分享到:

煤与瓦斯突出预测灰色理论-神经网络方法

煤与瓦斯突出是煤矿最严重的地质灾害之一,煤与瓦斯突出是地应力、煤层瓦斯、煤体结构物理性质共同作用的结果.瓦斯地质研究[1-2]表明:瓦斯分布和瓦斯突出分布是分区分带的,突出分布的不均匀性受地质条件控制.最新瓦斯地质研究[3]将构造物理学理论用于瓦斯地质研究,提出瓦斯突出构造物理环境的概念,指出不同的地质构造及地质构造的不同部位具有不同的突出危险性.对瓦斯突出预测指标研究[3-8]表明,煤与瓦斯突出预测指标具有不确定性.对煤与瓦斯突出的准确预测仍然是世界性难题,同时是瓦斯防治工作必须解决的实际问题.1控制煤与瓦斯突出的主要因素(1)地质构造因素.地质构造是控制瓦斯突出发生的主导地质因素,地质构造类型、规模、性质、疏密程度、排列组合以及构造部位等的差异,对瓦斯突出均有不同程度的影响.地质构造带状分布的特征,控制瓦斯突出危险区呈带状分布,如平顶山八矿大多数突出发生在地质构造带.(2)煤层因素.煤层因素包括煤层厚度、煤层倾角、软分层厚度...  (本文共4页) 阅读全文>>

《浙江理工大学学报》2007年03期
浙江理工大学学报

基于遗传算法的循环神经网络在销售预测中的应用

0引言近年来的研究表明人工神经网络在模式分类和模式识别等方面有很强的能力[1]。人工神经网络一个主要的应用是在经济领域,在经济预测中BP网络模型使用的非常广泛,BP网络模型原理是在隐单元层和输出层用前向传播网络的学习方法[2]。但由于前向传播网络的学习方法是静态的学习方法,训练时学习新样本有遗忘旧样本的趋势。所以使得在动态时序信号处理、非线性动态系统控制等带有强时序行为系统的应用中存在相当大的困难。而且在隐单元层和输出层都要学习,使得学习收敛速度很慢,此外,较多的输入节点也使得对外部噪声特别敏感。相反,循环神经网络它能够更生动、更直接地反映系统的动态特性,代表了神经网络建模、辨识与控制的发展方向。循环神经网络包含了网络内部状态的反馈,利用网络内部状态反馈来描述系统的非线性动力学行为[3]。循环神经网络在处理时序问题时其效果远优于前馈网络。但神经网络的学习算法易陷入区域极小值和全局搜索能力弱等特点。而遗传算法不要求目标函数具有连续...  (本文共5页) 阅读全文>>

《机电设备》2007年06期
机电设备

“神经网络”:打开复杂工艺“黑箱”

提起人工智能,一般的联想是战胜象棋大师的电脑、曲径通幽的网络游戏,可它同样能为改造传统工业出力。上海工程技术大学程武山教授开发的"烧结复杂工艺智能控制系统",通过一个人造"神经网络"并不断"训练",成功模拟复杂工艺过程并...  (本文共1页) 阅读全文>>

《内蒙古科技与经济》2007年11期
内蒙古科技与经济

神经网络在固体火箭发动机比冲预测中的应用

1固体火箭发动机比冲固体火箭发动机是固体导弹的动力推进系统[1],固体火箭发动机一般由燃烧室壳体、药柱、喷管和点火机构组成。比冲的大小综合反映了发动机性能对火箭总体性能的影响。若发动机的总冲已给定,比冲越高,则所需要推进剂质量也越小,因此发动机的尺寸和质量都可以减少。若推进剂质量给定,比冲越高,则发动机总冲越大,可使火箭射程或载荷相应增加。所以说精确的比冲预示至关重要,精确的比冲预示能使导弹射程和总冲储备预计更加准确。比冲精确预示对提高导弹武器系统性能、优化发动机设计、降低研究成本和缩短研制周期都是非常必要的。图1固体火箭发动机组成图传统固体火箭发动机比冲预示方法主要有两种[2]:①经验法;②综合分析法。经验法采用回归分析方法把众多发动机实验数据拟合成经验公式。该方法计算简单,但仅能预示与实验发动机同类型的发动机比冲,适用范围受到一定限制。综合分析法主要通过流场计算和分析,确定喷管内各项损失,在理论比冲中扣除各项损失,得到固体火...  (本文共2页) 阅读全文>>

《电加工与模具》2007年05期
电加工与模具

基于神经网络的注塑模成本估算方法的研究

传统的模具成本估算方法主要依靠个人经验,缺乏科学性,难以满足市场竞争和变化的需要。影响注塑成本的因素很多,它属于复杂的非线性预测问题。而BP神经网络可有效地解决这类问题,BP神经网络是非线性交换单元的前馈式网络,具有很好地逼近非线性映射的能力。国内外也出现了很多利用神经网络进行成本估算的方法,A.Shtub[1]将神经网络应用于装配系统的成本估算,实验效果远远优于传统成本估算方法,华中科技大学[2]提出了结合神经网络和遗传算法对信息系统进行成本估算的方法,大大提高了成本估算的精度。JurgenBode[3]将神经网络应用于飞机成本预测,取得了较高的预测精度。本文探讨了如何将神经网络应用于注塑模成本估算。1成本估算模型BP神经网络能较好地处理成本预测这类多因素、不确定性、非线性的问题。虽神经网络采用黑匣式的预测,但它自身强大的学习能力可将需考虑的多种因素的数据进行融合,输出一个经非线性转换后的较精确的预测值。本文提出的用于注塑模成...  (本文共3页) 阅读全文>>

《吉首大学学报(自然科学版)》2007年05期
吉首大学学报(自然科学版)

一类三元离散神经网络的收敛性

关于系统xn=εxn-1+af(yn-1)+bf(zn-1),yn=εyn-1+af(xn-1),zn=εzn-1+bf(xn-1),其中01矛盾.所以zn∈[-1,1],结论成立.[1,5]引理1 u0,s1时:(1)当(x0,y0,z0)∈[1,+∞]×[1,+∞]×[1,+∞]时,(xn,yn,zn)→(1+u+s,1+u,s);(2)当(x0,y0,z0)∈[-∞,1]×[-∞,1]×[-∞,1]时,(xn,yn,zn)→(-1-u-s,-1-u,-s).证明先证(1).当(x0,y0,z0)∈[1,+∞]×[1,+∞]×[1,+∞]时,x1=εx0+(1-)ε(1+u)+(1-ε)sε+(1-)ε(1+u+s)1,y1=εy0+(1-)ε(1+u)ε+(1-)ε(1+u)1,z1=εz0+(1-ε)sε+(1-ε)s1.所以(x1,y1,z1)∈[1,+∞]×[1,+∞]×[1,+∞].由数学归纳法可得(xn,...  (本文共3页) 阅读全文>>