煤矿采空区智能充填深度神经网络算法

【目的】采空区智能充填是煤炭资源绿色安全智能高效开采的重要方向,其关键在于对井下采空区矸石充填过程进行智能决策与控制。【方法】为实现该目标,以采空区充填后围岩应力及变形作为监测指标,建立了一种采空区智能充填深度神经网络算法,该算法可以通过输入煤层埋深、厚度、工作面长度、直接顶厚度等关键基本参数,进行相应条件下不同充填方案的采场应力及围岩变形计算分析。将FLAC3D模拟400种不同条件下的充填开采结果作为数据集,对建立的智能充填深度神经网络算法进行训练测试,并和其余3种不同算法进行对比分析。【结果】结果表明:建立的智能充填深度神经网络算法总体优于随机森林、决策树和多元线性回归算法,每组数据运算平均速度仅为0.013 s;智能充填深度神经网络算法计算的顶板最大变形、工作面煤壁压力峰值、巷道超前支护距离等关键参数误差均值介于2%~8%之间;应用该算法针对现场实际条件进行测试,结果与现场实际结果基本吻合,表明该算法科学可行。【结论】本研究对煤矿绿色智能开采具有重要意义与价值。

基于混合优化算法和深度神经网络模型结合的致密砂岩气藏裂缝参数优化

水平井分段压裂是致密砂岩气藏的主要开发方式,其中水力压裂裂缝参数的合理设计对于气藏的经济效益开发至关重要。基于群智能优化算法和机器学习代理模型的自动优化方法存在所需数值模拟次数多、收敛速度慢和代理模型更新复杂等问题,且依靠现场工程师经验和正交实验等传统方法难以获得最佳的裂缝参数设计。为此,建立了一种新的基于混合优化算法和自适应深度神经网络(DNN)结合的致密气藏裂缝参数优化方法。首先,混合优化算法采用遗传算法(GA)和贝叶斯自适应直接搜索(BADS)之间循环迭代的混合策略。在自适应学习过程中,提出了以“最大平均距离点”作为最不确定解,同时辅以最有希望解和少量拉丁超立方采样解共同更新优化过程中的DNN代理模型。随后,将建立的优化方法用于非均质致密砂岩气藏裂缝参数优化。研究结果表明:(1)在标准测试函数和低维裂缝参数优化问题上,GA+BADS混合优化算法表现出了显著优于GA的寻优速度;(2)针对高维裂缝参数优化问题,GA+BADS混合优化算法在约1/2的GA总数值模拟次数下提高了131万元的经济净现值(NPV),收敛速度和寻优精度都明显增加;(3)相比于GA+BADS混合优化算法,在获得相同NPV时,自适应DNN代理加速优化可再减少24.54%的数值模拟运算次数。结论认为,该优化方法显著提升了优化效率,为解决非常规油气藏中水力压裂裂缝参数设计问题提供了一套可行且高效的智能优化方法,将有力促进非常规油气的规模效益开发。

深度神经网络结合迁移学习和基因遗传算法加速金属团簇结构全局优化

在团簇科学中,搜索金属团簇的全局最小能量结构具有重要的意义.最近,深度神经网络结合迁移学习的全局优化方法被开发出来,以提高金属团簇结构的优化效率,该方法可以大幅减少训练深度神经网络所需的样本数量.为了进一步提高势能面的采样效率和深度神经网络结合迁移学习的全局优化方法的全局搜索能力,本文提出了一种将基因遗传算法嵌入到深度神经网络结合迁移学习中的全局优化方法.在Pt_(n)(n=9-15)团簇的全局优化中,该方法只需要深度神经网络结合迁移学习的全局优化方法一半的样本数量就能优化得到全局最优结构,同时节省了约70%~80%的计算成本,这表明全局搜索能力的显著提升。在Pt_(14)团簇势能面上的采样结果显示,该方法搜索到低能量的样本(占比25%)比深度神经网络结合迁移学习方法的样本(占比<1%)更多.在Pt_(16)和Pt_(17)团簇的全局最优结构搜索中,本文报道了文献中尚未报道的新结构,证明本论文建立的方法的可行性和先进性.

无人机高光谱遥感和集成深度置信神经网络算法用于密云水库水质参数反演

随工业化及社会经济迅速发展,水源地面临的水体污染、恶化不断加剧,开展有效的水质监测是水源保护的重要前提。密云水库是北京重要的地表水源地,在保护首都水源安全方面发挥着重要作用。为更精准的监测密云水库水质参数及污染程度,采用4期无人机高光谱遥感数据,基于随机子空间的集成深度置信神经网络算法(EDBN),构建密云水库水质参数反演模型,对密云水库总氮(TN)、总磷(TP)两项水质参数进行反演。首先,采用基于递归特征消除法对高光谱影像降维处理,将光谱数据与地面水质监测数据进行叠加,通过最小化训练过程中误差来确定隐藏层数、神经节点数等网络结构参数;然后采用由知识源域向网络迁移方式逐步拓展网络,对密云水库总氮和总磷两个水质参数进行训练并对结果进行验证;最后,反演密云水库潮河大坝和白河大坝区域水质参数,揭示其主要水质参数时空演变规律。研究结果显示:(1)构建总氮、总磷反演模型R^(2)分别为0.8355、0.7703,MSE分别为0.0153、0.0008,这表明基于随机子空间的集成深度置信神经网络算法模型对密云水库水质参数反演效果较好;(2)密云水库总氮浓度变化随季节发生一定波动,在夏季浓度较低,秋季相对较高。总磷浓度变化相对平稳,表明密云水库周边区域对磷污染控制效果良好;(3)白河大坝区域水质优于潮河大坝区域,总氮浓度相对偏高,整体处于Ⅲ类水平。而总磷浓度较低,整体处于Ⅱ类水平,较好时可以达到Ⅰ类水平。整体水质可以满足饮用水源的标准,但仍需加强对氮、磷污染物有效监管。研究结果将为密云水库水质高效监测与水源保护提供重要科学依据。

基于神经网络算法的视频深度识别技术分析

阐述视频深度识别的概念和原理,探讨卷积神经网络、循环神经网络和深度强化学习在视频深度识别中的应用,并分析数据集构建、特征提取以及深度学习模型设计中的关键技术。

基于深度卷积神经网络的垃圾分类算法研究

垃圾分类是一项重要的环保工作,对于实现可持续发展目标具有重要意义。传统的垃圾分类方法需要大量的人力和物力投入,效率低下,而深度卷积神经网络是一种基于大数据的机器学习方法,具有自动化、高效率、准确性高等优点,可以有效地解决垃圾分类问题。基于此,文章介绍了深度卷积神经网络的定义、基本原理和应用场景,分析了深度卷积神经网络在垃圾分类中的应用,并提出了一种基于深度卷积神经网络的垃圾分类模型。该模型通过对垃圾图像进行特征提取和分类,实现了对垃圾的自动识别和分类。实验结果表明,该模型具有较高的准确率和鲁棒性,可以有效地应用于垃圾分类领域。

基于深度神经网络的信息管理软件自动化测试方法研究

目前信息管理软件自动化测试通常为集中式测试的方式,仍然存在与实际情况差别较大的局限性。为解决这一问题,提出以分布式自动化为基础,对ACO算法做出改进的自动化信息管理软件测试方法。经过实例验证,方法切实可行,集合划分能力更强,具有更高的精确度和时效性。

基于OOD泛化性验证和深度全连接神经网络的泥石流易发性评价方法

提升易发性评价精度有助于山区泥石流灾害早期的识别和监测预警。大部分机器学习模型在训练、测试集合上表现良好,但实际应用过程精度较差,不利于工程选址规划和防灾减灾,如何提高机器学习模型评价精度与泛化性具有重要意义。选取深度全连接神经网络,与梯度提升树、随机森林模型和贝叶斯网络等机器学习方法共同进行模型精确性评价和OOD(out-of-distribution)泛化性验证,从而找出在训练、预测和应用中均具有较高精度的方法。以四川省雅安市为例,采用小流域单元进行区域网格划分,将数据集合按7∶3比例随机分为训练集和测试集,使用经验法则(3-sigma)剔除异常数据,并基于多变量(Iterative Imputer)和K-近邻法对缺失值填充进行泥石流灾害易发性评价。在泥石流易发性因子的共线性、敏感性和预测能力的分析结果基础上,选定14个易发性因子构建模型评价指标体系,进行泥石流易发性评价与对比。通过对模型的精确性评价及OOD泛化性验证发现:深度全连接神经网络模型曲线下的面积(AUC)、准确率(Acc)、召回率(Recall)的值比梯度提升树等的计算结果分别超出了0.027、0.02、0.02,而平均绝对值误差(MAE)降低了0.003;OOD泛化性验证准确度超出了0.056。研究表明,深度全连接神经网络对于泥石流易发性评价的预测效果较好,能够提高泥石流评价的精度,增加评价的适应性,可为泥石流易发性评价提供新思路。

基于缓解特征过度平滑的图神经网络优化算法

为减少过度平滑对传统图卷积网络(graph convolutional network,GCN)模型性能的影响,提出一种优化算法GCN-optimization。该算法通过增强节点特征并在卷积前将特征重新映射的方法,使节点在经过多层GCN传播过程中仍能保持一定的特征差异。在Cora、Citeseer和Pubmed 3个数据集上进行实验,结果显示:在3个数据集中,相比于原版GCN,GCN-optimization算法Accuracy分别提升2.2%、1.5%和0.5%;Macro-F1分别提升1.8%、1.7%和2.1%。表明,相对于基准模型,GCN-optimization算法在节点分类任务中展现出一定的优势,能够有效缓解传统GCN中的过度平滑问题,保持节点特征的差异性,从而提升模型性能。

基于深度模糊神经网络的太阳总辐射预测研究

提出一种基于深度模糊神经网络的太阳总辐射预测模型。首先利用Pearson相关系数分析太阳总辐射关键影响因素,其次利用深度学习多隐含层所具有的特征提取优势将模糊神经网络模块重复连接,构建深度模糊神经网络模型,并使用蝗虫优化算法对其中心值和宽度进行优化。利用所提太阳总辐射预测模型对5个气象站点的相关数据进行仿真实验,并对结果进行分析。仿真结果表明:所提预测模型较其他模型具有较高的预测精度,验证了模型的有效性,可满足无辐射监测站点太阳总辐射预测的需要。

用于训练神经网络的自适应梯度下降优化算法

由于神经网络规模的扩大,模型训练变得越来越困难.为应对这一问题,提出了一种新的自适应优化算法——Adaboundinject.选取Adam的改进算法Adabound算法,引入动态学习率边界,实现了自适应算法向随机梯度下降(SGD)的平稳过渡.为了避免最小值的超调,减少在最小值附近的振荡,在Adabound的二阶矩中加入一阶矩,利用短期参数更新作为权重,以控制参数更新.为了验证算法性能,在凸环境下,通过理论证明了Adaboundinject具有收敛性.在非凸环境下,进行了多组实验,采用了不同的神经网络模型,通过与其他自适应算法对比,验证了该算法相比其他优化算法具有更好的性能.实验结果表明,Adaboundinject算法在深度学习优化领域具有重要的应用价值,能够有效提高模型训练的效率和精度.

基于深度神经网络的永磁直线电机仿真与优化

针对永磁直线同步电机(permanent magnet linear synchronous machine,PMLSM)有限元仿真模型的计算时间长,不能直观地显示结构参数与输出推力的关系,无法指导电机结构参数优化等问题,提出基于子域解析法和深度神经网络算法的PMLSM改进仿真模型,根据麦克斯韦方程组计算得到电机的磁通密度、空载反电势等性能数据,结合深度神经网络算法拟合出电机结构参数与输出推力的非线性关系。基于此模型,使用自适应遗传算法对PMLSM的推力密度进行优化,并与有限元仿真结果对比。结果表明:PMLSM改进仿真模型的计算速度是有限元模型的87.1倍,推力计算结果与有限元结果的平均误差为2.87%,优化后的电机推力密度提高了5.7%。

基于改进BP神经网络算法的钻锪工艺参数优化

针对目前工业机器人钻锪工艺参数选取主要依靠经验法的问题,提出基于改进BP神经网络算法的钻锪工艺参数优化方法。分析钻锪工艺过程并针对工艺参数和加工质量的关系进行正交实验设计和相关性分析;针对哈里斯鹰算法的不足,在猎物逃脱几率和猎物跳跃强度两方面对其进行改进;运用改进的哈里斯鹰算法优化BP神经网络,并基于改进的BP神经网络算法建立工艺参数优化数学模型;采用fmincon函数求解最优工艺参数并进行实验验证。分析结果表明,与由经验法确定的工艺参数相比,优化后的工艺参数在孔径精度和锪窝深度精度方面分别提高了17.9%和26.5%,满足了加工质量要求,并保证了加工效率。

基于神经网络算法的电信客户选择预测模型研究

当前,机器学习广泛应用于多个领域,大数据作为机器学习的原材料,也成为重要资源。电信行业积累了海量优质数据,立足电信企业一线工作需求,将机器学习技术与大数据统计思维、应用相结合,能够实现大数据赋能通信产业,以科技引领产业转型升级。基于某电信运营商数据和Python平台构建神经网络,可以实现客户行为预测模型。该预测模型在输入数据维度、实际样本量、参数量、最终预测准确率等方面出现明显提升,在实践中能够产生较大的商业价值和效益。

交通荷载下煤矸石路基填料累积变形PSO-BP神经网络预测模型

基于煤矸石路基填料大型动三轴试验结果,采用灰色关联分析法分析累积变形影响因子,确定了围压、压实度、级配参数、循环荷载振动次数4个特征参数。引入PSO算法对BP神经网络的权重、阈值进行全局寻优并赋值,提出了一种煤矸石路基填料累积变形PSO-BP神经网络预测模型。与传统BP神经网络模型对比结果验证了该预测模型的可行性和优越性,并通过不同学习程度下模型的预测效果分析了模型的泛化能力,证明了模型的预测潜力。

基于SSA-RBF神经网络的煤自然发火预测模型

为解决传统煤自燃预测模型预测状态单一和预测精度不高的问题,提出基于麻雀搜索算法(SSA)优化的径向基(RBF)神经网络煤自然发火预测模型。首先,采用程序升温试验分析煤样指标气随温度的变化特征,将煤自然发火过程按煤温分为缓慢(80≤t_(i)<120℃)、加速(120≤t_(i)<160℃)和激烈(t_(i)≥160℃)3个氧化阶段,同时分析这3个阶段指标气与煤温的灰色关联度;其次通过不同维度测试函数检验粒子群算法(PSO)、灰狼算法(GWO)和SSA算法性能;最后利用6个矿区数据验证基于SSA-RBF神经网络的煤自燃预测模型的优越性。结果显示,缓慢氧化阶段CO/ΔO_(2)、CO、C_(2)H_(4)这3种指标气体与煤温的灰色关联系数最大;而加速氧化阶段C_(2)H_(4)/C_(2)H_(6)、CO/ΔO_(2)、CO_(2)/CO_(3)种指标与煤温的灰色关联系数最大。3种不同维度函数的测试结果表明:SSA与PSO、GWO相比具有更好的全局搜索能力和稳定性,其收敛速度更快;神经元数量为5个、迭代次数为300次时,SSA-RBF神经网络预测模型对缓慢氧化和加速氧化阶段的预测准确性分别达到了99%和93%。

基于粒子群优化神经网络的变压器故障诊断方法

针对传统变压器故障诊断方法存在处理效率低、诊断结果主观性强的问题,提出一种改进的粒子群(PSO)-BP神经网络变压器故障诊断方法,对智能变压器故障诊断方法展开研究。首先,采用无编码比值法,选用变压器油中各类溶解气体的比值来更准确地区分故障类型;其次,根据所选的测试集气体比值信息,利用灰色关联度法选出与测试集信息特征相似度高的信息作为训练集,剔除冗余信息,优化样本数据;最后,构建PSO-BP变压器故障诊断模型,利用改进的PSO算法优化BP神经网络中的权值和阈值,使诊断模型拥有更快的诊断速度和更高的准确率。使用采集的变压器油中溶解气体信息训练诊断网络,与传统BP神经网络法进行对比。结果表明,所提方法对变压器故障诊断的准确率明显提高。

基于深度神经网络的图像修复算法综述

深度学习的快速发展使计算机视觉技术应用越来越广泛,同时利用深度神经网络根据破损图像的已知信息对图像复原的修复技术成为关注的热点。对近年基于深度神经网络的图像修复方法进行了综述和分析:按照模型优化的方向,对图像修复方法进行分类综述;介绍了图像修复常用的数据集和性能评价指标,并在相关数据集上对各种基于深度神经网络的破损图像修复算法进行性能评价和分析;总结和分析了现有图像修复方法面临的挑战和未来研究方向。

基于Spark大数据计算模型的遗传算法深度前馈神经网络训练算法

新兴的Spark大数据并行计算模型为实现遗传算法深度前馈神经网络数据并行训练提供了一个可能的选择。但是,Spark模型有其特有的数据编码规则和转换规则,目前尚无成熟方法在该模型上实现GADFNN训练。为此,研究了Spark模型的数据编码和转换规则与GADFNN训练的内在关系,提出一个基于Spark模型的GADFNN训练算法——Spark-GADFNN。实验表明,提出的Spark-GADFNN训练算法在中、大规模数据集上,训练时间分别缩短为传统算法的18.18%和16.67%。

基于SMOTE算法的深度神经网络航班延误预测模型

航班延误预测在民航运输降低延误成本、规划航班计划方面有重要作用。针对航班延误数据不平衡的问题,本文提出一种基于SMOTE算法的深度神经网络航班延误预测模型(SMOTE-DNN)。该模型首先利用过采样技术SMOTE算法对原始数据进行处理,减小不平衡数据对模型的影响;接着利用深度神经网络实现航班延误等级预测。此外,本文将所提模型用于真实数据的航班延误预测。结果表明,对航班延误失衡数据进行平衡处理后可以提高模型的拟合度和预测精度,SMOTE-DNN的预测精度可以达到88.79%,且对航班延误各等级均有着较好的预测效果。