基于人工神经网络的煤矿安全评价研究

发布时间：2017-03-28 01:12

  本文关键词：基于人工神经网络的煤矿安全评价研究，，由笔耕文化传播整理发布。

【摘要】：煤炭产业是我国国民经济的支柱产业,对国民经济的发展起着至关重要的作用,但目前我国的煤矿安全现状却不容乐观,煤矿事故伤亡发生率居世界首位,因而安全评价工作成为了煤矿企业安全管理的重要环节。本文选取具有高度非线性、容错性、自组织的人工神经网络的方法对煤矿进行安全评价工作,主要研究工作如下： 一、经过比较、分析传统的安全评价方法,指出其具有“线性”、“局部性”和“确定性”的缺点,而神经网络评价方法具有自组织、自学习和高度非线性逼近的特点,便于联想、综合和推广,从而确定了神经网络用于煤矿安全评价的可行性。 二、在充分了解煤矿生产系统特征的基础上,根据煤矿安全风险指标体系设计原则,从煤矿固有风险因素、人员风险因素、设备风险因素、管理风险因素、环境风险因素五个方面建立了煤矿安全评价指标体系。 三、探讨了BP人工神经网络隐含层层数和隐含层节点数的选取问题,确定了BP神经网络的网络结构,利用MATLAB软件编程,运行在MATLAB7.0的平台上,分别采用BP神经网络的附加动量算法、弹性算法、L-M算法对煤矿进行评价,评价结果表明三种算法都可以完成煤矿的评价工作,但附加动量算法运算速度慢、步数多,弹性算法在逼近目标值方面存在欠缺,L-M算法不仅运算速度快、步数少、在逼近精度方面也是前两种算法无法比拟的。 四、介绍了一种无论在精度逼近能力、分类识别能力还是网络训练速度方面都优于普通BP神经网络的RBF神经网络。利用RBF神经网络对煤矿进行评价,评价结果显示RBF神经网络比普通BP神经网络算法训练速度快,时间短,精度高,可以和BP神经网络的L-M算法相媲美,能够很好地完成煤矿的评价任务,应该得到大力推广 本文的研究表明：人工神经网络评价方法与传统的安全评价方法相比具有明显的优点,其可操作性强,评价结果精确,可以提高煤矿企业安全评价工作的效率。
【关键词】：安全评价 指标体系 BP神经网络 RBF神经网络
【学位授予单位】：安徽理工大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TD77;TP183
【目录】：

• 摘要5-6
• Abstract6-14
• 1 绪论14-22
• 1.1 研究背景及意义14-16
• 1.2 国内外安全评价研究现状16-19
• 1.2.1 国外煤矿安全评价现状16-17
• 1.2.2 国内煤矿安全评价现状17
• 1.2.3 传统安全评价方法存在的缺点17-18
• 1.2.4 神经网络的特点18
• 1.2.5 神经网络用于煤矿安全评价可行性18-19
• 1.3 本文研究目的和意义19-20
• 1.4 本文研究的内容和技术路线20-22
• 1.4.1 主要研究内容20
• 1.4.2 技术路线20-22
• 2 煤矿安全风险综合评价指标体系的构建22-37
• 2.1 煤矿安全风险系统的特点分析22-26
• 2.1.1 煤矿安全风险评价系统的特点分析22-24
• 2.1.2 煤矿安全风险评价指标体系的设计原则24-26
• 2.2 安全风险指标体系的选择基础26-28
• 2.2.1 指标体系的设计流程步骤26-28
• 2.3 国内煤矿安全风险因素分析28-34
• 2.3.1 煤矿安全风险因素29-31
• 2.3.2 各因素之间的相互作用31-34
• 2.4 煤矿安全风险综合评价指标体系的结构34-36
• 2.5 评价指标分级36
• 2.6 本章小结36-37
• 3 人工神经网络理论37-44
• 3.1 人工神经网络模型37-39
• 3.1.1 人工神经网络模型37-39
• 3.1.2 神经网络模型的选取39
• 3.2 神经网络的结构类型39-41
• 3.3 神经网络的学习类型41-43
• 3.4 本章小结43-44
• 4 基于BP神经网络的煤矿安全评价44-71
• 4.1 BP神经网络模型44-45
• 4.2 BP神经网络算法45-49
• 4.2.1 BP神经网络标准学习算法45-48
• 4.2.2 BP神经网络算法的流程图48-49
• 4.3 BP神经网络的参数选取49-52
• 4.3.1 网络层数的确定49-50
• 4.3.2 各层神经元数的确定50-51
• 4.3.3 学习率的选取51
• 4.3.4 初始权值和阈值的选取51-52
• 4.3.5 样本数量的选取52
• 4.3.6 样本预处理52
• 4.4 BP算法的缺点52-53
• 4.5 BP算法的改进53-56
• 4.5.1 批处理算法53-54
• 4.5.2 附加动量算法54
• 4.5.3 学习速率可变的BP算法54
• 4.5.4 弹性学习算法54-55
• 4.5.5 变梯度算法55
• 4.5.6 基于L-M学习算法55-56
• 4.6 基于BP神经网络的煤矿安全评价应用56-69
• 4.6.1 样本的采集与处理56-59
• 4.6.2 BP神经网络的网络结构设计59
• 4.6.3 BP神经网络训练及结果分析59-69
• 4.7 本章小结69-71
• 5 基于RBF神经网络的煤矿安全评价71-83
• 5.1 RBF神经网络模型原理71-76
• 5.1.1 RBF神经网络神经元模型71-73
• 5.1.2 RBF神经网络的数学基础73-76
• 5.2 RBF神经网络的学习算法76-79
• 5.3 基于RBF神经网络的煤矿安全评价应用79-81
• 5.4 RBF神经网络与BP神经网络的比较分析81-82
• 5.5 本章小结82-83
• 6 结论83-85
• 6.1 所做的工作和结论83-84
• 6.2 本文的不足之处84
• 6.3 展望84-85
• 参考文献85-90
• 致谢90-91
• 作者简介及读研期间主要科研成果91

【参考文献】

中国期刊全文数据库 前10条

1 张昊;王琪洁;朱建军;张晓红;;样本数据预处理对基于BP神经网络的GPS高程拟合的影响[J];大地测量与地球动力学;2011年02期

2 黎锦贤;胡千庭;;主成分分析法在煤矿安全评价中的应用[J];矿业安全与环保;2007年05期

3 谢贤平;赵梓成;;灰色聚类法在矿井通风系统评价中的应用[J];工业安全与防尘;1991年01期

4 罗景峰;许开立;;加权可变模糊评价法在煤矿安全评价中的应用[J];安全与环境学报;2011年04期

5 潘昊,陈杰,钟珞;BP 神经网络结构与样本训练参数选取的初步探讨[J];湖北工学院学报;1997年03期

6 姜绍飞;人工神经网络用于建筑工程领域的数据处理方法[J];哈尔滨建筑大学学报;1999年05期

7 孙佰清,潘启树,冯英浚,张长胜;提高BP网络训练速度的研究[J];哈尔滨工业大学学报;2001年04期

8 戴勇,卢颖,张爱茜,韩朔睽;应用径向基函数网络预测有机化合物的生物活性[J];环境科学;2000年04期

9 李果;许梦国;;矿山工作环境与人员安全生产之间的关系初探[J];黄金;2009年06期

10 丁凯峰,樊思齐;基于RBF网络的航空发动机辨识模型[J];航空动力学报;2000年02期

中国博士学位论文全文数据库 前3条

1 王吉权;BP神经网络的理论及其在农业机械化中的应用研究[D];沈阳农业大学;2011年

2 李江;煤矿动态安全评价及预测技术研究[D];中国矿业大学;2008年

3 张洪杰;煤矿安全风险综合评价体系及应用研究[D];中国矿业大学;2010年

  本文关键词：基于人工神经网络的煤矿安全评价研究，由笔耕文化传播整理发布。

本文编号：271433