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。     

基于狮群算法的概率积分预计参数反演方法

针对传统的开采沉陷预计方法,在求取预计参数时存在计算量烦琐、精度低、速度慢等缺陷,本文开展了基于狮群算法(LSO)的概率积分预计参数反演方法研究.LSO是一种群体智能算法,该算法已在光伏最大功率跟踪中方面得到广泛的应用,至今尚未发现应用于矿山开采沉陷预计领域中.为了准确获取预计参数,本文将LSO应用于概率积分参数反演中...     

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。     

概率积分法开采沉陷预计的GIS实现

以概率积分法为预计模型,对研究区可能的沉陷趋势进行预计,然后与GIS耦合,利用新一代的ArcGIS数据存储格式——Geodatabase建库,以整合目标区地形图、矿区图以及户籍信息等,为沉陷预计和信息管理做准备,然后利用预计模型求得的下沉参数实现沉陷范围和趋势的可视化,以方便信息的综合管理和其他决策。     

粒子群算法在概率积分法沉陷预计模型参数反演中的应用

针对开采沉陷预计模型参数反演所存在的算法复杂、计算量大等缺陷,将粒子群算法引入到概率积分法开采沉陷预计模型参数反演中。研究粒子群算法反演概率积分法预计模型参数的基本原理、编码方法及适应度函数的构造方法,同时结合河北省某煤矿的实测数据,以下沉拟合值与实测值的中误差作为反演精度的评价标准对算法进行实例验证,对提高开采沉陷预计的精度有一定的参考实用价值。     

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。     

矿山开采沉陷动态参数预计方法的探讨

开采沉陷动态参数预计是矿山开采沉陷学科的核心内容,它对开采沉陷的理论研究和生产实践都有重要意义。本文简要介绍开采沉陷动态参数预计的几种方法,采用编程语言Visual Basic 6.0进行开发,编制了概率积分法求取动态预计参数经验公式的程序。通过实例,取得了较满意的预计参数,对于矿区的开采有一定的指导意义。     

预计结果的地表移动观测点选取

地表移动和变形的观测工作一直都是研究开采沉陷危害的比较直接方式,而合理有效的观测站的设置就显得尤为重要。本文在布设观测站时,除考虑采深影响外,还利用概率积分法预计下沉曲线,根据下沉曲线上的特征点选取观测点。通过对某矿的实际应用表明该方法精度更高,具有一定的实际应用价值,从而为地表沉陷的观测工作提供了更好的方法。     

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。     

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。     

神经网络优化5G定位结果域的分析与评估

针对室内环境下的5G定位需求,提出了利用神经网络算法对粗略定位结果进行优化的方法,减小了多径、非视距传播造成的定位误差,改善了结果域的定位精度.优化算法利用测距定位中的到达时间(TOA)定位法和到达时间差(TDOA)定位法获得粗略定位结果,分别结合BP神经网络、Elman神经网络及通过遗传算法(GA)优化后的GA-BP神经网络、GA-Elman神经网络共利用4种神经网络进行训练,得到修正后的精确定位结果,并对4种神经网络算法进行了分析与评估. Elman算法相较于BP算法具有迭代收敛快、迭代次数少、误差改正好的特点,更适合5G定位结果域的优化;融入GA后结果精度均有所提高,其中GA-Elman算法能够训练得到最好的定位结果.     

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。     

灰色预测模型初始条件求解的优化解法

针对GM(1,1)模型初始条件的选择最优化问题,提出一种新的最优初始条件求解算法,即把对最优初始条件选择问题转化为求最优的C值,通过两个算例分析表明,文中的算法与文献[4]的FGM(1,1)模型相比,在达到同等精度的条件下,运行效率更高,算法更简单直观,更有利于程序实现,验证了文中提出的算法的有效性和可行性。     

改进积分法的InSAR相位解缠算法

针对InSAR数据处理中干涉相位解缠的效率问题,该文在Goldstein枝切法的基础上提出了一种改进的枝切解缠算法,对枝切法中积分的方法进行了研究。首先按一定原则生成枝切线,然后选择一个非残差点作为积分的起始点,利用行扫描算法进行绕过枝切线的积分,得到最终的解缠相位。通过实验验证表明,行扫描积分法在解缠速度上比常见的四邻域积分法更快,可有效提高枝切法的解缠效率。     

A Method for Surveying Control Network Optimization Based on Reliability Properties

Surveying control network optimization design is related to standards,such as precision,reliability,sensitivity and the cost,and these standards are related closely to each other.A new method for surve...