人工神经网络在矿井多水源识别中的应用

以焦作矿区水化数据为例,选用Na++K+、Ca2+、Mg2+、Cl-、SO2-4、HCO-36种水化离子浓度作为识别矿井水源的依据,运用Matlab软件分别建立BP神经网络与Elman神经网络的矿井多水源识别模型。应用结果表明:与静态的BP神经网络相比,在结构上增加承接层的Elman神经网络在训练和仿真中拟合能力更强,识别精度更高和泛化能力更好;矿井地下水随着地下开采与扰动具有动态性,将具有非线性动态特征的Elman神经网络应用于矿井多水源的识别,对准确判断突水来源和分析地下水运移规律具有一定的辅助和指导意义。     

灰色Elman神经网络在火灾事故预测中的应用研究

针对我国火灾事故现状,结合灰色理论和神经网络的特点,提出灰色Elman神经网络火灾事故预测模型。依据我国1998—2007年火灾事故统计数据,分别选用GM(1,1)模型和灰色Elman神经网络模型对1998—2005年数据(火灾起数)进行拟合,对2006年、2007年数据进行(火灾起数)预测。结果表明:灰色Elman神经网络火灾事故预测模型符合火灾事故的特点;有效地解决了传统灰色预测模型在火灾事故预测中误差大稳定性差的缺陷,提高了预测精度;可对火灾事故进行预测与分析,为消防安全管理提供依据,以最大限度地减少火灾事故的发生。     

基于弯管流量计的煤粉质量流量检测

在双弯管法测量的基础上建立了新的数学测量模型,并在煤粉输送实验平台上得到了大量的实验数据,利用人工神经网络强大的非线性拟合的能力,解决了新的数学模型的非线性关系。利用新的数学测量模型分别建立了Elman神经网络和BP神经网络测量模型;结果表明Elman神经网络在新的数学模型下测量出的煤粉质量流量与实际煤粉质量流量更加接近,能更好地解决新模型下的复杂函数关系,提高煤粉质量流量测量的精确度。     

改进的Elman神经网络在瓦斯涌出量预测中的应用

在煤矿瓦斯灾害中,煤矿瓦斯突出是导致瓦斯重特大事故的主要原因之一。目前常用的基于反向传播(BP)神经网络和遗传算法-Elman神经网络(GA-ENN)耦合算法等建立瓦斯涌出量预测模型的预测方法在收敛性和精度上均存在一定的缺陷。提出了一种利用混沌免疫遗传优化算法(CIGOA)对Elman神经网络进行改进的新型智能优化算法来增强粒子的活性,提高其局部搜索能力和全局优化能力,克服了遗传算法(GA)的固有缺陷。对煤矿现场跟踪实测后进行仿真分析,结果表明:运用提出的CIGOA-ENN预测模型预测的最大相对误差为4.47%,最小相对误差为1.12%,平均相对误差为2.27%,明显小于BP神经网络和GA-ENN等预测模型的预测结果,表明CIGOA-ENN预测模型的输出结果更精确,对瓦斯涌出量预测系统的辨识误差更小,性能更优越。     

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。     

煤尘润湿接触角的BP神经网络估算方法研究

通过采集和测定35个矿区煤样品的化学组成、结构参数和润湿接触角,构建了以13个影响因子为输入参数和以接触角为输出目标的3层BP人工神经网络,并利用该模型估算煤尘润湿接触角。结果表明,隐含层节点数为19时,接触角估算值与实测值的决定系数R2=0.957,平均相对误差为4.59%,表明基于BP神经网络建立的煤尘润湿接触角估算模型具有很高的精度。     

Elman神经网络在矿井突水水源判别中的应用

矿井突水是矿建与生产过程中最具威胁的自然灾害之一,准确判别突水水源是防治水害的关键。选取6种离子的质量浓度作为突水水源的判别因素,将河南省焦作矿区不同水层的39组水化数据以2种样本设计方案进行Elman神经网络模型的构建与检验。以不同的35组水源样品作为训练样本,运用Matlab软件进行Elman神经网络训练,将所建立的判别模型应用于(相应的)4组待测样本的判别,并与DDA、FDA、Bayes三种判别方法的判别结果进行分析比较。2种方案应用结果表明:将具有非线性动态特征的Elman神经网络应用于突水水源判别,在结合相应的水文地质条件前提下,可以准确判断突水来源;矿井多年的开采促使地下各水层水质呈动态变化,Elman神经网络判别模型能够反映这种变化特性,对探寻地下水运移与演化具有一定的应用价值。     

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BP神经网络的非煤地下矿山安全评价模型

针对非煤地下矿山安全评价的复杂性和非线性特性,BP神经网络对非线性动态系统较强的适应性,提出并建立了一种基于BP神经网络的非煤地下矿山安全评价模型。为提高该模型的可靠性,结合非煤地下矿山生产工艺特点,提出了一套便于统计和赋值的安全评价指标体系;确定了BP神经网络结构和评价结果表征方法;为提高BP神经网络算法的收敛速度和稳定性,对标准BP算法进行有效改进;通过实例运算验证了该模型的可行性。基于BP神经网络的安全评价模型为评价非煤地下矿山安全管理现状及水平提供了可操作的方法,为矿山有关部门提供了科学安全管理的依据。     

BP神经网络在矿井本质安全程度评价中的应用

采用BP神经网络对矿井本质安全程度进行评价。介绍了矿井本质安全程度评价方法以及BP神经网络的结构及原理；按照BP神经网络训练的步骤，以matlab6．0为平台，利用其内嵌的神经网络工具箱，生成通用的神经网络评价模型；输入经过标准化后的矿井本质安全程度指标的评价分数，投入神经网络运算，就可以得出该矿井的本质安全程度。     

Optimum parameters for fault detection and diagnosis system of batch reaction using multiple neural networks

Batch process usually differs from the continuous process because of its time-varying variables and the process parameters. An early detection and isolation of faults in the process will help to reduce the process upsets and keep it safe and reliable. This paper discusses on the application of multi-layer perceptron neural network in detecting various faults in batch chemical reactor based on an esterification process that involves the reaction of ethanol and acetic acid catalyzed by sulfuric acid. A multi-layer feed forward neural network with double hidden layers has been used in the neural network architecture. The detection was based on the different patterns generated between normal and faulty conditions. An optimum network configuration was found when the network produced the minimal error with respect to the training, testing and data validation.     

基于神经网络的温度预测

室内温度与诸多影响因素之间的非线性、复杂性等关系 ,给建模、预测带来了难度 ,引入了人工神经网络 ;利用人工神经网络的非线性、并行计算和自学习特性进行建模 ,实现了对温度模拟     

The photocatalytic degradation of carbamazepine and prediction by artificial neural networks

The three layer artificial neural network model was applied to predict the degradation efficiency for carbamazepine in photocatalytic oxidation under UV radiation. Titania–zirconia was employed as a catalyst for the photooxidation. The catalyst was prepared using titanium isopropoxide and zirconium oxychloride by sol–gel method and characterized by transmission electron microscopy and BET analysis. Different process parameters such as, initial concentration of carbamazepine, pH of the solution, catalyst concentration and time of UV irradiation were employed as the input to the artificial neural network model and the output of the network was degradation efficiency of carbamazepine. The multilayer feed-forward networks with the Levenberg–Marquardt (trainlm) backpropagation training algorithm was used for the network training. The smallest mean square error was obtained for three-layer network with ‘logsig’ transfer function and five neurons in the hidden layer gave optimal results. A comparison between the predicted values and selective experimental data of degradation efficiency showed a high correlation coefficient (R²) of 0.997.     

两类新型神经网络及其在安全评价中的应用

详细讨论小波神经网络(WNN)和模糊神经网络(FNN)的构造以及训练学习过程,并针对安全评价问题分别完成算例。典型算例表明:小波神经网络具有很好的逼近与映射能力,并且有很强的泛化能力;模糊神经网络将模糊数学与人工神经网络相互融合起来,有效提升了系统的智能功能。两类新型神经网络使得人-机-环境系统工程中的许多安全评价问题有了更广泛的量化工具,并具有安全评价的量化较准确的特点。     

基于BP神经网络的煤矿安全预警评估机制研究

从预警预控机制出发,针对煤矿安全生产的特点对其安全隐患进行识别,从而构建由人员行为、自然因素、组织管理等影响安全状态的预警体系。提出了基于BP神经网络的安全预警评估模型,并给出了模型的实例检验,建立了预警预控的运作流程,为煤矿安全生产的长效机制提供决策支持。     

结构解析型神经Petri网模型及其在雾霾危害性评价中的应用

为了评价不同PM_(2.5)质量浓度的雾霾对人群健康的危害性,采用函数Petri网与人工神经网络的学习机制相结合的方法,构建了结构解析型神经Petri网模型,简称SP_NPN模型。该模型可以继承ANN的自学习功能,具有ANN的联想存储功能,并能够快速寻找最优解;该模型的网络结构可以是任意的,从而具有良好的适应性;该模型对输入信息没有依赖,它将网络内部的动态作为关注焦点,因而特别适用于复杂系统结构的解析与因果关联分析;该模型的内部节点具有明确的物理含义,因而方便对复杂系统建模。应用结果表明:利用SP_NPN模型解析雾霾对人体健康的危害性,一组观测输入和输出会获得多种解析结果,据此可以发现人体系统内部存在的所有致病类型,从而为相关精确诊断方案的制定指明方向;通过固定某些弧的权系数,可以使解析结果达到唯一,从而发现导致解析结果唯一时的关键因果关联关系,依据这些关联关系设置观测方案,能够为精确诊断方案的制定提供依据;此外,利用SP_NPN模型的因果关联关系解析功能,能够揭示雾霾中PM_(2.5)质量浓度变化与人体致病机制之间存在的因果关联关系,并计算出不同PM_(2.5)质量浓度的雾霾对人群健康的危害性程度,从而达到对雾霾危害性进行评价的目的。     

基于粗神经网络的管制员工作差错风险预警模型

针对空中交通管制员工作差错风险类型,指出指标体系建构过程的动态性特征,从个人、团队、设备、环境及管理几个方面,建构预警指标体系,运用粗糙集在数据挖掘方面的优势,通过基于属性重要度的启发式约简算法,提取关键指标,剔除冗余指标,可以实现在不丢失关键预警监控对象的情况下,结合BP人工神经网络构建实时预警模型,既有利于加快运算速度,又有利于进行重点监控.经过实例仿真,粗糙集与BP网络结合建构的预警模型,能有效针对管制员工作差错风险进行实时预警监控.