基于粒子群优化神经网络的概率积分法预计参数的确定

为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料为例,将计算结果与实际值进行了对比分析,并与文献[1]中改进BP算法进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。     

概率积分法预计参数解算的总体最小二乘岭估计法

将总体最小二乘平差方法应用于矿山开采沉陷概率积分法预计参数的解算,建立了概率积分法总体最小二乘平差模型,给出了非线性总体最小二乘平差的迭代算法。并以淮南矿区谢桥矿某工作面为例,考虑观测方程系数阵病态性的影响,分别采用最小二乘岭估计法和总体最小二乘岭估计法解算预计参数,计算表明,采用总体最小二乘岭估计法在解算预计参数时精度更高,且拟合参数的估值受到模型参数初值的影响。     

基于改进人工蜂群算法的概率积分法参数反演

针对传统算法在反演概率积分法参数时易发散且难以获得全局最优解的问题,提出利用自适应人工蜂群算法反演概率积分法参数。根据该算法在求解过程中收敛速度快,获得全局最优解的特点,将参数反演问题转化为组合优化问题,建立了自适应人工蜂群算法的概率积分法预计参数反演流程,并将计算结果与实际值进行对比分析。通过理论分析与实验证明,自适应人工蜂群算法反演概率积分法参数精度高,较最小二乘法和模矢法拟合效果好,可应用于矿山开采沉陷预计。     

MEA-BP神经网络在大坝变形预测应用

针对BP神经网络预测极易陷入局部最优解,利用思维进化算法优化BP神经网络的初始权值和阈值,提出基于思维进化法优化BP神经网络(MEA-BP)大坝变形预测模型。通过算例验证,并与BP神经网络、GA-BP神经网络对比分析表明,该模型能够克服多数进化算法问题及缺陷,同时避免遗传算法中交叉和变异算子双重性,提高算法的整体搜索效率,在一定程度上保证较优的局部预测值和较好的全局预测精度,具备快速收敛能力,验证了提出的MEA-BP神经网络预测模型在大坝变形预测中的可行性和实用性。     

基于P-SA-PSO算法的概率积分法参数反演

针对目前概率积分法参数反演存在的问题,为了更加准确稳定地解算出概率积分法参数,在经典粒子群算法的基础上,引入自适应惯性权重以及模拟退火算法中的Metropolis准则,提出了一种基于P-SA-PSO算法的概率积分模型参数反演方法。论文通过仿真实验,与遗传算法(GA)、经典粒子群算法(PSO)以及加入自适应惯性权重优化的粒子群算法(P-PSO)进行对比分析,结果表明：新算法反演各参数的精确性、稳定性和收敛速度优于其他3种算法。将新算法引入工程实例中,进一步体现了新算法在反演概率积分模型参数上的可行性。     

灰色关联分析与BP神经网络的概率积分法参数预测

在综合分析地表沉陷概率积分法参数与地质采矿条件关系的基础上,提出运用灰色关联分析法找出影响概率积分法参数的主要因素,进而利用BP人工神经网络模型预计参数。在对实测数据灰色关联分析后得出:覆岩平均坚固性系数、采厚、倾角、采动程度与各个参数关联程度较高,表土层厚度和采深次之。在此基础上,建立BP人工神经网络模型,并对预计结果与实测数据进行对比分析。结果表明:该方法预计最大相对误差15.78%,最小相对误差1.92%,考虑到个别参数实测值较小,造成相对误差较大,而绝对误差很小,即模型预计效果较好,是一种预计概率积分法参数的有效方法。     

机器学习辅助下的概率积分法参数预计模型寻优

收集整理了多组地表移动观测站资料作为训练样本和检验样本,以工作面地质采矿条件为输入集,概率积分法预计参数为输出集,利用机器学习方法对概率积分法预测参数进行了预测。选取支持向量机、BP神经网络和偏最小二乘法3种机器学习方法对训练样本进行训练,利用训练所得模型预测检验样本中的概率积分法预测参数,并将预测结果与观测站实测值进行对比。结果表明,利用支持向量机预测下沉系数、主要影响角正切值及水平移动系数的精度最高,其平均相对误差分别达到7.46%、4.00%、13.17%;拐点偏距及开采影响传播角利用偏最小二乘法预计精度最高,平均相对误差分别为10.83%、0.88%;总体而言支持向量机的预测精度最为稳定。     

EXCEL计算概率积分法预计参数

EXCEL软件是最常用的办公软件之一,本文介绍一种利用EXCEL软件规划求解功能计算开采沉陷预计概率积分法预计参数的方法,很方便地得到了预计参数的优化解,通过实例验证,运用该方法得到的这些参数的解满足开采沉陷预计精度的要求,有很好的应用价值。     

基于GSA-BP神经网络的GNSS高程拟合方法

针对传统BP神经网络模型进行全球导航卫星系统(Global Navigation Satellite System, GNSS)高程拟合时存在的收敛速度慢,易陷入局部极小值和拟合精度受初始参数选取影响大的问题,提出一种遗传模拟退火算法(Genetic Simulated Annealing,GSA)优化的BP神经网络模型:GSA-BP.该模型利用GSA的全局搜索能力对BP神经网络的模型参数进行自动寻优,确保BP网络能够获取全局最优解并提升拟合精度.最后采用实际工程算例开展试验,对所提GSA-BP模型的高程拟合性能进行评估和验证,结果表明所提GSA-BP模型相对于传统BP神经网络模型具有更高的拟合精度和更强的数据适应性,更适用于实际工程实践场景.     

一种含稳健权的神经网络GNSS高程拟合模型

在高程拟合解算过程中,为数不多较大误差或残留系统误差可能会使估计参数的结果歪曲,导致拟合数学模型变形失真。本文在研究GNSS高程拟合神经网络模型的基础上,将具有抵抗粗差能力的选权迭代稳健估计因子引入BP神经网络高程拟合计算,通过思维进化算法对网络初始权值和阈值进行优化,提出一种具有抗差性的神经网络高程拟合方法的思路,并通过算例验证了模型在高程拟合过程中的有效性。