共查询到20条相似文献,搜索用时 61 毫秒
1.
导水裂隙带高度是西部矿区保水采煤的理论依据和关键参数。近年来,BP神经网络广泛应用于导水裂隙带高度预测,但BP神经网络存在收敛速度慢、易陷入局部极小等问题。为提高导水裂隙带高度预测的准确性,利用粒子群优化算法(PSO)对BP神经网络的权值和阈值进行优化,建立基于PSO-BP神经网络的导水裂隙带高度预测模型。选择开采厚度、开采深度、工作面倾斜长度、煤层倾角、覆岩结构特征为导水裂隙带高度主要影响因素,选取22例导水裂隙带高度实测数据对PSO-BP神经网络进行训练,将训练后的PSO-BP神经网络对2例测试样本的预测结果与实际值进行对比,并与BP神经网络预测模型及经验公式预测结果进行对比。结果表明:PSO-BP神经网络预测模型的平均相对误差为1.55%;BP神经网络预测模型的平均相对误差为4.8%,经验公式的最小相对误差为9.4%,PSO-BP神经网络预测精度明显优于BP神经网络和经验公式,且绝对误差和相对误差变化较稳定,可以有效预测导水裂隙带高度。 相似文献
2.
基于人工神经网络基本原理和方法,构建多隐层BP神经网络径流预测模型,以新疆伊犁河雅马渡站径流预测为例进行分析,并构建常规单隐层BP以及RBF、GRNN神经网络模型作为对比分析模型,将各模型预测结果与文献[1]中的预测结果进行比较,结果表明:(1)多隐层BP神经网络径流预测模型泛化能力强,预测精度高,算法稳定,模型精度优于IEA-BP网络模型,表明研究建立的多隐层BP神经网络模型用于径流预测是合理可行的,是一种可以应用于水文径流预测预报的新方法.(2)RBF、GRNN神经网络径流预测模型预测精度高于常规单隐层BP网络模型,且RBF与GRNN神经网络模型具有收敛速度快、预测精度高、调整参数少,不易陷入局部极小值等优点,可以更快地预测网络,具有较大的计算优势. 相似文献
3.
动量BP算法在路基沉降预测中的应用 总被引:3,自引:0,他引:3
提出一种采用动量BP算法来预测路基沉降的方法,结合具体的工程实例,构建了预测路基沉降的具体BP神经网络模型。预测结果表明,该模型有较高的预测精度,可作为预测路基沉降的一种新方法。 相似文献
4.
盾构施工引起的地表沉降量的预测与评价具有很强的随机性和不确定性,用常规的数学模型难以准确表达。本文采用因子分析法对影响盾构施工引起地表沉降的9个因素进行了主因子的提取,得到4个主因子。以此数据集对BP神经网络进行训练,并用Levenberg-Marquardt(LM)算法对BP神经网络进行了优化,建立了基于因子分析的LM-BP神经网络预测模型。结合工程实例将预测结果与LM-BP神经网络模型的预测结果进行比较分析,表明本预测模型具有较高的准确性,符合实际工程的需要。 相似文献
5.
6.
针对现有城市地面沉降预测方法过度依赖沉降数据、模型单一等问题,以云南省昆明市主城区为研究对象,从多时序多因子角度提出一种改进BP神经网络在城市地面沉降中的预测方法。首先,利用SBAS-InSAR技术获取主城区地面沉降监测值,然后通过SPSSAU软件中的灰色关联分析和因子分析选取主城区地面沉降的影响因子,并将其与获取的沉降监测值从多因子多时序角度构建GA-BP和PSO-BP预测模型,最后,得出最优的预测模型并进行预测性能验证。实验结果表明:利用SBAS-InSAR能有效监测城市地面沉降;GA-BP算法相比PSO-BP算法在城市地面沉降预测中性能更好、精度更高;该方法可对长时间、大范围城市地面沉降预测和对某一沉降点多期沉降趋势进行预测。该方法可作为城市地面沉降预测的有效手段,为政府部门决策提供了一种高效快速的方法。 相似文献
7.
高速公路高填方路基沉降量的神经网络预测 总被引:4,自引:2,他引:2
利用BP神经网络较强的高次非线性映射能力和学习功能 ,建立了基于人工神经网络的高速公路路基沉降量的预测模型。该模型依据现场实测资料 ,避免了计算过程中各种人为因素的影响。通过对某高速公路高填方路基沉降量的现场监测成果的学习与预测检验 ,证明其预测精度与适用性良好 ,具有较大的工程实用价值 相似文献
8.
为了提高滑坡的预测精度,通过对灰色GM(1,1)模型与BP神经网络模型各自优缺点及互补性的分析,建立了GM—BP串联组合预测模型。模型首先采用等维动态GM(1,1)模型进行初步预测,然后利用BP神经网络对初步预测的结果进行训练及仿真,通过数据的归一化处理,参数的判定选取,获得组合模型预测值。以茅坪滑坡为例,对位移进行了预测。通过数据的对比分析,发现GM—BP串联组合预测模型在短期预测精度上高于单一模型。 相似文献
9.
为可靠预测基坑周边地表沉降的发展趋势,提出了一种基于混合蛙跳算法和广义回归神经网络模型的基坑地表最大沉降预测模型(SFLA-GRNN模型)。首先,在沉降机制分析并初选输入变量集的基础上,利用灰色相关度分析对模型输入、输出变量的相关性进行量化,并剔除与输出变量相关性明显偏小的输入变量;其次,利用混合蛙跳算法(SFLA)对广义回归神经网络模型(GRNN)的平滑因子进行优化确定,减少人为因素对模型精度和泛化能力的不良影响;最后,利用筛选得到的输入变量集建立基坑地表最大沉降预测的广义回归神经网络模型。实例应用及对比计算结果表明,基于灰色相关度的输入变量筛选和基于混合蛙跳算法的平滑因子优化均能够有效提高广义回归神经网络模型的精度和泛化能力,以上结论可为类似变形预测提供参考。 相似文献
10.
基于差异进化算法的前馈神经网络在大坝变形监测中的应用 总被引:1,自引:0,他引:1
针对当前大坝安全监测中广泛采用的回归模型欠拟合的不足,提出了基于差异进化算法的前馈神经网络模型。差异进化算法是基于种群策略的全局优化搜索算法,具有应用简单、收敛快的优点。采用该法训练的神经网络可以有效避免常规BP(back propagation)神经网络收敛于局部极小点的缺陷。将提出的方法应用于某拱坝的变形监测,通过计算表明,应用DE(differential evotntion)神经网络模型预报大坝变形的精度比常规回归模型和BP神经网络模型均有所提高。 相似文献
11.
介绍了径向基函数神经网络的原理、训练算法,建立的径向基函数神经网络城市需水量预测模型具有较强的非线性处理能力和逼近能力,运算速度快、性能稳定,克服了BP神经网络学习过程的收敛过分依赖于初值和可能出现局部收敛的缺陷,预测精度较高,泛化能力强。 相似文献
12.
13.
针对遗传算法(GA)存在早熟现象和局部寻优能力较差等缺陷,引入具有很强局部搜索能力的模拟退火算法(SA),组成改进的遗传模拟退火算法(GSA)提高优化问题的能力和求解质量。针对BP神经网络容易陷入局部最小和收敛速度慢等方面的不足,应用改进的遗传模拟退火算法搜索BP神经网络的最优权值和阀值,提高BP神经网络的预测精度,建立了围岩力学参数反分析的GSA-BP神经网络模型。将该模型应用于乌东德水电站右岸地下厂房围岩力学参数的反演分析中,根据监测围岩变形数据反演围岩力学参数,反演所得参数应用到正计算分析中,得出的计算位移与实测值吻合较好,说明该方法的有效性和应用于该工程的可行性。 相似文献
14.
以武广高速铁路乐昌段19个路基断面的沉降数据为研究对象,利用Matlab软件建立BP神经网络预测模型,计算原始模型和改进模型的预测误差,对两种模型的适用性进行评价,结果显示:单纯的BP模型容易陷入局部最小,不适用于高速铁路路基沉降的预测,采用双隐含层的GA-BP网络模型可以明显减小误差,提高预测的稳定性。 相似文献
15.
16.
将粒子群算法(PSO)引入大坝监测领域,提出一种基于粒子群神经网络(PSONN)的大坝监控预报模型。该模型充分发挥PSO的全局寻优能力和BP神经网络局部细致搜索优势,给BP神经网络提供了良好的初始权值。对逐一粒子群(SPSONN)、整体粒子群(WPSONN)、逐一BP(SBPNN)及整体BP(WBPNN)4种预报模型的对比分析表明:逐一预报模型(SPSONN和SBPNN)的预报精度明显高于对应的整体预报模型(WPSONN和WBPNN)的预报精度;与BP神经网络模型相比,PSONN模型不仅收敛速度明显加快,而且预报精度也有较大提高,尤其是SPSONN模型,其高精度和短历时性完全满足实时预报的需要,可以准确、有效地应用于大坝监测量的实时预报。 相似文献
17.
文章以莱州湾凹陷垦利油田沙河街组储层为例,对传统的回归统计模型和基于BP神经网络的人工智能预测模型评价储层渗透率方法和效果进行了对比研究。目标储量报告里定火沙三段中孔、中渗;岩性(粒度)和孔隙度是储层渗透率的主要影响因素。根据岩心及测井数据,建立了孔隙度——粒度二元回归渗透率统计评价模型和BP神经网络渗透率预测模型。通过检验样本集精度对比,分析了隐含层数、隐含层节点数等网络结构参数变化对模型预测结果的影响,重点分析了不同的测井参数输入对BP神经网络模型预测结果的影响。优化后的BP神经网络模型对检验样本集的渗透率预测结果精度最高,其平均相对误差为37%,比传统的二元回归统计模型精度提高了26%。对目标油田三口井连续处理,BP神经网络模型渗透率预测结果更加合理,可以满足开发层段产能分析等生产需求。 相似文献
18.
19.
煤层含气量预测是煤层气资源勘探开发利用前期的重要研究内容之一。近些年,BP神经网络算法常用于煤层含气量预测领域,但传统BP模型在训练过程中往往存在收敛速度慢、对初始值敏感以及易陷入局部极小值等问题。为此,提出了一种改进的以人工蜂群算法为特征的BP神经网络预测方法。以沁水盆地某工区3号煤层为研究对象,首先,利用R型聚类分析法对目标煤储层所提取的多种类型的地震属性进行分类,优选出4种对煤层含气量变化反应最敏感且相互独立的地震属性;再利用人工蜂群算法(ABC)寻找BP神经网络的输入层与隐含层的最优连接权值和隐含层的最优阈值,构建具有鲁棒性的ABC-BP神经网络预测模型,并以井位置优选地震属性和含气量数据为样本训练该模型;最后,以整个工区目标储层的优选地震属性为输入,进行工区内煤层含气量的预测。预测结果与各井含气量的变化趋势基本吻合,其中,训练井处的平均误差率为0.23%,验证井处的误差率低于15%,预测精度较高,因此,该预测方法可靠性高,适用性强,可有效用于煤层含气量预测。 相似文献
20.
高密度电法技术在煤矿地质灾害勘探中发挥着重要的作用。近年来,以BP(Backpropagation)神经网络为代表的一类非线性反演方法被广泛运用到高密度电法的反演中。针对BP神经网络方法在高密度电法反演中存在的易陷入局部极小、收敛缓慢、反演精度差等问题,将BP神经网络算法与遗传算法(Genetic Algorithm,简称GA算法)联合演算,实现高密度电法的二维非线性反演。通过典型地电模型对该方法进行验证,结果表明遗传算法能有效优化BP神经网络的权值和阈值,提高了算法的全局寻优性。 相似文献