改进的GA-BP神经网络在矿井突水水源判别中的应用

发布时间：2017-10-19 18:12

  本文关键词：改进的GA-BP神经网络在矿井突水水源判别中的应用

  更多相关文章： 突水水源判别 GA-BP PCA算法 交叉验证

【摘要】：矿井突水水源的判别是制定防治水措施的重要环节。通过对某矿含水层水化学特性的相关性分析,将PCA算法、K折交叉验证算法嵌入GA-BP神经网络,提出了一种新的GA-BP神经网络,将其应用于实例分析中,并与传统的方法进行比较。结果表明:针对水化学特性相近的含水层,PCA算法能够排除样本中的冗余信息,降低样本指标维度,简化BP神经网络结构;K折交叉验证算法能够提高GA算法对BP神经网络权值的寻优质量,使GA算法的进化方向更具合理性;二者的引入大大优化了传统GA-BP神经网络性能,其判别精度更高、适用性更强、结果更可靠,在矿井突水水源判别方面具有很好的应用前景。
【作者单位】： 河南理工大学安全科学与工程学院;
【关键词】： 突水水源判别 GA-BP PCA算法 交叉验证
【基金】：教育部创新团队发展计划项目(IRT1235)
【分类号】：TD745
【正文快照】： 0引言矿井水害是威胁矿井安全生产的自然灾害之一。为减少或避免水害的发生,快速、准确地查明突水来源对开展防治水工作具有重要的指导意义。由于地下水与周围岩层在不同的地质环境下进行长期而复杂的物理、化学作用,因此,不同含水层的水质特征具有一定的差异,故根据水化学特

【相似文献】

中国期刊全文数据库 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

中国重要会议论文全文数据库 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

中国博士学位论文全文数据库 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

中国硕士学位论文全文数据库 前10条

1 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

2 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

3 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

4 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

5 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

6 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

7 王淑红;基于神经网络的选矿厂数学模型及应用研究[D];昆明理工大学;2002年

8 陈华明;基于神经网络技术的边坡稳定性研究[D];武汉科技大学;2006年

9 张龙;基于BP神经网络的掘进工作面突出预测及防治技术研究[D];中国计量学院;2012年

10 崔小彦;基于RBF神经网络与蚁群算法的瓦斯预测模型研究[D];辽宁工程技术大学;2009年

本文编号：1062581