小波神经网络在数控机床热误差补偿中的应用

为了能够提高数控机床热误差补偿的精度和效率,深入研究了利用小波神经网络对数控机床进行热误差补偿的方法。首先,提出了小波神经网络的数学模型;然后,提出了基于遗传算法的小波神经网络模型的训练方法;最后,以数控铣床为例,利用小波神经网络对其进行了热误差补偿计算,并且得出了精度较高的数控机床的小波神经网络预报结果。     

基于小波网络的风机振动故障趋势预测

采用小波网络方法，通过对矿井通风机关键特征参数振动烈度的时间序列预测，实现了其特征参数的故障预报.由于小波网络比一般神经网络具有更多的自由度，从而使其具有更灵活有效的函数逼近能力.小波神经元的良好局部特性和多分辨率学习实现了与信号的良好匹配，使得小波网络有更强的自适应能力、更快的收敛速度和更高的预报精度.     

小波-BP神经网络模型在地铁变形预测中的应用

为了能够及时对地铁变形情况做出有效预测,该文建立了小波-BP神经网络预测模型。通过与BP神经网络模型预测结果的对比,我们得到小波-BP神经网络模型比BP神经网络模型的预测结果精度更高,模型更稳定,能够为地铁变形监测提供更有价值的参考。     

小波神经网络在露天矿边坡变形预测中的应用

为了提高边坡位移变形监测数据预测的精度和可靠性,建立了基于改进BP算法的小波神经网络预测模型。以水厂铁矿GPS边坡监测数据为样本,通过编制Matlab小波神经网络程序进行训练和预测。结果表明,小波神经网络预测模型有良好的函数逼近能力及容错能力。因此,该预测模型在非线性时间序列预测中,具有高精度性和可靠性。     

小波神经网络在炼铜转炉炉渣重量和成分预报中的应用

小波分析是一种新的信号处理技术,具有良好的时频局部化特征。为了克服BP网络自身算法的缺陷,得到更高的学习精度和更快的收敛速率,使用小波包分析的特征提取及神经网络的非线性映射特性,构造了小波神经网络,以此为基础开发出的软件系统具有使用的特征量少,建造预报系统较为简单等优点。将之应用于炼铜转炉炉渣重量及成分预报,该模型完全能够较准确地预报出渣量和成分。其平均拟合误差为1．5％,平均预报误差为3．1％。     

用人工神经网络模型预测采煤工作面的瓦斯涌出量

根据在采煤工作面所搜集的观测数据对神经网络进行训练 ,建立了预测采煤工作面瓦斯涌出量人工神经网络模型。研究表明 ,人工神经网络模型预报精度更高。而采用Levenberg -Marquardt方法训练的神经网络具有收敛速度快和预报精度高等特性     

小波网络模型在渗流量预测中的应用

将小波理论与神经网络理论相结合,建立了小波网络模型,并应用于工程实例。它避免了BP神经网络结构设计的盲目性和局部最优等非线性优化问题,大大简化了训练,具有较强的函数学习能力和推广能力。实例计算结果表明,小波网络模型具有比BP神经网络收敛速度快、预测精度高等特点,因而具有广阔的应用前景。     

小波神经网络在矿山变形监测分析中的应用

为了减少矿区塌陷的发生,利用GPS对矿山地表岩移进行了监测分析。为了提高岩移观测数据的预测精度和可靠性,文中采用小波神经网络方法对监测数据进行训练、预测,成功预测出了未来一期的地表移动变化。结果表明,小波神经网络具有良好的函数逼近能力,能够反映出要素之间的非线性关系,预测数据可靠。     

矿井瓦斯涌出量的灰色小波神经网络预测模型

矿井瓦斯涌出量预测一直是煤矿生产过程中倍受关注的问题。它受众多因素的影响,而各因素之间的非线性关系错综复杂。近年来,许多的学者利用人工神经网络对非线性的对象建模预测,但是存在收敛速度慢,易陷入局部极小等缺点。本文将灰色理论引入小波神经网络模型中,其中灰色模型利用累加生成的新数据建模,突出趋势项影响,小波神经网络通过灰色模型的预测结果进行再预测,使得小波神经网络的非线性激励函数更加易于逼近,减小周期和随机成分,提高了涌出量预测精度,表明了该模型可靠性。     

露天矿边坡监测中的小波滤噪与BPANN预测

针对边坡变形量预测难的问题, 将小波分析与BP神经网络预测相结合, 采用小波变换对边坡变形监测数据进行信噪分离, 进而消除观测误差, 通过BP神经网络预测模型BPANN对处理后数据进行再处理, 对边坡变形量以及变形趋势进行预测。进而提出了一种基于小波变换和BPANN模型对露天矿边坡变形监测数据进行处理分析的方法, 并在鞍山某露天矿进行了实际应用。实例结果表明: 利用小波去噪与BPANN模型预测的监测点精度达到3 mm, 满足二等变形监测的要求, 数据处理简便, 在露天矿边坡变形监测数据的消噪与预测中具有实际应用价值。     

基于小波神经网络的瓦斯涌出量预测

为了更准确地预测矿井瓦斯涌出量,提出了采用一类小波神经网络对井下瓦斯涌出量进行预测技术,小波神经网络为紧致型结构,小波采用Daubechies小波。为了提高小波神经网络的泛化能力,将遗传算法应用到小波神经网络的权值学习中。仿真试验表明,提出的基于小波神经网络预测模型与传统的BP神经网络的预测模型相比,其预测值更为准确。     

基于BP神经网络的煤炭自燃温度预测方法研究

在对BP神经网络原理进行分析的基础上,设计出预测煤层温度的BP神经网络模型,然后对实验数据进行仿真模拟,采用MATLAB语言,利用样本进行网络训练后,得出的预测结果达到了工程实际能够接受的精度,说明该模型能够用于煤矿煤炭自燃温度的预测,实现煤炭自燃早期预报。     

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。     

基于小波神经网络矿用罗茨鼓风机的性能预测研究

为了能够提高罗茨鼓风机性能预测的准确性,深入地研究了小波神经网络在其中的应用。分析了罗茨鼓风机的主要性能参数;研究了小波神经网络的基本理论;将遗传算法作为了小波神经网络的训练算法;进行了仿真分析,仿真结果表明该方法具有较高的预测准确性。     

基于小波神经网络的中国煤炭消耗预测

预测煤炭消耗量是一个与多种因素有关的复杂非线性问题.鉴于传统预测方法的缺陷,利用小波神经网络模型对中国煤耗预测,通过理论分析和仿真实验表明:模型是简单可行的,预测具有较高的精度.     

基于连续型小波神经网络的煤层底板破坏深度预测

鉴于BP神经网络在预测中收敛速度慢,易陷入局部最优等缺陷,提出了利用连续型小波神经网络进行煤层底板破坏深度预测;简单介绍了连续型小波神经网络的网络结构与学习过程,为隐节点数的确定提供了经验公式以及判断多余隐节点的检验公式,避免了BP网络在确定隐节点数上的盲目性。通过连续型小波神经网络进行底板破坏深度实例预测,并与BP神...     

小波神经网络在故障诊断中的应用研究

针对小波神经网络在故障诊断中的缺点和不足,主要分析小波神经网络与粒子群、遗传算法、模糊逻辑相结合使用的方法和优势。用粒子群优化的小波神经网络,其收敛速度和精度有很大提高;遗传算法具有全局优化的特点,遗传小波神经网络有效地解决了小波神经网络训练速度慢和易陷入局部极值等问题;基于模糊逻辑而提出的模糊小波神经网络具有高精度的逼近能力和很强的泛化能力。     

基于免疫神经网络模型的瓦斯浓度智能预测

将免疫算法与神经网络理论相结合,提出免疫神经网络预测模型以预测采煤工作面瓦斯浓度,并对如何处理时间序列的数据模式问题进行研究.引入延迟单元,将原始输入样本转换为具有延迟特征的新样本,采用延迟算子的输出样本施加到网络预测模型,可以获得浓度时段变幅的信息,这对于提高网络对瓦斯扩散过程的拟合精度和预测精度十分有效.结合某矿井瓦斯预报实例,经过与现场实测值相比较,最大预测误差为6.86%,最小预测误差为2.36%,平均误差为4.61%,所建模型精度的拟合值与预测值都与实际数据吻合得较好,各测点的误差值均在许可的范围内.结果表明,基于免疫神经网络的瓦斯浓度预测模型,能够较好地识别采煤工作面瓦斯扩散的演进规律,对瓦斯浓度能进行合理预报,且该方法具有预报时间快、节省费用的特点.     

用小波网络法预测提升机故障趋势

采用小波网络方法,通过对矿井提升机钢丝绳磨损度、空动时间、衬垫磨损寿命、闸瓦间隙、残压和制动盘偏摆度等关键特征参数的时间序列预测,实现了特征参数的故障预报。仿真和实验结果表明,预报精度满足要求,对保证矿井提升机安全和高效运行具有重要意义。     

基于小波神经网络的移动机器人路径跟踪控制

设计了基于小波神经网络的机器人路径跟踪系统,系统采用一步向前预测法建立基于小波神经网络的机器人运动模型,利用神经网络构成前馈反馈控制,完成路径跟踪任务。系统充分利用了小波神经网络良好的非线性函数逼近功能,达到了较好的效果。