技术在储层分类评价中的应用

为了提高储层分类评价效果,本文归纳总结了神经网络技术用于储层分类评价的方法,剖析了神经网络技术用于储层分类评价中存在的问题、提出了改进方法,最后展望了神经网络技术用于储层分类评价的发展趋势.     

BP神经网络PID控制在液黏软启动中的应用

针对带式输送机的软启动要求,以液黏调速启动控制器为研究对象,基于BP神经网络对PID参数进行在线调节,并提出一种学习率在线优化方法。运用Simulink进行系统仿真,结果表明,改进后的系统能够很好地实现液黏软启动,对于加快系统误差收敛,减小速度波动,提高调速性能具有明显效果。     

基于粒子群和BP混合优化的采煤机故障诊断分类方法研究

故障诊断的本质是信号的特征提取与分类,BP神经网络是典型的一种分类方法。针对传统的BP算法易形成局部极小值,缺乏全局搜索性的缺点,利用粒子群算法可以在复杂、多峰、非线性及不可微的空间中实现快速、高效的全局搜索的特点,结合传统BP算法,提出一种基于PSO-BP混合训练神经网络的新方法。该算法首先利用粒子群算法的全局搜索能力对BP网络的权值进行优化,同时引入粒子群熵的概念对粒子群体中个体的多样性进行度量,当粒子群熵的估计值超过某一设定阀值时,用BP算法进行神经网络的训练。采用采煤机的轴承故障数据集对PSO-BP算法进行验证,证明该方法能够对采煤机的故障进行诊断。     

基于BP神经网络的露天边坡角预测

针对广东泥竹塘铁矿露天边坡稳定性问题,为了获得矿山的稳定露天边坡角,研究使用BP神经网络进行预测分析。在预测过程中,以边坡岩体质量系数、岩体综合抗压、抗拉强度、内聚力、结构面力学特性、边坡高度及岩体密度等7个指标为输入因子,综合国内矿山27组露天矿山现场数据,建立网络学习、训练样本库,从而实现泥竹塘铁矿稳定露天边坡角的预测。结果表明,露天边坡角的BP神经网络预测模型最大误差小于3%,训练输出误差较小,精度较高,得到的泥竹塘露天铁矿上盘最终边坡角的预测值为42.8°,上盘最终边坡角的预测值为40.1°。多年的生产实践表明,该预测成果与实际基本相符,可为今后类似工程提供参考。     

Application of image processing and radial basis neural network techniques for ore sorting and ore classification

Ore sorting is a useful tool to remove gangue material from the ore of bigger size ranges. The radical development in the area of artificial intelligence allows speedy processing the full color digital images for the preferred investigations. In this paper a novel approach to classify the ores for ferromanganese metallurgical plant feed has been proposed based on the visual texture of the ore particles (Mn, Fe, and Al₂O₃ rich) and radial basis neural network. The visual texture of ore particles vary with the mineral contents. This information can be quantified by using image processing technique in RGB color space and, first and second-order statistical analysis. Commonly used Hartlic’s textural features was calculated and presented as neural network inputs along with red, green and blue color values for 5 × 5 pixel size windowpanes extracted from three separate images. Results obtained show encouraging accuracy to apply the approach to develop an expert system for on line ore quality monitoring to control the ore blending in the feed ore circuits as well as separating gangue minerals present in the feed ores. Matlab^® 7.0 was used for visual textural analysis and neural network classification.     

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.     

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。     

BP神经网络在爆破振动中的研究与应用

为准确地预测爆破结果、减少爆破振动对建筑的损伤和保障工人的安全,利用具有处理非线性问题能力的BP神经网络预测爆破结果。选取合格的爆破结果作为网络模型的学习样本,经过一定次数的训练学习后通过神经网络的前馈特性确定各层阈值和误差,完成对BP神经网络的建立,发现预测结果与真实结果相比的误差在10%以内。再结合PAC算法、POS算法或者MATLAB软件等优化网络后甚至可以将误差控制在5%以内。通过建立BP神经网络预测可以减少爆破作业带来的危害,降低安全成本,指导爆破作业的施工。