基于PCA和BP神经网络边坡稳定性分析

基于影响边坡稳定性各因素之间具有一定的相关性和边坡工程是一个非线性、不确定的动态过程等这些特征,首次应用主成分和BP神经网络的原理和方法,建立了边坡稳定性评价模型,并应用SPSS软件对影响因素进行分析并确定主成分,应用Matlab71神经网络工具箱对一些边坡样本进行训练仿真。对比了经过主成分分析和未经过主成分分析评价结果,结果表明,经过主成分分析的BP神经网络评价精度更高,相对误差更小。表明了建立主成分和BP神经网络评价模型具有较好的可行性和适用性。     

基于SKPCA与NEAT算法的煤与瓦斯突出危险性预测

针对煤与瓦斯突出预测精度不足的问题,为了减少突出灾害的危害,提出了基于稀疏核主成分分析法(SKPCA)与增强拓扑神经进化算法(NEAT)的煤与瓦斯突出危险性预测方法.通过核主成分分析法对突出非线性数据进行降维,然后对主成分数据进行稀疏化,减少原始数据中不重要元素对降维后主成分的影响.搭建增强拓扑神经进化网络(NEAT)预测模型,采用进化算法同时优化神经网络的权值和拓扑结构,得到最佳神经网络预测模型.将处理后的主成分数据输入模型预测突出危险指数,结果表明,该方法危险等级预测准确度达到98％,SKPCA-NEAT模型在煤与瓦斯突出预测上相比PCA和BP神经网络具有优势.     

基于PCA-BP神经网络的多股铜导线 熔痕定量金相识别方法研究

为实现火灾现场中多股铜导线熔痕的自动识别,采用主成分分析(PCA)和反向传播(BP)神经网络算法对四种多股铜导线熔痕(一次短路熔痕、二次短路熔痕、过负荷熔痕和火烧熔痕)的金相组织进行了识别研究。利用Image-Pro Plus 6.0和Axio-Imaging软件获取每种熔痕30组17维金相组织参数数据,采用PCA对四种熔痕共120组数据降维,获得前6个主成分得分矩阵,建立具有6个输入层节点,10个隐层节点和4个输出节点的神经网络模式识别模型。随机抽取每种熔痕的20组样品的主成分得分矩阵作为训练集,将每种熔痕的剩余10组主成分得分为测试数据,输入最终训练完成的模型进行识别,其识别准确率达到92.5%。实验结果表明采用PCA+BP神经网络的算法,可以较好地实现多股铜导线熔痕识别,为火灾物证鉴定工作提供了有力的工具。     

基于物元分析与PCA的部队汽车分队安全评价模型

为改善部队汽车分队的安全状况,建立了基于主成分分析与BP神经网络的部队汽车分队安全评价模型。在利用层次分析法建立分队系统的安全评价指标体系的基础上,将专家作为样本,进行物元分析,两者联合确定指标权重,进而得到相对客观的评价样本。对样本提取主成分,使输入变量降维且相互独立,以提高网络训练和预测效果。结果表明,其预测精度优于不采用主成分分析的BP网络模型,且相对误差在4%以内,模型具有可行性。因此,结合了物元分析与主成分分析的BP网络耦合模型能更加客观、准确地评价和预测被评价对象的实际安全状况。     

基于主成分分析和BP神经网络的综合安全评价模型

提出了基于主成分分析法和BP神经网络的综合安全评价模型.利用主成分分析法的数据降维功能对评价指标进行特征提取,选用合适的主成分作为神经网络的输入,构建网络拓扑结构.在建立多层次道路危险货物运输企业安全评价指标体系的基础上,采用MATLAB对企业安全现状进行实证仿真分析.结果表明,基于主成分分析法和BP神经网络的综合安全评价模型的评价结果优于其他评价模型.研究表明,本文得到的综合模型能够更加客观、准确地反映评价对象的实际情况.     

含硫气井完整性风险等级预测研究

为保证含硫气井在开发过程中安全高效生产,提出一种基于主成分分析(PCA)和BP神经网络的含硫气井完整性风险等级预测模型。首先,采用Bow-tie方法得到含硫气井完整性失效风险因素,通过模糊评价法对风险因素进行量化处理;然后,利用PCA提取综合指标,并结合BP神经网络得到预测模型,进而得到风险等级。研究结果表明:通过PCA能使BP神经网络的输入数据由28个减少至4个,所建模型的风险等级预测精度高于未经PCA的BP神经网络;通过PCA与BP神经网络结合的预测模型可识别含硫气井开发过程中完整性失效的风险因素,完善了含硫气井风险等级预测技术。     

深度置信网络算法在公路边坡工程安全评价中的运用

针对传统边坡工程安全评价方法无法对边坡稳定性进行符合实际情况下工程安全评价的问题,提出一种基于深度置信网络(Deep Belief Networks, DBN)算法的公路边坡工程安全评价方法。首先,使用MATLAB建立模型;然后,对基于DBN算法的边坡稳定性安全评价方法进行研究;最后,使用DBN算法在莆炎高速公路项目中进行公路边坡工程安全评价。结果显示：(1)与反向传播(Back Propagation, BP)神经网络相比,DBN模型得到的预测值误差更小,精度更高,计算复杂度更低、可扩展性更强;(2)在实际工程中,DBN算法能够有效地对众多非线性因素共同作用下的公路边坡进行符合实际的安全评价。     

基于PCA-RBF的高校学生宿舍火灾安全评价及应用

为减少我国高校学生宿舍火灾隐患,采用PCA-RBF神经网络模型进行高校学生宿舍火灾安全评价.首先,获取高校学生宿舍火灾发生的主要影响因素,建立火灾安全评价指标体系.进而引入智能化评价方法,构建了基于径向基函数神经网络(Radial Basis Function Neural Network,RBF)的高校学生宿舍火灾安全评价模型.同时,为避免评价指标的冗余性和神经网络评价中维数爆炸的局限性,引入主成分分析法(Principal Component Analysis,PCA)对指标体系进行降维处理.最后,通过实例分析验证该评价模型的可行性和有效性.结果表明,引入主成分分析方法有效解决了 RBF神经网络在高校学生宿舍火灾安全评价上存在的多种局限性问题.     

基于PSO优化BP神经网络的水质预测研究

为快速准确地预测河流水质,结合汾河监测数据,使用粒子群算法(PSO)优化BP神经网络模型(PSO-BP)进行水质预测.通过灰色关联度分析确定输入变量,利用PSO算法修正BP网络的初始权值、阈值,优化神经网络结构及算法全局收敛性.采用该模型对汾河主要污染物指标COD、BOD5、氨氮、挥发酚等进行预测和验证.结果表明,与传统的BP神经网络模型相比,PSO-BP模型使最大相对误差从15.43％减小到1.46％,其平均误差由4.00％减小到1.01％,预测均方根误差从5.956×10-3减小到1.605×10-4.因此,基于PSO-BP神经网络模型的预测更加精确,可用于水质预测.     

基于PCA-GA-BP神经网络的瓦斯含量预测分析

为提高煤层瓦斯含量预测的效率和准确率,提出了先采用主成份分析（PCA）方法来降低变量间的相关性,然后将遗传算法（GA）与BP神经网络相结合的煤层瓦斯含量预测的新方法。为了避免BP神经网络收敛速度慢、易陷入局部极小值等问题,算法采用GA对BP神经网络的权值和阈值进行优化,利用Matlab软件进行编程,建立了BP神经网络和GA-BP神经网络瓦斯含量预测模型。选取淮南某矿瓦斯含量及其影响因素作为实验数据对该模型进行了实例分析,将主成份回归和BP网络算法预测结果与该模型进行了对比分析。结果表明:PCA-GA-BP网络预测模型平均相对误差为2.759%,预测效果明显优于主成份回归和BP网络预测模型,可以准确的预测煤层瓦斯含量。     

基于PCA-ELM的地震死亡人数评估

地震往往会在短时间内造成巨大的人员伤亡和财产损失,为了震后救援工作能够快速高效的展开,建立了主成分分析(Principal Components Analysis,PCA)和极限学习机(Extreme Learning Machine,ELM)相结合的地震死亡人数预测模型。综合考虑影响地震死亡人数的多种因素,选取震级、震源深度、震中烈度、抗震设防烈度、人口密度、发生时间和预报水平7项主要因素作为评价指标。首先,利用主成分分析对原始变量进行降维处理,并计算出主成分得分,作为ELM的输入;其次,对构建的ELM地震死亡人数预测模型进行训练;最后,对选取的32组地震样本进行算例仿真,并与未经PCA处理的ELM算法和BP神经网络算法进行对比。结果表明,基于主成分分析的极限学习机算法对地震死亡人数预测具有较高的预测精度,验证效果良好。     

基于PCA-RBF神经网络的地铁车站火灾风险评估

为避免地铁车站火灾事故的发生,帮助地铁车站管理部门做好火灾风险评估工作,提出基于PCA-RBF神经网络的地铁车站火灾风险评估模型。采用主成分分析法(Principal Component Analysis,PCA)对风险评价指标体系进行降维处理,并将降维后的主成分作为RBF神经网络的输入变量;选择具有代表性的样本数据训练RBF神经网络,并用检验样本测试训练效果;最后,输入待测样本数据得出火灾风险评估结果。通过实例对比分析,验证了该评估模型在地铁车站火灾风险评估中的可行性与准确性,对类似项目火灾风险评估具有一定参考意义。     

基于AGA-BP神经网络的采空区危险性评价

针对采空区危险性评价的影响因素众多且关系复杂的特点,提出了基于AGA-BP神经网络算法评价采空区危险性。将岩体结构、地质构造、岩石抗压强度等13个影响因子作为神经网络输入,采空区危险性等级作为输出,建立一个采空区危险性评价的BP神经网络模型;采用自适应遗传算法(AGA)对BP网络的初始权值和阈值进行全局寻优,将寻优结果回代入网络中进行训练并预测得出采空区危险性等级;利用其它智能算法与该预测结果做出比较,以验证AGA-BP算法的有效性及优越性。结果表明:该算法的优化效果明显,同时在训练时间与预测精度上较其它智能算法有突出的优势,是一种在采空区危险性评价方面值得推广的新方法。     

基于PCA-FPP-BP神经网络的高层建筑火灾安全评价

为解决高层建筑构造复杂、人员密度大、火灾触发因素繁多而造成高层建筑火灾安全评价困难的问题,本文提出基于PCA-FPP-BP神经网络的高层建筑火灾安全评价模型。首先运用主成分分析(PCA)对构建的高层建筑火灾安全评价指标降维处理,筛选主要信息;接着基于三角模糊数构建模糊评判矩阵,利用模糊优先规划(FPP)求解指标的权重值,减少主观的影响;最后考虑到指标间关系错综复杂彼此交叉和反馈的特性,选择BP神经网络对高层建筑火灾安全进行评价。通过工程案例证明该评价模型的实用性以及可靠性。     

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。     

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。     

煤矿冲击地压预测的PCA-GRNN方法

为更合理有效地解决煤矿开采引起的冲击地压危险性预测问题,以忻州窑煤矿冲击地压事故为工程背景,采用一种数据降维算法—主成分分析法(PCA),对广义回归神经网络(GRNN)的输入样本进行信息压缩,构建冲击地压危险性预测的PCA-GRNN模型。通过PCA法提取影响冲击地压强度的煤层厚度、倾角等9个因素,得到冲击地压危险性影响因素的前4个主成分因子表达式,并构建BPNN,GRNN和PCA-BP等另外3种模型,验证PCA-GRNN法预测冲击地压危险性的智能性和泛化能力。结果表明,所建PCA-GRNN模型平均训练误差为3.5%,平均预测误差为3.6%,有很好的预测能力和泛化能力。     

GA-BP算法应用于核事故源项反演的研究

为了更准确地估算核事故源项,提高核事故后果评价的准确性,将用遗传算法优化的BP神经网络算法应用于核事故源项反演,改善BP神经网络学习算法应用于核事故源项反演时易陷入局部极小的缺陷。应用Matlab软件编码实现用遗传算法来优化BP神经网络的权值和阈值,将这些优化值赋给网络,得到优化的BP神经网络,即GA-BP神经网络。用7 852组训练数据训练GA-BP神经网络,训练结束后,用500组测试数据评估两种算法的性能。经统计计算得到GA-BP神经网络的平均训练误差为7.98%,小于原始BP神经网络的10.25%;GA-BP的平均测试误差为9.78%,小于原始BP神经网络的10.21%。训练和测试结果表明,经遗传算法优化的BP神经网络误差明显小于原始BP神经网络算法,GA-BP神经网络算法能有效地避免原始BP神经网络容易陷入局部极小值的缺陷,且缩短了训练时间,提高了源项反演的准确度。     

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....     

基于BP网络的建筑安装施工现场安全综合评价的研究

针对目前我国建筑安装施工现场安全评价技术的不成熟和欠科学性的现状 ,笔者分析和综合了目前安全评价技术 ,结合建筑业特点 ,提出了基于BP神经网络的建筑安装施工现场安全评价方法 ,并对该评价模型的原理、方法及算法进行了研究。首先 ,结合建筑安装施工现场安全生产的特点建立评价指标体系 ,随后 ,运用层次分析法确定指标及准则层的权重 ,并运用模糊综合评价法生成评价样本集 ,最后 ,利用样本集训练BP网络 ,待误差满足要求后 ,即可运用训练成功的BP神经网络进行安全评价。