基于CSSA-BPNN模型的胶结充填体动态抗压强度预测

充填采矿法二步骤回采时胶结充填体稳定性受爆破扰动而降低。为快速准确地获得充填体动态抗压强度,利用分离式霍普金森压杆(SHPB)进行了40组不同应变率的单轴冲击实验,以灰砂比、充填体密度、养护龄期和平均应变率作为输入参数,充填体动态抗压强度作为输出参数,建立了一种基于Logistic混沌麻雀搜索算法(CSSA)优化BP神经网络(BPNN)的预测模型,并与传统BPNN和麻雀搜索算法优化的BPNN进行了对比分析。结果表明:CSSA-BPNN模型的平均相对误差为4.11%,预测值与实测值之间拟合的相关系数均在0.96以上,模型预测精度高。CSSA-BPNN模型的均方根误差为0.395 0 MPa,平均绝对误差为0.359 2 MPa,决定系数为0.995 2,均优于另外两种预测模型。实现了对充填体动态抗压强度的准确预测,可大幅减小物理实验量,为矿山胶结充填体的强度设计提供了一种新方法。

基于改进的SSA-BP神经网络的矿井突水水源识别模型研究

机器学习与寻优算法的结合在矿井突水水源识别上得到广泛应用,但突水水样数据具有随机性且寻优算法易陷入局部最优,提高模型泛化能力和跳出局部最优需进一步研究。针对上述问题,提出了一种改进的麻雀搜索算法(SSA)优化BP神经网络模型,用于对矿井突水水源进行定量辨识。以鲁能煤电股份有限公司阳城煤矿为研究对象,通过常规离子浓度分析、Piper三线图对该煤矿水样的水化学特征进行分析,初步判断矿井水来源于奥灰含水层和三灰含水层,并确定Na^(+)+K^(+)浓度、Ca^(2+)浓度、Mg^(2+)浓度、HCO_(3)^(-)浓度、SO_(4)^(2-)浓度、Cl^(-)浓度、矿化度、总硬度、pH值作为突水水源识别指标;建立基于改进SSA-BP神经网络的矿井突水水源识别模型:首先进行SSA参数设置,引入Sine混沌映射使麻雀种群均匀分布,然后通过计算适应度值进行麻雀种群的更新,引入随机游走策略扰动当前最优个体,如果满足终止条件,则获得最优BP神经网络权重和阈值,最后基于构建的BP神经网络,输出识别结果。研究结果表明:①改进的SSA-BP模型在训练集上的识别准确率达95.6%,在测试集上的识别准确率达100%。②改进的SSA-BP神经网络模型与BP神经网络模型、SSA-BP神经网络模型对比结果:BP神经网络模型误判率为5/18,SSA-BP神经网络模型的误判率为2/18,改进的SSA-BP神经网络模型误判率为0,迭代10次后趋于稳定,且与设定的目标误差相差最小,初始适应度值最优,识别结果可信度高。③将阳城煤矿5组矿井水水样数据作为输入层数据输入到训练好的模型中,矿井水水样的主要来源为奥灰含水层、三灰含水层和山西组含水层,模型识别结果与水化学特征分析的结论相互印证,实现了精准区分。

基于改进海鸥优化算法的BP神经网络及其应用

针对传统反向传播(BP)神经网络在预测时随机产生的初始权值、阈值影响准确性的问题,提出一种改进的海鸥优化算法(ISOA)对BP神经网络的初始阈值、权值进行寻优。首先,为提高海鸥优化算法(SOA)的收敛精度和跳出局部最优的能力,使用Sine混沌映射初始化种群,引入非线性参数A,在海鸥攻击时引入乘除策略进行扰动,同时在攻击阶段后引入反向学习策略。然后,使用ISOA优化BP神经网络初始权值、阈值,解决对初值敏感和易陷入局部最优的问题。最后,在冻结裂隙砂岩动态冲击试验中进行峰值应力预测,结果表明:对比原始BP、粒子群优化(PSO)-BP和SOA-BP,ISOA优化后的BP神经网络对峰值应力预测精度更高。

基于优化WOA-BP策略的土体冻胀率因素敏感性定量分析

土体冻胀是寒区工程建设面临的重要挑战之一,对其进行准确预测和敏感性分析,对于保障工程安全与稳定、预防结构变形与破坏至关重要。针对东北某矿区三种土样,在不同冷端温度、含水率和干密度条件下,实施了单向冻结且不补水的冻胀实验。基于实验数据,分析了影响冻胀率的关键因素,构建了以干密度、含水率、冷端温度、比重及结冰温度为输入变量的WOA-BP预测模型,引入Chebyshev混沌映射与自适应权重调整策略,优化得到Chebyshev混沌映射自适应权重的WOA-BP神经网络。经验证,该模型预测误差小,可以较好地预测土体的冻胀率。结合Garson算法、扰动法及蒙特卡洛模拟等三种方法,对土体冻胀率的影响因素进行了敏感性分析,所得结果一致。该矿区土样的冻胀率对干密度、比重、含水率、冷端温度、结冰温度变化的敏感程度依次降低。

基于TWOA-BP的矿井冲击地压分级预测研究

为提高煤矿开采工作的安全性,准确预测煤矿冲击地压灾害发生,提出冲击地压分级预测的TWOA-BP模型。先通过灰色关联分析法(GRA)筛选冲击地压的影响因素作为TWOA-BP预测模型的输入层,最终确定8项影响因素后,采用鲸鱼算法(WOA)对BP神经网络的权值和阈值进行优化,随后利用Tent混沌映射初始化鲸鱼种群以增加种群多样性,最终解决了BP模型收敛速度慢和易陷入局部极小的问题。研究结果表明:与其他预测模型相比,TWOA-BP方法具有收敛速度快、预测精度高、操作简便等特点。

基于IPOA-BP的输电塔复合基础极限抗拔承载力预测模型

为了实现输电塔复合基础极限抗拔承载力的准确预测,克服传统理论、经验公式误差大,计算慢的问题,提出一种改进鹈鹕智能算法(IPOA)来优化BP神经网络的承载力预测模型。首先,利用SPM混沌映射、Levy飞行以及融合非线性惯性权重因子ω的正余弦优化策略,对鹈鹕优化算法(POA)改进;然后,利用IPOA对BP神经网络的权值和阈值参数寻优,得到IPOA-BP预测模型;最后,基于验证后的数值试验构建数据集,对IPOA-BP预测模型进行训练和测试。结果表明,IPOA-BP与POA-BP预测模型相比,方根误差下降65.75%,绝对平均误差下降65.79%,平均相对误差下降65.60%,可见IPOA-BP神经网络能够实现复合基础抗拔承载力较准确的预测,为该类型基础的承载力预测提供了新方法。

改进PSO-BP算法的短期电力负荷预测方法

针对电力负荷的周期性、随机波动性等复杂特点易造成预测精度低等问题,提出一种基于相似日分析、混沌映射优化粒子群算法(particle swarm optimization,PSO)和BP神经网络相结合的短期电力负荷预测方法。采用乘积法量化气象因素与时间因素间的综合相似度,选出综合相似度高的若干历史日作为相似日集;采用相似日集与非相似日集分别训练PSO-BP模型,相似日集的平均绝对百分比误差(mean absolute percentage error,MAPE)降低3.9%;利用Sine映射对PSO中粒子的速度和位置进行优化,增强PSO算法的全局搜索能力和寻优精度,采用2个集合分别训练SPSO-BP模型,相似日集的MAPE降低19.4%。结果表明,基于相似日分析和SPSO-BP模型的短期电力负荷预测方法可有效提高电力负荷的预测精度。

基于SSA优化BP神经网络的易燃易爆气体分类算法研究

由各种传感器检测爆炸物的技术已经在多种条件下被用于检测不同类型的爆炸物,但同类型的爆炸物识别分类技术几乎没有,且针对传统BP神经网络模型收敛速度慢、易陷入局部最优值等问题,该文采用PWCLM混沌映射和高斯突变算子来改进麻雀搜寻算法(SSA),优化模型的初始权值,并对6种易燃易爆气体进行识别分类。最后再将该模型与BP、SSA-BP和WOA-BP等模型进行对比,使用3种评价指标对3种模型进行评价。结果表明,ISSA-BP模型稳定性高,识别精度优于其他几种模型,最终ISSA-BP模型的分类准确率、召回率和F1指数分别为99.01%、99.12%和99.12%。

基于改进Logistic-SSA-BP神经网络的地铁短时客流预测研究

地铁客流的变化规律存在着一定周期性和潮汐性,针对地铁客流的预测有助于提高城市轨道系统的运营效率,实现轨道交通智慧化运营。为提高地铁短时客流预测结果的准确度,提出了一种基于Logistic混沌映射麻雀算法(Logistic-SSA)优化BP神经网络的地铁客流短时预测模型。该模型通过Logistic混沌映射初始化麻雀算法种群,再利用改进后的麻雀算法优化BP神经网络,达到提高BP神经网络的全局搜索能力和收敛效率;以深圳地铁西乡站进、出站AFC刷卡数据为例,利用构建的预测模型开展客流预测实验,并通过3种准确性评价指标(MAE、RMSE、MAPE),评价改进前后模型预测的准确性。研究结果表明:改进的Logistic-SSA-BP预测模型平均绝对百分误差分别为14.96%和13.73%;与传统BP预测模型相比,其客流预测结果具有更高的准确性。

多策略SMA-BP神经网络的空气质量指数预测

针对BP神经网络预测精度不佳、预测结果不稳定的问题,提出改进黏菌算法(ISMA)优化BP神经网络的预测模型,引入Tent混沌映射克服初始种群分布不均的缺点,针对黏菌算法位置更新的随机性和后期容易陷入局部最优等问题引入领导者策略和莱维飞行策略,利用自适应反向学习策略扩大搜索空间并用23组基准函数加以测试。随后利用ISMA算法优化BP网络模型的初始权值和阈值,构建ISMA-BP空气质量指数预测模型,最后将收集到的779组空气质量指数数据代入预测模型中进行测试分析,实验结果表明,与BP神经网络模型、GWO-BP、SMA-BP模型相比,ISMA-BP模型对AQI的预测具有更高的精度,其预测的均方误差为3.8402,平均绝对误差分别为1.5078。

基于IG-CPSO-BP的水工钢闸门安全等级识别

为提高BP神经网络对水工钢闸门安全等级识别的速度和精度,构建基于信息增益(IG)和混沌粒子群优化(CPSO)算法优化BP神经网络的水工钢闸门安全等级评估模型。该模型利用IG算法精简水工钢闸门安全等级评估的特征指标,避免冗余变量干扰,提升模型的训练速度;利用CPSO算法优化BP神经网络的初始权重,提高模型的收敛性及对水工钢闸门安全等级的分类能力。经过验证分析,基于IG-CPSO-BP的水工钢闸门安全等级评估模型的评估结果与实际的水工钢闸门安全等级基本吻合,识别精度明显优于IG-BP、IG-GA-BP、IG-PSO-BP模型。

基于IWOA-BP神经网络的滑坡区塔线体系应力预测模型

边坡变形会导致滑坡区输电铁塔基础发生变形,从而引起塔线体系内力增大,若此时再遇强风天气,就极易发生断线、倒塔事故,建立边坡变形和风荷载作用下塔线体系的应力预测模型,可有效预防线路事故的发生。首先利用改进的Circle混沌映射、自适应惯性权重以及Levy飞行策略对鲸鱼算法(WOA)进行优化,进而利用改进的鲸鱼优化算法(IWOA)对BP神经网络的权值和阈值进行参数寻优,得到滑坡区塔线体系应力预测模型,将风向角、风速和塔腿支座位移作为模型输入,塔线体系杆件最大应力作为输出。预测结果表明,提出的IWOA-BP模型具有较高的收敛速度与预测精度,与WOA-BP模型相比,平均绝对误差下降了77.4%,均方根误差下降了82.6%,平均相对误差下降了79.1%。

基于CSAO-BP神经网络的山区开采沉陷预计

针对山区开采沉陷预计较复杂的情况,提出一种基于混沌螺旋天鹰优化算法优化BP神经网络的CSAO-BP开采沉陷预计模型。首先介绍基本的天鹰算法,然后将螺旋觅食策略、Tent混沌映射和边界控制策略结合对AO进行优化,进而改进传统BP模型,建立AO-BP和CSAO-BP预计模型;然后,选取数值各异的32组数据作为样本集,并分别用传统BP模型、AO-BP模型、CSAOBP模型进行测试;结果表明,CSAO-BP模型精度明显优于AO-BP模型和传统BP模型,在山区开采沉陷领域具有可行性和实用性。

基于CAWOA-BP的船舶凝给水系统故障诊断

为克服传统专家经验在故障诊断方面的不足,实现船舶凝给水系统的智能诊断,在标准BP神经网络基础上提出一种优化后的CAWOA-BP故障诊断模型。采用混沌映射以及自适应权重调整策略优化WOA鲸鱼算法,利用优化后的WOA鲸鱼算法改进BP神经网络的权值及阈值矩阵。由于船舶凝给水系统的状态监测数据是复杂多维度数据,利用UMAP降维算法对原始数据进行降维。最后,利用降维处理后的数据训练CAWOA-BP神经网络模型,实现故障诊断。通过对正常及故障数据的学习,发现优化后的CAWOA-BP模型相比于标准BP,WOA-BP,PSO-BP故障诊断模型具有更高的准确率、精确率、召回率及预测误差。研究表明,基于优化后的CAWOA-BP神经网络故障诊断方法能够更加精确实现船舶凝给水系统的故障诊断。

基于CAFA-BP算法的股票风险评估

引入改进后的Chebyshev混沌映射函数对萤火虫算法的步长进行更新,利用改进后的萤火虫算法搜索BP神经网络的初始参数,建立了基于萤火虫算法的BP神经网络的股票风险评估模型。仿真结果表明优化的股票风险评估模型是有效的。

基于PCA-ISSA-BP模型的矿井突水水源判别

为精准判别矿井突水水源,提出1种基于PCA-ISSA-BP模型的矿井涌水水源判别模型。选择孙疃煤矿不同含水层水的6种常规离子和pH值作为判别指标,首先使用主成分分析对7种指标进行降维处理;然后通过Sine混沌映射、融合正弦余弦算法和Lévy飞行策略改进SSA对BP模型进行参数寻优;最后在Matlab软件上编程实现模型的建立。结果表明:主成分分析降低了指标之间的相关性,提高了模型的判别精度,经过归一化处理和参数优化的BP神经网络模型能够跳出局部极小值点,且收敛速度有了较大的提升;与ISSA-BP、PCA-SSA-BP、PCA-PSOBP和PCA-BP模型相比,PCA-ISSA-BP模型具有更高的识别精度、更强的拟合能力以及更小的均方误差,能够更精准实现矿井突水水源的识别。

基于改进果蝇优化算法的BP神经网络在组合梁钢构件定位中的应用

为提高桥梁钢构件的安装精度,建立了基于改进果蝇优化算法的BP神经网络,实现了对钢构件空间坐标的精确预测。在果蝇算法中,引入Logistic映射以优化果蝇种群初始位置,增加混沌动态权重和多种群协同搜索用于加强算法的全局搜索和局部探索能力,有效改进了BP神经网络在处理复杂工程问题时训练时间长和精度低等问题。改进后的BP神经网络可对影响钢构件定位的多个变量进行识别,并筛选出其中的关键变量。结合某波形钢腹板-预应力混凝土组合梁矮塔斜拉桥的工程实例,利用优化后的神经网络对即将施工节段的钢腹板和钢锚箱的空间坐标进行预测。研究表明:经过施工过程验证,该桥钢锚箱与波形钢腹板开孔连接件的孔轴误差、钢锚箱拉索套管误差等问题得到了大幅改善,体现了改进的BP网络在准确预测钢构件的空间坐标。

基于改进的SSA优化BP神经网络的导水断裂带高度预测

针对在采煤沉降灾变预警建模中导水断裂带高度难以准确预测的问题,提出一种基于改进麻雀搜索算法(SSA)优化BP神经网络的导水断裂带高度预测模型;为增强预测模型的全局搜索和逃离局部最优的能力,在标准SSA中加入Tent混沌映射初始化种群,提高种群分布的均匀性和多样性,并引入高斯变异、高斯扰动算法以及动态步长因子,提高SSA跳出局部最优的能力和求解精度;通过实践应用,将改进的SSA-BP与SSA-BP、PSO-BP、BP以及前人研究的GA-SVR模型预测结果进行对比。结果表明:基于改进的SSA-BP预测模型的平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)和决定系数(R2)分别为1.23 m、2.64%、1.51 m和0.985,均优于其它模型,提高了导水断裂带高度预测的准确性和稳定性。

基于CABC-BP模型的供热管网泄漏诊断研究

针对人工蜂群算法(artificial bee colony algorithm,ABC)在供热管网泄漏检测中收敛速度慢,且易陷入局部最优解的问题,利用混沌算法遍历性、规则性的特点,采用Logistic混沌映射对人工蜂群算法初始蜜源的选择策略和侦查蜂的搜索策略进行优化改进,提出了一种基于混沌蜂群算法(chaotic artificial bee colony algorithm,CABC)优化BP神经网络的供热管网泄漏诊断模型。通过对4个标准测试函数进行仿真验证,并与ABC算法相比,验证了其可行性。将CABC算法用于供热管网泄漏故障诊断中,采用该算法优化BP神经网络的权值和阈值,利用BP神经网络自学习的特点确定泄漏的具体管段以及泄漏点具体位置。实验结果显示,相对于ABC-BP模型和传统BP模型,CABC-BP模型对供热管网泄漏诊断精度显著提高,一级网络诊断准确率为98.33%,二级网络诊断准确率为95.83%,诊断误差均在5%以内。

基于改进鲸鱼算法优化神经网络的GPS高程拟合方法

采取混沌映射和自适应惯性权重结合的策略对标准鲸鱼算法进行改进,从而提高算法的全局寻优能力和收敛速度,并针对BP神经网络的劣势,利用改进鲸鱼算法对BP神经网络进行优化处理。在此基础上建立改进鲸鱼算法优化BP神经网络的GPS高程异常拟合预测模型,并通过两组不同地形特征工程中的GPS数据对模型进行验证。结果表明,利用改进鲸鱼算法优化的BP模型进行GPS高程拟合时可取得更高的精度和稳定性。