基于PCA-RVM的矿山岩石爆破粒径预测模型

为解决露天矿山爆破开采过程中岩石爆破粒径大小难以获取的问题,提出一种基于主成分分析法(PCA)及相关向量机(RVM)相结合的矿山岩石爆破粒径预测模型.该模型利用PCA对样本数据进行降维处理,选取出4个相互独立的主成分变量,并借助RVM构建主成分与爆破粒径之间的非线性映射关系,从而建立预测模型.将该模型应用于工程实例,并与BP神经网络和LM双隐含层模型进行对比.结果表明,在相同学习样本下,PCA-RVM模型预测结果与实际值更加接近,在平均相对误差和均方差上远小于另两种模型.

基于PSO-RVM的矿山边坡变形量预测模型

针对当前露天矿山边坡变形难以准确获取的问题,建立了粒子群优化算法(PSO)及相关向量机(RVM)相结合的矿山边坡变形量预测模型。利用RVM对矿山边坡变形量非线性系统进行建模,借助PSO对RVM模型核参数寻优,构建基于PSO-RVM的矿山边坡变形预测模型。利用该模型对工程实例进行预测,并在相同学习样本下与MFOA-SVR模型进行对比。结果表明:PSO-RVM模型预测结果精度更高、离散性更小,在平均相对误差和均方根误差上远低于MFOA-SVR模型。PSO-RVM模型为准确预测矿山边坡变形量提供了一条新途径,对矿山开采工作具有一定的参考价值。

基于相关向量机的调水工程调蓄水位预测模型

调蓄水位与其影响因素之间存在着复杂的非线性关系,针对BP神经网络模型的局限性,选取泵站开启时间差、起调水位、入流量、出流量作为主要影响因素,建立一种基于相关向量机(relevance vector machine,RVM)的调水工程调蓄水位预测模型。通过实例应用表明在相同样本情况下与BP神经网络模型预测结果相比,RVM预测模型均方根误差和平均绝对误差均小于BP神经网络预测模型的预测结果,说明在调水工程调蓄水位的预测中,RVM预测模型具有精度高、离散性小等优点,为调水工程调蓄水位的预测提供了一条新途径。

基于相关向量机模型的混凝土综合性能预测

为快速获取及评价混凝土的综合性能,选取影响混凝土综合性能的6个主要因素为输入数据,混凝土综合性能(28 d强度、坍落扩展度及表观密度)为输出数据,建立基于相关向量机(RVM)的混凝土综合性能预测模型,对14组学习样本进行拟合训练,并对其余5组预测样本进行预测。结果表明:在相同的样本条件下,与BP神经网络模型进行对比,RVM模型预测精度更高,离散性更小;同时,与实际值相比,RVM模型预测的混凝土综合性能指标的平均相对误差均明显小于BP神经网络模型预测得到的平均相对误差,进一步验证了RVM模型对混凝土综合性能预测的可靠性,具有较好的推广价值。

初中物理课堂教学策略初探

物理学科是初中基础课程中比较重要的一项教学内容,物理课堂教学的有效性是直接关系到学生学习质量的高低,对学生未来的学习也有着十分重要的影响。本文从初中物理课堂教学现状出发,针对性的指出一些提高物理课堂教学有效性的策略。

恰当运用小组合作,构建初中物理高效课堂

小组合作是促进学生之间相互学习并达到取长补短效果的一种有效方式,有利于增强学生学习的积极性,提高他们分析解决问题的能力,构建出良好的学习氛围,能够使所有的学生都能取得进步。在初中物理教学中纳入小组合作的方式,教师需掌握其科学合理的运用方法,真正地体现出小组合作的价值,发挥教师自身的主导作用,以学生为主体,恰当分组,建立良好的合作关系,确保小组合作有效、有序地进行,达到提高学生综合能力的目的。

基于PCA-RVM的露天矿边坡稳定性预测模型

针对当前露天矿边坡稳定性预测模型精度不高、效率低等问题,提出一种将主成分分析法(PCA)和相关向量机(RVM)相结合的露天矿边坡稳定性预测模型。该模型运用PCA对影响边坡稳定性的多个影响因素变量进行降维,筛选出4个相互独立的主成分变量;借助RVM映射边坡稳定性安全系数与主成分变量之间的非线性关系,建立基于PCA-RVM的露天矿边坡稳定性预测模型。将该模型应用于露天矿边坡工程实例,结果表明:在相同样本下,PCARVM模型预测结果的最大相对误差仅为1.26%,平均相对误差为0.95%,均方差为0.011,远低于RVM模型和GEP模型的预测结果;PCA-RVM模型具有预测精度高、离散性小、可靠度高等优点,为准确预测露天矿边坡稳定性提供了一条新途径。

THM作用下砂岩三轴抗压强度预测的PCA-RVM模型

为解决砂岩在不同温度水压应力组合作用下三轴抗压强度难以获得的难题,提出一种基于主成分分析(PCA)的相关向量机(RVM)砂岩三轴抗压强度预测方法。通过PCA将重量、直径、高度、声波传播时间、温度、孔隙水压、粘聚力、内摩擦角、主破裂角、峰值应变等10个砂岩三轴抗压强度影响因素降维成4个相互独立的主成分变量,采用RVM模型建立三轴抗压强度与4个主成分变量之间的非线性映射关系,能够精准预测出仅已知影响因素的新样本抗压强度。将该模型进行实例应用,并在相同样本下与BPNN神经网络及PSO-BPNN神经网络模型预测的结果进行对比,结果表明:PCA-RVM预测模型通过分析各因素的相关性与贡献率,在信息筛选方面明显优于其他2种模型;PCARVM模型预测结果的平均相对误差为0.25%,均方差为0.6,而BPNN模型预测结果的平均相对误差为6.11%,均方差为11.27,PSO-BPNN模型预测结果的平均相对误差为2.16%,均方差为4.01。各模型预测结果显示,在三轴抗压强度预测结果的相对误差及均方差方面,PCA-RVM预测模型均占据较大优势,PCA-RVM模型具有精度高、离散性小、可靠度高等优点。