MRA-RBF神经网络组合算法的煤矿材料成本预测

发布时间：2018-02-05 19:14

  本文关键词： 煤矿材料成本 多元回归分析 RBF神经网络 MRA-RBF耦合模 预测 成本控制　出处：《辽宁工程技术大学学报(自然科学版)》2017年05期 　论文类型：期刊论文

【摘要】：为解决煤矿材料成本预测存在的问题.将多元回归模型和RBF神经网络相结合,建立了煤矿材料成本预测的MRA-RBF耦合模型.从自然因素、技术因素、管理因素等方面选取8个变量建立煤矿成本预测指标体系.对实际煤矿材料成本进行预测分析.结果表明:MRA-RBF耦合模型预测最大误差为10.795 145 2%,平均误差为5.459 71%,最小误差仅为0.344 581 7%,预测效果较好,预测精度与单一MRA模型及RBF神经网络相比有了较大提高.验证了所提出模型的科学性、准确性,说明将线性拟合算法(MRA)和非线性拟合算法(RBF)结合起来用于煤矿材料成本预测是一种较为优越的算法,为煤矿材料成本预测及控制提供一种新的方法.
[Abstract]:In order to solve the problem of coal mine material cost prediction, the MRA-RBF coupling model of coal mine material cost prediction is established by combining multiple regression model and RBF neural network. Technical factors. In the aspects of management factors, 8 variables are selected to set up the coal mine cost prediction index system. The actual coal mine material cost is forecasted and analyzed. The results show that:. The maximum prediction error of MRA-RBF coupling model is 10.795,145 2%. The average error is 5.459,71 and the minimum error is only 0.344,581,77.The prediction effect is good. Compared with the single MRA model and the RBF neural network, the prediction accuracy is greatly improved, which verifies the scientific and accuracy of the proposed model. It shows that the combination of linear fitting algorithm (MRA) and nonlinear fitting algorithm (RBF) is a superior algorithm for coal mine material cost prediction. It provides a new method for coal mine material cost prediction and control.
【作者单位】： 辽宁工程技术大学工商管理学院;
【基金】：国家科技支撑计划(2013BAH12F01) 国家自然科学基金(51374121)
【分类号】：F406.72;F426.21;TP183

【相似文献】

相关期刊论文 前10条

1 田敏;谢贤平;侯江;邢冀;;神经网络在矿业工程中的若干应用进展[J];采矿技术;2008年04期

2 王小完;杨桦;;神经网络技术在矿体边界圈定中的应用研究[J];金属矿山;2009年02期

3 贺康;庞海荣;代粉蕾;;SOM神经网络在全液压钻机液压系统故障诊断中的应用[J];煤矿机械;2011年04期

4 彭泓;高攀;;粗神经网络在煤与瓦斯突出预测系统的应用[J];仪表技术与传感器;2011年11期

5 郭忠平,王志军,李勇;基于神经网络的综合指标在煤矿安全预测中的应用[J];煤矿安全;2005年09期

6 刘兰翠,朱明,杨中;基于神经网络的时间序列对煤矿安全性的预测[J];煤炭科学技术;2002年11期

7 魏一鸣，童光煦;基于神经网络的品位估值方法及其计算机系统[J];化工矿山技术;1995年02期

8 黄国明，苏文智;基于时序预报神经网络的斜坡变形预测方法[J];中国煤田地质;1996年04期

9 郭科,胥泽银;神经网络在地质数据统计分析中的应用[J];四川联合大学学报(工程科学版);1999年01期

10 李云;刘霁;;神经网络与主元分析在采矿工程中的应用[J];中南林业科技大学学报;2010年06期

相关会议论文 前4条

1 李春文;曹玲芝;张爱芳;;神经网络PID控制器在提升机控制系统中的应用[A];第二十九届中国控制会议论文集[C];2010年

2 王祥厚;李程远;;台阶爆破岩石块度预测的神经网络[A];第七届全国工程爆破学术会议论文集[C];2001年

3 李昊;阳春华;王随平;;集成神经网络在深海集矿机故障诊断中的应用[A];04'中国企业自动化和信息化建设论坛暨中南六省区自动化学会学术年会专辑[C];2004年

4 戚玉亮;王同旭;张振宇;王荣超;;位移反分析的Levenberg-Marquardt BP神经网络方法研究[A];全国岩土工程反分析学术研讨会暨黄岩石窟（锦绣黄岩）岩石力学问题讨论会文集[C];2006年

相关博士学位论文 前2条

1 雷勇涛;基于神经网络的提升机制动系统故障诊断技术与方法[D];太原理工大学;2010年

2 乔国厚;煤矿安全风险综合评价与预警管理模式研究[D];中国地质大学;2013年

相关硕士学位论文 前10条

1 张抗抗;煤矿主通风机风量调节系统的设计与实现[D];中国矿业大学;2015年

2 刘志坚;基于BP神经网络的煤自然发火预报系统研究[D];华北理工大学;2015年

3 王圳;基于神经网络的破碎机传动系统故障诊断研究[D];辽宁科技大学;2015年

4 蒲春;基于神经网络的地质钻探工况判别模型研究[D];中国地质大学(北京);2016年

5 李贝贝;神经网络集成算法研究及其在煤矿安全中的应用[D];山东师范大学;2012年

6 袁姝;神经网络在地震反演中的研究与应用[D];西安石油大学;2011年

7 刘锐;非线性神经网络及其在地学中的应用[D];中国地质科学院;2006年

8 王一兵;基于神经网络的矿井风机故障诊断[D];上海交通大学;2012年

9 沈娜娜;基于神经网络的磨矿过程多模型软测量方法研究[D];辽宁科技大学;2015年

10 丁睿;基于神经网络的铀矿国际市场价格预测[D];中南大学;2010年

，

本文编号：1492532