粒子群优化的RBF瓦斯涌出量预测

瓦斯涌出量是煤矿瓦斯灾害的主要来源,它直接影响煤矿安全生产和经济技术指标。瓦斯涌出量的传统预测方法是将其影响因素线性化后提出的,具有一定的局限性。本文基于群体智能理论,提出了一种基于粒子群算法优化的RBF神经网络瓦斯涌出量预测模型。研究表明RBF神经网络预测精度与网络权值和RBF参数初始值有很大关系,因此本文采用粒子群算法优化RBF网络权值和其他参数,形成PSO-RBF预测模型。该模型通过计算种群粒子的适应度,确定全局最优值,寻找网络参数的最优值。实验结果表明PSO-RBF优于传统的RBF预测模型,训练速度和预测精度显著提高。     

人造板加工中质量安全控制仿真技术的研究

根据实验室加工人造板的情况,针对人造板的工艺加工过程中温度和压力的控制模型难以建立的问题,运用模糊判别与神经网络技术相结合,通过神经网络实现模糊逻辑,同时利用神经网络的自学习能力,动态调整隶属函数,采用反向传播算法和最小二乘法的混合算法,设计基于模糊神经网络技术的仿真模型,根据输入输出数据自适应调节隶属度函数的各种参数,从而调整隶属度函数的形状,保持规则的完整性,避免出现人为规则空档,使该模型具有较高的精度,并用未经训练的数据进行模型验证,得到较理想的工艺数据效果仿真模型。该模型有利于人造板加工过程的优化控制,为提高人造板质量与产量提供可参考的优化工艺。     

基于IPSO-SVM对尾矿坝变形预测的研究

针对支持向量机在参数模型选择上的敏感性,以及在理论上无法直接实现的问题,在标准粒子群算法的基础上对粒子速度与位置更新策略进行改进,通过改进的粒子群算法对支持向量机模型参数进行选择优化,进而提出了一种改进粒子群优化支持向量机(IPSO-SVM)算法模型。根据尾矿坝实测数据,建立了基于IPSO-SVM算法的对尾矿坝坝体位移预测模型,同时与经典的SVM算法以及PSO-SVM算法进行比较分析。结果表明,3种算法在坝体变形预测中都具有较好的可行性,但IPSO-SVM算法在训练效率上有较大优势,而且具有较高的预测精度,更适合在变形预测中应用。     

基于PSOBP-AdaBoost模型的瓦斯涌出量分源预测研究

为准确预测瓦斯涌出量,选取某煤矿的开采煤层、临近煤层、采空区3个瓦斯涌出源作为实例研究,将BP神经网络、粒子群算法(PSO)、Ada Boost迭代提升算法和瓦斯涌出分源预测法相结合,建立基于PSOBP-Ada Boost算法的瓦斯涌出量分源预测模型,并将其与BP神经网络算法进行比较分析。结果表明,PSOBP-Ada Boost算法预测的3个瓦斯涌出源平均相对误差分别为3.24%,2.11%,3.21%;BP神经网络的平均相对误差分别为6.73%,3.19%,4.27%,基于PSOBP-Ada Boost模型的预测精度明显优于BP神经网络模型。     

基于IPSO-BP神经网络的钢丝绳断丝损伤识别模型研究

为解决传统钢丝绳断丝损伤识别方法精度低，BP神经网络陷入局部最优等问题，提出改进粒子群算法（IPSO）的BP神经网络识别模型。通过采集钢丝绳断丝损伤信号，提取缺陷信号特征，用峰值、峰峰值、波宽、波形下面积和波动能量5个特征值组成特征向量作为神经网络的输人，断丝数量作为神经网络的输出；利用改进粒子群算法对BP神经网络的初始权值和阈值进行优化；建立基于IPSO-BP算法的神经网络模型，用于钢丝绳断丝的定量识别。结果表明:IPSO-BPS神经网络模型的钢丝绳断丝损伤识别精度、泛化能力均高于传统BP神经网络模型，且改进的粒子群算法迭代寻优速度更快。     

改进粒子群神经网络在煤矿安全评价中的应用

基于改进粒子群的神经网络基本原理,综合考虑煤矿安全评价的各项指标,建立了一个综合型的评价模型。该模型的方法以神经网络为基础,用改进粒子群算法来寻找最佳平衡的惯性权值,提高神经网络训练速度和精度。实践证明,模型具有改进粒子群算法的全局寻优能力和神经网络的广泛映照能力,有很强的预测能力,为煤矿安全评价提供了重要的途径。     

基于GA/PSO-BP神经网络的石家庄VOCs环境浓度预测模型研究

为了提升挥发性有机物(Volatile Organic Components, VOCs)的预测精度,在反向传播(Back-Propagation, BP)网络结构的基础上使用优化算法分别为遗传算法(Genetic Algorithms, GA)优化BP神经网络(GA-BP)和粒子群算法(Particle Swarm Optimization, PSO)优化BP神经网络(PSO-BP)对VOCs质量浓度进行预测。首先,对污染物及气象因子进行筛选。采用相关性分析法及逐步回归法进行分析筛选,并筛选出合适的输入变量。其次,建立BP神经网络结构。利用BP、GA-BP、PSO-BP神经网络,以石家庄市2022年夏季污染数据为样本对VOCs质量浓度进行预测。结果显示,经相关性分析及逐步回归法筛选,将PM_2.5质量浓度、O₃质量浓度、NO₂质量浓度、温度、相对湿度作为输入变量。经预测结果对比,PSO-BP神经网络模型的预测精度较高,烷烃、烯烃、芳香烃和含氧烃实测值与预测值之间的拟合程度(R²)分别为0.80、0....     

神经网络预测催化超临界水氧化废水效果的研究

在间歇式反应器中进行催化超临界水氧化DDNP废水试验,考察催化剂浓度、反应温度、压力、停留时间对氧化效果的影响。在实验基础上采用BP神经网络算法,建立以催化剂浓度、反应温度、压力、停留时间作为网络模型的输入层,COD去除率作为输出层的双隐层BP神经网络预测模型,预测催化超临界水氧化废水的效果,仿真结果表明模型预测效果较好。     

基于PSO-SVM模型的隧道水砂突涌量预测研究

复杂工程地质条件下,隧道水砂混合物突涌的预测防控是隧道安全建设的基础,准确预测水砂混合物突涌量,为工程提供安全保障至关重要。为提高预测准确性,提出一种基于粒子群算法优化的支持向量机(PSO-SVM)的隧道水砂突涌量预测模型。综合考虑地质构造、气象条件、施工影响三类因素,选取七个因子,结合某公路隧道,利用PSO-SVM建立隧道水砂突涌量预测模型,并对该隧道水砂突涌量进行预测,结果与实际突涌量一致。证实综合粒子群算法和支持向量机优势的PSO-SVM方法预测精度高,且易于实现,为类似隧道工程突涌预测提供参考与借鉴。     

基于组合赋权的混合粒子群优化支持向量机的岩爆倾向性预测

为有效预测岩爆灾害发生烈度,提出一种基于组合赋权的混合粒子群优化支持向量机(H-PSO-SVM)岩爆倾向性预测模型。根据岩爆发生机制,在分析岩爆发生的主要影响因素的基础上确定出评判指标;综合考虑模糊层次分析法(FAHP)所得主观权重和熵权法所得客观权重,应用调和平均数概念,构建组合赋权准则;引入遗传算法交叉、变异操作改进传统粒子群(PSO)极值跟踪和粒子更新方法,建立H-PSO-SVM岩爆倾向性预测模型。利用国内外已有工程实例数据进行50次随机抽样试验,对比分析H-PSO-SVM模型和PSO-SVM模型等预测结果。结果表明:H-PSO-SVM模型应用于岩爆工程实例预测具有可行性和适应性,模型预测的准确率高于其他模型,且预测结果更稳定。     

智能预测算法在污水处理pH值控制中的应用

在处理污水时pH值的变化过程具有高度非线性和时滞性,常规PID控制器的控制效果不够理想。介绍了污水处理过程的反应原理以及pH值控制方面存在的问题,阐述了非线性预测控制算法的一般步骤,确定了污水pH值智能预测控制的研究思路。确定了输入输出变量并搭建其数学模型,然后根据数学模型构建了神经网络预测模型。将粒子群与BP神经网络相结合,利用粒子群算法优化神经网络的初始权值阈值,既能克服BP算法局部最优的问题,又能提升收敛速度及预测精度。最后将智能预测控制算法的输出作用于PID控制回路的设定值。仿真结果表明,智能预测控制算法控制性能优于单纯PID控制,能更快跟踪设定值,具有更强的适应性。     

不均衡数据下的采空区煤自燃PCA-AdaBoost预测模型

为提高不均衡数据下采空区自然发火预测准确率,选取O_2浓度等作为指标,利用主成分分析法(PCA)提取指标的主成分,并将主成分作为自适应增强算法(AdaBoost)输入参数,发火情况作为AdaBoost算法输出参数,建立不均衡数据下采空区自然发火PCA-AdaBoost预测模型;以张家口宣东2号矿为例,选取20组实测数据作为训练样本,用于训练模型;利用受试者工作特征曲线下的面积进行评价预测效果;利用训练好的模型预测15组测试样本,并将结果与粒子群优化支持向量机(PSO-SVM)模型进行比较。结果表明:在不均衡数据集条件下,利用PCA提取的算例的3个主成分包含原始6个指标的86.831%信息,降低了指标相关性,实现了降维;温度和CH_4浓度对发火影响更大;所建模型的预测结果与实际情况吻合,其在预测精度和收敛速度方面优于PSO-SVM模型。     

基于灰色神经网络组合模型的矿山安全事故预测分析

本文在分析灰色预测方法和神经网络预测方法所具有的互补优势的基础上,提出修正灰色预测残差序列的方法,计算其拟合结果,排除系统数据受到的冲击和干扰,建立基于灰色神经网络组合算法的模型,进而提高预测的精度。将此方法运用于矿业安全事故预测分析中,建立了多个预测模型,比较得出灰色神经网络组合预测模型的最优性,为矿业安全事故的预测研究提供了一种可行性途径。     

基于LLE-ELM的矿井瓦斯涌出量预测方法研究

基于局部线性嵌入(Locally Linear Embedding,LLE)算法和极限学习机(Extreme Learning Machine,ELM)神经网络建立矿井瓦斯涌出量预测模型,该预测模型运用LLE算法对矿井瓦斯涌出量影响因素样本进行数据挖掘,得到降维后的有效因子,再将这些有效因子作为ELM神经网络的输入层进行训练和预测。利用某矿井的实测数据进行实例分析,结果表明该预测模型预测速度快,精度高,能够用于矿井瓦斯涌出量预测。     

基于多源数据融合的煤矿工作面瓦斯浓度预测*

为了解决瓦斯浓度预测使用的单一数据在预测中影响还不够深入的问题,提出基于LSTM神经网络的多源数据融合瓦斯浓度预测模型。模型将上隅角瓦斯浓度、采煤机速度、工作面吨煤瓦斯涌出量等不同数据融合作为输入层参数,使用Adam优化算法更新LSTM网络层参数,利用Attention机制突出关键影响瓦斯浓度的因素,开展多源数据融合的瓦斯浓度预测,结合某矿1008工作面的实际数据,分析不同数据在瓦斯浓度预测中的作用。研究结果表明:单变量下的Attention-aLSTM预测效果相比LSTM提升14.2%;多源数据融合下的Attention-aLSTM相比自身提升了5%。     

基于支持向量机的铁路周边地表沉降变形量预测

为了保护既有运营线路安全,准确预测既有铁路周边地表沉降变形量,针对JCD01和JCD02监测点分别采用网格搜索法和粒子群算法进行参数寻优,建立了基于支持向量机的变形量预测模型。结果表明:对于监测点JCD01,以粒子群算法进行寻优建立SVM变形量预测模型所得均方误差最低,值为0.046 896;对于监测点JCD02,以网格搜索法进行寻优建立SVM变形量预测模型所得均方误差最低,值为0.117 65。利用该模型可以对铁路周边地表沉降变形量进行准确预测,降低事故危害。     

基于泛平均运算的矿井瓦斯浓度组合预测模型

为有效分析煤矿瓦斯监测数据以实现准确、可靠的瓦斯浓度预测,基于不等权泛平均运算模型,研究瓦斯浓度时间序列组合预测的方法,提出一种新的矿井瓦斯浓度组合预测模型,并证明最优组合预测模型是其特例。采用自回归(AR)模型和径向基函数(RBF)神经网络预测模型作为组合预测模型的单项预测模型;以遗传算法和最小二乘法确定新组合预测模型的参数,实现瓦斯浓度预测单项模型的最优组合。试验分析表明:新模型在平方和误差、平均绝对误差、均方误差、平均绝对百分比误差、均方百分比误差等评价指标上,均取得比自回归模型、径向基函数神经网络模型和最优组合预测模型更低的误差。     

二氧化硫烟气碱吸收液低温催化歧化的研究

为实现低浓度二氧化硫烟气处理过程中硫的资源化,提出了一种新型二氧化硫烟气净化技术,即二氧化硫碱吸收-低温催化制备硫黄和硫酸氢钠工艺.该工艺首先采用碱液直接吸收净化二氧化硫烟气,再通过低温催化碱吸收液获得含硫产品,实现了硫的资源化.首先通过热力学计算证明了碱吸收液中亚硫酸氢钠的歧化反应在低温条件(＜100℃)下发生的可行性.然后研究了反应物浓度对吸收过程和歧化反应过程的影响,结果表明,增加反应物浓度可加快歧化反应速率.此外,研究了硫黄产品的脱稳过程,结果表明,当脱稳加热时间为6h时,硫黄产率可达到95.97％,所得硫黄产品为纯度较高的单斜硫.该催化过程为固—液—固反应,兼具了多相反应与均相反应的优点.     

改进的MVO-GRNN神经网络岩爆预测模型研究

准确预测岩爆烈度等级能有效指导岩爆灾害的防控。根据影响岩爆发生及烈度等级的3个因素构建岩爆评价指标体系,提出一种基于改进多元宇宙算法(Improved Multi-Verse Optimizer, IMVO)优化广义回归神经网络(General Regression Neural Network, GRNN)的岩爆预测模型。在普通多元宇宙算法(MVO)的基础上,运用自适应平衡机制调节MVO算法中的虫洞存在概率(V_WEP)和旅行距离率(V_TDR)两个重要参数来改进该算法;再运用改进的多元宇宙算法优化广义回归神经网络的光滑度,通过训练数据优选出最佳光滑因子σ,得到IMVO-GRNN神经网络岩爆烈度预测模型;最后结合工程实例验证模型的性能。研究表明,该模型相比传统模型寻优能力更强,精度更高,为岩爆预测提供了一种新的思路。     

飞机货舱火灾CO浓度神经网络补偿算法研究

针对飞机货舱火灾探测误报率偏高且响应速度较慢的问题，采用电化学式一氧化碳传感器来代替传统民机所用的光电式烟雾探测器来探测飞机货舱火灾，并提出了一种基于粒子群算法(Particle Swarm Optimization, PSO)优化长短期记忆(Long Short-Term Memory, LSTM)神经网络的一氧化碳浓度补偿模型。首先在自搭建试验平台采集密闭空间火灾的多项试验数据，然后用PSO优化LSTM的隐藏层神经元个数和学习率，提高了LSTM的预测精度。通过与其他3种神经网络对比，PSO改进LSTM模型在基于时间序列的火灾一氧化碳检测中具有更好的补偿效果。通过浓度补偿，可以使电化学式一氧化碳探测器在飞机货舱火灾发生的早期阶段进行更准确的探测预警。