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BP神经网络不同输入变量的爆破振速预测

以某隧道爆破开挖为实例,利用BP神经网络解决复杂非线性函数逼近问题的能力,以最大段药量、爆心距、爆破分段数、泊松比、岩石基本质量指标作为影响爆破振动速度的主要因素,选取不同维数的输入变量建立BP神经网络模型来预测爆破振动速度。对比分析各组预测值与实测值之间的相对误差,选取合理维数的输入变量建立了爆破振动危害预测的BP神经网络模型。     

前车突然切入时驾驶人应激生理特性研究

为研究前车突然切入对驾驶人生理负荷的影响,利用MP150生理监测系统对22名被试进行虚拟驾驶试验。采集记录前车突然切入时被试的生理参数。研究驾驶人心率增长率和心率变异性(HRV)指标与车速、应激距离之间的关系。结果表明:自车速度为100 km/h时,随着前车切入距离从55.6 m减小到27.8 m,被试的平均心率增长率从16.21%增大到23.27%,HRV参数低频(LF)值也呈现下降趋势。前车切入距离一定,随着自车车速从60 km/h增加到120 km/h,被试的平均心率增长率存在显著性差异,平均从13.05%上升到21.85%。差异性检验结果表明,前车切入距离和自车速度发生变化时驾驶人的生理负荷变化趋势一致,但自车速度因素对驾驶人生理负荷的影响程度高于切入距离因素。     

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GA-ELM的冲击地压危险性预测研究

为提高冲击地压预测的效率和准确率,在分析冲击地压影响因素的基础上,提出了一种将遗传算法(GA)与极限学习机(ELM)相结合的冲击地压预测的新方法。为了避免ELM受输入权值矩阵和隐含层偏差随机性的影响,算法采用GA对ELM的输入权值矩阵和隐含层偏差进行优化,建立GA-ELM冲击地压预测模型。利用某矿冲击地压统计数据对该模型进行了实例分析,将ELM、SVM和BP算法预测结果与该模型进行了对比分析。结果表明:GA-ELM模型具有较高的预测精度,可以相对准确、有效地对冲击地压发生的可能性进行预测。     

基于GASA-BP神经网络的煤层瓦斯含量预测方法研究*

为提高煤层瓦斯含量预测的精准度和效率,提出1种利用遗传算法（GA）和模拟退火算法(SA)混合初始化BP神经网络（BPNN）的瓦斯含量预测新模型（GASA-BPNN模型）。利用灰色关联分析法（GRA）筛选瓦斯含量主控因素并作为GASA-BPNN预测模型的输入。为解决BPNN收敛速度慢和易陷入局部极小陷阱的问题,将GA和具有时变概率突跳性的SA整合为GASA算法协同初始化BPNN的权值和阈值,有效地提高BPNN的参数学习能力。将该模型应用于煤炭生产现场,结果表明:BPNN模型、GA-BPNN模型和GASA-BPNN模型瓦斯含量预测总平均相对误差分别为15.79%,9.03%,5.56%。相比BPNN模型和GA-BPNN模型,GASA-BPNN模型对样本的泛化能力更强,参数训练速度最快并且预测精准度最高。     

基于遗传BP神经网络模型的矿井突水水源判别

在分析矿井突水水源的水化学特征基础上,选取常用的Na~++K~+,Ca~(2+),Mg~(2+),Cl~-,HCO_3~-,SO_4~(2-)等6种离子质量浓度作为水源判别的依据,将具有局部搜索能力的BP神经网络和具有全局寻优功能的遗传算法(GA)进行结合,提高神经网络的泛化性。为了验证其优点,分别采用BP和GA-BP两种神经网络模型对20组训练样本进行训练,并对6组待测样本进行判别。结果表明:GA-BP神经网络模型克服了BP神经网络初始权值与阈值的随机性、易陷入局部最优的缺点,能提高BP神经网络的判别精度;虽然经过GA初始化的BP神经网络在训练过程中收敛速度与误差均不如未优化的BP神经网络,但GA-BP网络模型泛化性却高于BP网络模型,能提高突水水源的判别准确性。     

基于前车速度预测的信号交叉口汽车生态驾驶控制策略

为降低车辆通过信号交叉口的油耗和排放,研究车路协同环境下基于前车速度预测的信号交叉口汽车生态驾驶控制策略.通过转鼓试验修正目标车辆的VT-CPFM油耗模型和VSP排放模型,构建RBF神经网络模型对前车速度轨迹进行预测.以油耗为目标函数,排放为约束,创建基于动态规划的目标车辆速度优化算法,在MATLAB仿真得到目标车辆通过信号交叉口的优化速度诱导轨迹及油耗排放.仿真结果表明:加速优化诱导策略使得油耗、NOx、CO、THC分别降低了 27.3％、27.7％、32.9％、32.1％,减速优化诱导策略使得油耗、NOx、CO、THC分别降低了 25.1％、26.3％、32.6％、23.1％.在转鼓试验台进行实车试验,依据仿真计算得到的优化速度诱导轨迹测试目标车辆的油耗和排放.试验结果表明:加速优化诱导策略使得油耗、NOx、CO、THC分别降低了 21.4％、20.7％、22.4％、20.4％,减速优化诱导策略使得油耗、NOx、CO、THC分别降低了 20.1％、23.4％、30.9％、22.6％.     

基于YOLO-BP神经网络的古建筑修缮阶段火灾监测方法*

为提高古建筑修缮阶段火灾监测水平，有效预防火灾事故，提出1种基于YOLO-BP神经网络算法的古建筑修缮阶段火灾监测模型。针对修缮作业对古建筑产生的消防隐患，在施工场地设置监测点，并利用YOLO算法以火源、可燃物为目标进行检测与定位，计算火源与可燃物距离；以火源温度、含氧量、火源与可燃物距离3项指标作为BP神经网络输入层，以火灾概率为输出层，从而进行预测；基于古建筑修缮阶段焊接、切割动火作业阶段的样本数据进行仿真模拟。结果表明:利用模型监测古建筑修缮阶段火灾的准确率达93.9%，验证模型的可靠性；当火源温度在150~2 000 ℃范围内，含氧量不小于19.5%时，动火作业安全距离为10.1 m。     

融合心电特征提取的矿工疲劳状态识别

疲劳引起的人为失误是事故的主要原因。为准确识别矿工疲劳状态，降低作业风险，利用麻雀搜索算法(Sparrow Search Algorithm, SSA)优化反向传播(Back Propagation, BP)神经网络，构建疲劳识别模型。首先，通过模拟日常作业进行疲劳诱发试验，将OpenBCI Cyton开发套板作为心电信号的采集装置；其次，借助MATLAB对所采集心电信号(Electrocardiogram, ECG)数据进行预处理，基于疲劳等级形成初始样本数据集；进而利用Pan-Tompkins算法进行特征提取；最后，针对特征间皮尔逊相关系数进行假设检验，从而获得优选指标并用于模型训练，经疲劳识别模型得出结果。结果表明，与传统BP神经网络、支持向量机(Support Vector Machines, SVM)、遗传算法(Genetic Algorithm, GA)优化BP神经网络相比，模型准确率分别提高6.25百分点、22.92百分点、2.78百分点，从而为企业作业人员休息制度的制定及完善提供了理论依据。研究结果对于相关便携式精神状态监测硬件研发具有参考价值。     

基于PCA-BP融合的边坡稳定性评价模型

针对边坡岩土体物理力学性质复杂、边坡稳定性影响因素众多等特点,提出将主成分分析(PCA)和BP神经网络结合起来进行边坡稳定性评价的方法。若BP神经网络训练误差一定,则网络信息容量与样本数成正比。当样本数较少时,就必须减少样本维数,以达到较好的匹配效果,为此,引入主成分分析法(PCA)对影响边坡稳定的众多变量进行降维处理,以消除输入数据间的相关性,有效地减少预测模型的输入量,优化网络的输入节点数,提高网络的运行效率。针对BP算法容易落入局部最小、收敛速度慢等缺点,引入粒子群优化算法(PSO)优化神经网络的连接权重与阀值,从而克服了BP神经网络的固有缺陷。在此基础上,建立基于PSO优化算法的PCA-BP融合的边坡稳定性评价模型。模型分为3个层次,第一层次为输入层,即经过PCA分析之后获得的主成分;第二层次为隐含层;第三层次为输出层,即安全系数。应用该评价模型进行算例分析,结果表明,安全系数的模型计算值与参考值的绝对误差均很小,相对误差均控制在6%以内,吻合程度较高。     

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GA-ELM浆体管道输送临界流速预测模型研究

针对浆体管道输送临界流速预测难度大、精确度低等技术难题,提出了基于极限学习机(ELM)的临界流速预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为适应度函数,利用遗传算法(GA)对ELM模型参数进行优化,应用优化得到的ELM模型对预测集进行预测。以某矿山为例,模型参数优化结果如下:隐含层节点数L为400,输入权值ai、偏置向量bi最优组合下预测结果适应度为0.0201。采用优化的ELM模型对预测集进行预测,预测结果的最大相对误差x=3.96%,平均相对误差y=1.58%,对比BP神经网络(x=12.95%)和SVM模型(x=3.19%),表明ELM模型更加精确、高效。     

基于视频轨迹参数的边缘率减速标线驾驶行为效果评价方法

为探究边缘率减速标线对驾驶行为与交通安全的作用效果,提出了基于监控视频提取轨迹参数的实证评价方法.采用背景差法和透视变换方法对监控视频进行车辆目标提取和轨迹处理,进而提取车辆速度、加速度、车头时距、车头间距和车道偏移等行车参数;通过参数统计分析,边缘率减速标线对车速控制、跟车距离保持和车道保持都有不同程度的控制效果,但使纵向舒适性变差;为了综合评价其效果,基于层次分析法建立了边缘率标线的综合控制效果评价模型,从有效性、安全性和舒适性3个维度对减速标线进行综合评价.该方法和模型还可用于评价其他不同设计参数的减速标线.     

安全跟车

行进中的车辆,因受前车阻碍,视线被局限,驾驶员接受来自前方的信息较慢,在驾驶操作上显得被动。因此,跟车要安全、谨慎。应正确判断、掌握行进中车辆的间距,必须控制与前车的纵向距离,尽可能扩大视野。跟车如何注意安全呢?     

遗传算法优化的BP神经网络在地震死亡人数评估中的应用

破坏性的地震灾害作为一种突发性自然灾害,往往会在短时间内造成大量的人员伤亡和财产损失。地震发生后若能有效地预测伤亡人数,可以更科学地组织人员救灾与配置救灾物资,对于减少震后的人员伤亡具有一定的指导作用。通过我国往期的地震数据信息,分析总结出对人员伤亡数目影响较大的7个因素,分别为地震等级、地震时间、震源深度、震中烈度、抗震设防烈度、震中烈度与抗震设防烈度之差(ΔL)、人口密度。鉴于这7个影响因素与地震时的死亡人数呈非线性关系,选用基于遗传算法(GA)优化的BP神经网络建立地震死亡人数预测模型。针对BP神经网络的局限性,利用遗传算法全局搜索最优值的特点,对BP神经网络的权值与阀值进行优化,防止BP神经网络陷入局部最优解,并且加快神经网络收敛速度,从而提高BP神经网络的预测精度。从我国1970年至2016年之间发生的地震灾害中,选取32组造成人员伤亡的地震数据,对初始数据进行处理后,利用遗传算法优化的BP神经网络预测模型进行训练并预测。选取27组样本作为训练样本,另外5组样本作为测试样本。预测分析结果表明,遗传算法优化的BP神经网络预测死亡人数与真实死亡人数相比平均误差为9.72%,均方误差为10.41,而BP神经网络的预测死亡人数的平均误差为17.61%,均方误差为18.02,因此GA-BP神经网络结果较为理想,相比传统的BP神经网络具有更高的逼近精度。     

高速道路追尾感知PC-Crash仿真与统计建模

为防范和减少高速道路追尾事故,提出一种基于PC-Crash仿真与统计分析的高速道路追尾事故感知模型。以事故比例较大的小型车之间的基础碰撞模型为研究对象,首先,基于PCCrash第一类参数分析单因素和正交试验的参数敏感性,确定以冲入速度为指标的追尾避撞主要参数,前3名影响参数反应时间、初速度和减速度;其次,运用统计分析软件SPSS和Stata分别建立基于仿真得出的270组冲入速度的回归模型;然后通过典型高速公路事故实证,确定最佳感知测度模型。经检验分析,二分类Logistics回归模型能较为准确地判断出当前跟车距离是否安全。     

安全开车三禁忌

忌跟车太近与前车的距离太近的话，驾驶视野会被前车所遮挡，无法清楚观察前方的交通情形，一旦发生紧急事故，如前方有障碍物，又或者前车突然慢速行驶，就无法作出最快、最敏捷的反应，甚至因刹车距离太近，不可避免地撞上前车，引起交通意外。     

基于模糊神经网络方法的信息系统安全风险评价研究

为提高信息系统安全风险评价的准确性,提出基于模糊神经网络的信息系统安全风险评价模型。该模型利用模糊理论隶属度反映各因子的相对状态,对模糊性具有很高的识别精度。将风险因子模糊隶属度矩阵输入BP神经网络中,增加了它对模糊性的识别能力。通过非线性分析处理的BP神经网络进行学习和测试,得到输出风险评价等级。实例分析结果证明算法的应用性。误差分析结果证明了模型的有效性。检验结果表明,模糊神经网络模型的识别精度高于单一的模糊评价模型和神经网络模型。     

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。