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.     

改进的GA-BP神经网络在矿井突水水源判别中的应用

矿井突水水源的判别是制定防治水措施的重要环节。通过对某矿含水层水化学特 性的相关性分析,将PCA算法、K折交叉验证算法嵌入GA-BP神经网络,提出了一种新的 GA-BP神经网络,将其应用于实例分析中,并与传统的方法进行比较。结果表明:针对 水化学特性相近的含水层,PCA算法能够排除样本中的冗余信息,降低样本指标维度, 简化BP神经网络结构;K折交叉验证算法能够提高GA算法对BP神经网络权值的寻优质量 ,使GA算法的进化方向更具合理性;二者的引入大大优化了传统GA-BP神经网络性能, 其判别精度更高、适用性更强、结果更可靠,在矿井突水水源判别方面具有很好的应用 前景。     

区域VOCs聚集态势RF-LSTM智能感知方法

为了提高VOCs质量浓度预测精度,实现VOCs聚集态势感知,采用RF-LSTM方法提出了基于浓度预测的VOCs聚集态势感知法,简称聚集态势感知法,该方法将态势感知的概念引入VOCs研究,将区域VOCs聚集态势直观展示出来。首先在区域网格划分的基础上利用距离平方反比进行空间插值,收集区域VOCs数据信息;其次利用随机森林结合长短时记忆神经网络对网格VOCs质量浓度进行预测;最后根据预测结果计算VOCs聚集态势值,并将态势感知结果可视化。以西安市某区为例进行VOCs质量浓度预测及VOCs聚集态势感知,结果表明：与RF模型、LSTM模型相比,RF-LSTM模型减少了输入变量,实现了VOCs质量浓度预测模型输入参数的优化,降低了预测模型的复杂度,提高了预测精度,得到RF-LSTM模型的平均绝对误差、均方根误差、平均绝对百分比误差分别为6.24、9.75、10.36%;VOCs聚集态势感知能够对区域VOCs聚集的发展趋势和状态进行可视化,传达了更多的信息,具有一定的实用价值。因此,该聚集态势感知方法可以为区域VOCs污染防治和预警提供决策支持。     

基于K-CNN-BiLSTM的关联区域VOCs浓度时空关联预测

为了提升关联区域内VOCs浓度预测精度，基于深度学习理论构造了K-CNN-BiLSTM时空关联预测模型。同时，为了实现VOCs精细化治理，首先对研究区域进行了网格划分，采用IDW进行空间插值，计算整理得到VOCs的网格数据集。其次使用KNN算法计算空间相关性筛选得到空间相关矩阵，按照时序排列拼接成时空类图。然后将时空类图输入CNN模型中提取局部时空特征，最后将提取的时空特征送入双向LSTM中进行全局预测。以西安市某区为例，对VOCs浓度进行预测，并将预测结果进行时空分布可视化。结果表明：模型具备单步预测和多步预测能力，同时与CNN-BiLSTM、CNN-LSTM和LSTM相比考虑了VOCs浓度数据的时空关联性，预测精度更高；平均均方根误差(RMSE)、平均绝对值误差(MAE)和平均绝对百分比误差(MAPE)分别为6.352、5.442和10.252%,均优于对比模型。     

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BFGS-BP神经网络岩爆分类研究

BP神经网络模型是岩爆预测中的常用模型，为了强化预测效果，选取BFGS算法对BP神经网络模型进行优化。选取应力系数■、脆性系数■和弹性能量指数W_et作为预测指标，国内外46组案例作为样本库，分别建立BFGS-BP神经网络模型和传统BP神经网络模型，对比验证其优化效果，将建好的模型用于锦屏二级水电站和秦岭隧道加以检验，得到一种有应用前景的机器学习预测模型。     

IAFSA-GRNN在油田集输管道CO2腐蚀速率预测中的应用

为提高油田集输管道CO₂腐蚀速率预测的准确性,针对原始广义回归神经网络(GRNN)预测精度低的问题,提出改进的群智能算法优化原始GRNN的预测模型;分别使用GRNN模型、人工鱼群算法(AFSA)优化的GRNN(AFSA-GRNN)模型和自适应改进的AFSA-GRNN(IAFSA-GRNN)模型预测X65管线钢的CO₂腐蚀速率。结果表明:采用AFSA和IAFSA优化光滑因子S后,能大大提高GRNN模型的预测精度,预测结果的平均相对误差由36.09%分别减小至7.20%和6.90%;与AFSA相比,IAFSA优化的GRNN不仅具有更高的预测精度,还具有更快的收敛速度。AFSA-GRNN在第164次迭代计算时收敛,而IAFSA-GRNN在第109次迭代计算时收敛,说明AFSA经自适应优化能提高优化过程的收敛速度和GRNN的预测精度。     

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。     

改进灰狼算法优化GBDT在PM2.5预测中的应用

针对灰狼算法易陷入局部最优解和全局搜索能力不足的问题,通过霍尔顿序列(Halton Sequence)搜索算法初始化狼群位置,避免灰狼算法陷入局部最优解和重复运算;引入莱维飞行和随机游动策略对灰狼算法的寻优过程进行优化,以增加算法的全局搜索能力;利用粒子群算法模拟灰狼种群得出的最佳适应度以用于惩罚项改进灰狼算法中的头狼更新策略。使用改进算法优化的梯度提升树(Gradient Boosting Decision Trees, GBDT)模型对北京市大气污染物监测数据中PM_2.5质量浓度进行预测,采用3种评估函数对各模型以及混合模型预测效果得分进行评估。结果显示,本文改进的灰狼算法对梯度提升树的优化效果优于其他算法,均方根误差E_RMS为6.65μg/m³,平均绝对值误差E_MA为3.20μg/m³,拟合优度(R²)为99%,比传统灰狼算法优化结果的均方根误差减少了19.19μg/m³,平均绝对值误差降低了10.03μg/m³     

基于QSPR方法的活性化合物热稳定性预测研究

为形成安全、可靠、便捷的活性化合物热稳定性预测方法,快速获取活性化合物热稳定性参数,采用定量结构-性质相关性(QSPR)方法,针对38种有机过氧化物和104种硝基化合物的起始放热温度和分解热,结合遗传函数算法(GFA)和“断点原则”筛选出的分子描述符,利用遗传算法(GA)优化的BP神经网络,建立活性化合物的热稳定性GA-BP预测模型,验证分析模型的性能和应用域。研究结果表明:所建立的GA-BP模型具有良好的拟合能力、稳定性和预测能力,优于线性模型,说明活性化合物热稳定性与分子结构之间存在非线性关系;同时,得出影响活性化合物热稳定性参数的主要结构因素。     

基于蚁群神经网络的煤矿瓦斯预测模型

为了提高煤矿瓦斯涌出量的预测精度和预测速度,用蚁群算法和神经网络相结合的方法进行预测模型设计。选择瓦斯涌出的重要影响因素,建立其神经网络的预测模型。以网络的均方误差为目标函数,通过蚁群算法的迭代运算,实现BP网络的权值优化,并用优化好的BP网络进行瓦斯涌出预测。仿真结果表明,该方法具有较高的拟合预测精度。     

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。     

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。     

基于CSABC-ELM的采煤工作面瓦斯涌出量预测

为了提高煤矿工作面瓦斯涌出量的预测精度,研究一种将极端学习机(ELM)与利用混沌搜索策略改进的人工蜂群(CSABC)算法相结合的预测方法。改进后的人工蜂群算法有效解决了ABC算法易陷入局部最优、后期收敛慢等缺陷,利用CSABC优化ELM的输入层和隐含层参数,避免了随机产生ELM参数所造成的误差,建立基于CSABC-ELM的瓦斯涌出量预测模型。利用实际煤矿监测数据对该模型进行试验分析,并与ABC-ELM,ELM和BP神经网络的预测结果进行比较。结果表明,CSABC-ELM预测误差更小,精度更高,泛化性能也更强,能有效地对煤矿瓦斯涌出量进行预测。     

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IWOA-PNN模型的管道焊缝腐蚀剩余强度预测

针对管道焊缝腐蚀问题构建基于改进鲸鱼优化算法(Improved Whale Optimization Algorithm, IWOA)的概率神经网络(Probabilistic Neural Network, PNN)剩余强度预测模型。首先，通过种群初始化、非线性收敛因子和惯性权重因子提高鲸鱼优化算法的寻优速度和精度；然后，利用IWOA算法优化PNN的光滑因子，构建IWOA-PNN预测模型；最后，以水压爆破试验数据为基础，使用MATLAB软件进行仿真试验，并与另外2个模型进行对比分析。结果表明：IWOA-PNN模型的E_RMS为0.633 1,E_AR为2.19%,R²为0.954 6,均优于PNN和鲸鱼优化算法(Whale Optimization Algorithm, WOA)-PNN模型；IWOA-PNN模型与传统模型相比误差更小，能够更为准确地预测焊缝腐蚀后剩余强度，为管道的维修和更换提供参考。     

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。     

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。     

杭州地铁1号线颗粒物污染水平监测与分析

为更好地了解杭州地铁运行环境，于2021年7月采用实地监测的方法对杭州地铁1号线部分车站站厅、站台、车厢内的PM₁、PM_2.5以及PM₁₀的质量浓度进行了监测。结果显示，杭州地铁现有空调通风设备能够较好地控制车站及列车内颗粒物的质量浓度，仅PM_2.5最高质量浓度(67.7μg/m³)超出国家一级标准；站台颗粒物的质量浓度普遍高于站厅颗粒物质量浓度，且两者相关性强；地铁运行时车厢内PM₁、PM_2.5以及PM₁₀的质量浓度变化平稳，客流量对PM_2.5的质量浓度变化没有显著影响，两者相关性低；各地铁车站站厅ρ(PM₁)/ρ(PM_2.5)均值为0.73,站台ρ(PM₁)/ρ(PM_2.5)均值为0.74,站厅ρ(PM_2.5)/ρ(PM₁₀)均值为0.88,站台ρ(PM