火电厂干灰湿排系统结垢影响因素与结垢预测的人工神经网络方…

通过对几个电厂灰水试验研究，导出了干灰湿排灰水系统结垢主要影响因素，本文以试验研究为基础，提出了联合梯度算法，首次用人工神经网络方法对灰管结垢预测进行了探讨，为水质预测提供了一条新途径。     

CN算法应用于我国23次强震的预测研究

本文用CN算法研究了我国近期大陆东部和西部南北带及邻近区域共23次强震前的TIP,即强震发生概率增长时间。结果表明,18次强震发生在被判定的强震发生概率增长时间的TIP内。TIP警戒约占总研究时空域的30％,获得了较好的中期地震预测效果。表明CN算法可作为强震中期预测的手段之一。     

煤体注水湿润半径预测的神经网络模型

合理的注水半径一直是煤体注水防尘技术中难以确定的参数。笔者基于对影响煤体注水半径因素的分析和神经网络理论的原理之上 ,设计网络模型为 3层 ,输入层为 7个节点 ,应用BP网络算法 ,建立了煤体注水湿润半径的预测模型 ,并对其参数进行了讨论。然后 ,用平顶山矿务局和水城矿务局 13个矿 19个回采工作面的统计资料对BP网络进行自适应学习 ,并取η =0 .9,α =0 .82 ,控制网络总误差E≤ 10 6。经过 2 12 34次迭代后 ,网络趋于稳定。用训练好的网络对平顶山矿务局的某矿的 3层煤的注水湿润半径进行预测 ,预测结果与实测值很接近。其误差分别为 0 .5 %,0 .6 %和 0 .7%。     

提高交通安全——实现智能汽车的研究

主要介绍了通过智能汽车的研究 ,提高城市交通安全的必要性 ;综述了发达国家关于智能汽车研究的现状与趋势 ,并通过国外智能汽车发展的趋势 ;进一步论证智能汽车的研究是汽车工业发展的方向 ,也是提高交通安全的重要手段之一。此外 ,论文提出利用模式识别技术的智能汽车的结构框架 ;指出神经网络方法应用与模式识别技术结合的优势。最后 ,论文在阐述我国需要发展智能汽车的同时 ,提出应结合中国国情相应研究相关理论 ,为今后的实施奠定基础的近期目标 ,并提出展望     

关于铁路行车事故预测的应用研究

本文论述了事故预测对铁路行车安全的重要性,并应用灰色预测模型和概率回归估计法模型研制了预测软件,进行铁路行车事故的宏观及微观预测,为采取有针对性的防范措施提供一个可靠信息。     

两种定性天气预报模型的对比分析

以南京１９６５～１９９４ 年４ 月平均气温作为预报量, 选取前期５００ ｈ Ｐａ 月平均高度场相关因子, 分别建立了事件概率回归预报模型和神经网络预报模型。通过对比分析发现, 在同等条件下,由于神经网络方法能更好地反映预报量与预报因子间的非线性关系, 并能有效避免采用事件概率回归方法预报建模时, 对预报因子分级造成信息损失的缺点。因此, 其拟合和预报效果明显优于传统的概率回归预报方法     

胶带输送机运输事故树可靠性的计算机模拟

以胶带输送机运输事故树的计算机模拟过程为例 ,介绍了对事故树可靠性进行计算机模拟的原理、算法以及程序运行步骤 ,编制了模拟程序。用笔者提出的理论、方法及模拟程序 ,对平顶山煤业集团一矿胶带输送机运输事故进行了事故树分析与求解 ,同时将模拟程序运行结果与最小割集法求得的理论值进行了对比 ,计算结果误差小 ,所得结论准确可靠 ,为类似事故的模拟分析提供了一种新的方法和途径     

改进BP算法在煤与瓦斯突出预测中的应用

为了正确预测煤与瓦斯突出的趋势与危险性 ,基于反向BP神经网络 ,笔者提出了一种改进的BP网络模型 :为了加快BP网络的收敛速度 ,增强其跳出局部极小点的能力 ,采用了自适应变步长法和改进模拟退火法 (SA法 )相结合的方法。实际应用表明 ,该模型收敛速度快 ,准确性高 ,具有较高的可靠性和实用性 ,是一种十分有效的煤与瓦斯突出危险性预测方法。     

GIS环境下大区域工程场地地震液化势的二维概率评价方法

用具有概率意义的饱和砂土抗液化强度经验公式来对大区域场地进行地震液化势二维概率评价;在GIS软件ArcGIS的支持下,将取样钻孔处的液化势评价结果等价于数字高程模型(Digital Elevation Model,DEM)中的高程,利用ArcGIS空间分析模块中的Kriging插值法估计大区域场地的地震液化范围。研究表明:将Kriging法应用于岩土工程地质特征的统计推断,有助于揭示勘探孔以外的地层信息,对于大区域场地地震液化范围的判别是一个较好的手段;利用ArcGIS空间分析模块中的Kriging法,通过已勘察点的信息(液化势)来估计未勘测点的土层液化势,能够较好地区划出场地地震液化势的空间分布特征。     

深水平台施工过程自然风险定量评估

在分析现有风险理论的基础上,结合海洋施工实际,提出了一种对海洋施工自然风险进行定量评估的模型。根据目标系统各风险事件与影响因素之间存在高度非线性复杂映射的特点,提出了利用BP神经网络拟合方法,对主要风险事件发生概率进行量化的模型。针对传统的梯度下降优化算法收敛速度慢的特点,采用可避免计算Hesse矩阵的Levenberg-Marquardt算法来训练神经网络。这一模型可以模拟专家评价,并准确地按照专家的评定法则进行估算,具有一定的通用性。