基于改进RBF神经网络矿井瓦斯涌出量预测,本论文为免费优秀的关于瓦斯论文范文资料，可用于相关论文写作参考。
瓦斯论文参考文献：
摘 要：介绍了瓦斯涌出量对矿井安全的影响及一种改进的RBF算法——IRBF算法,借助Matlab软件利用BP算法、传统RBF算法及IRBF算法对实测数据进行训练和预测的实验,结果表明IRBF网络具有较短的迭代时间及较高的精确度.
关键词：神经网络 RBF IRBF 瓦斯涌出量
中图分类号：F062.4 文献标识码：A
文章编号：1004-4914（2017）05-294-02
一、引言
矿井瓦斯是指煤矿井下空气以甲烷（CH4）为主的有毒有害气体的总称.如果井下的通风效果不理想,瓦斯涌出量大的区域会因为瓦斯体积分数过大,导致井下工作人员窒息.瓦斯在一定条件下可发生爆炸,爆炸时产生的高温（可达1850℃～2650℃）,不仅会烧伤职工、烧坏设备,还可能点燃木支架和煤壁,引起瓦斯连续多次爆炸、煤尘爆炸和井下火灾,从而加重灾害程度,扩大灾害面积.为了避免这些事故的发生,在对瓦斯含量高的煤层进行开采的过程中,必须事先对矿井瓦斯涌出情况进行预测.预测的准确性直接影响矿井的经济技术指标.近些年来,一些学者将BP网络及RBF网络用于瓦斯涌出量的预测领域,单这两种方法也存在着一定的缺点：BP学习算法容易陷入局部极小点、收敛速度特别慢,同时由于未考虑到输入的分布特性,推广能力差；RBF网络中隐节点中心及标准参数的确定存在困难,针对这些问题,一些改进的算法被提出来.考虑到瓦斯涌出量预测中考虑因素多、系统训练复杂,且数据采集过程中存在噪声的情况,采用一种改进的RBF算法——基于免疫算法的RBF方法（IRBF）进行研究,以便缩小标准进化算法搜索空间的范围, 提高算法的收敛速度及精度.
二、IRBF理论分析
IRBF神经网络是由输入层、隐层和输出层神经元构成的前向型网络,其基本思想是用径向基函数作为隐层神经元的基,构成隐层空间,实现输入矢量到输出矢量的映射变换,其结构如图1所示.
三、预测模型的建立及应用
预测模型的建立依赖于要解决的实际问题,根据实际问题中输入量和输出量的个数,可以确定神经网络的结构.瓦斯涌出量和很多因素有关,例如：煤层瓦斯含量、煤层埋藏深度、煤层厚度、煤层倾角、开采厚度、工作面长度、推进速度、采出率、临近层瓦斯含量、临近层、层间距离、层间岩性、开采强度等.这些因素中有的对瓦斯涌出量的大小影响较大,也有的影响较小.为保证在预测准确性的前提下对网络结构进行简化,利用灰色关联度对这些指标进行优选,选出对瓦斯涌出影响最大的4个因素进行分析.这4个因素分别为煤层厚、煤层埋藏深度、顶板砂泥岩比、地板砂泥岩比,具体数据见表1.
设输入层节点为四个,分别开采强度、煤层瓦斯含量、煤层埋藏深度及煤层厚度,输出层节点为一个,即瓦斯的涌出量,初始隐层数据中心数为7,变异率βk等于exp（1-k）,亲和力阈值为0.8,相似度阈值为0.95,学习率为0.01,对网络进行训练.
取表中前12组数据对网络进行训练,后3组数据进行检验.
为更好地对比优缺点,同时对引用数据进行BP算法及传统的RBF方法的迭代过程进行比较.BP算法中隐层节点数根据经验公式选取为7个,传统RBF算法隐节点数选为6个.三种算法的误差曲线如下：
取检测数据利用三种方法分别进行检验,得到的结果如下表所示：
四、结论
利用Matlab软件进行编程,对BP、传统RBF及IRBF算法对瓦斯涌出量预测系统进行网络训练及预测,通过三种方法的误差对比曲线可以看出,达到设定误差时,IRBF的迭代次数最少,RBF算法次数居中,BP算法最多；通过网络预测结果和实测数据相比较,IRBF所得数值和实测值最为接近.因此,IRBF网络在提高算法的收敛速度及精度方面有较好的效果.同时,还应该指出的是,训练数据的准确性、神经网络结构的设计对网络的学习及预测能力影响很大,在实际应用的过程中,还应该对网络进行反复的训练及调整以达到安全防范的作用.
[本文为黑龙江省自然科学基金项目A201421.]
参考文献：
[1] 吴中立.矿井通风和安全[M].徐州：中国矿业大学出版社,1992
[2] 永智群,潘玉民.基于RBF神经网络的瓦斯涌出量预测[J].煤炭技术,2012（4）
[3] 王涛,王洋洋,郭长娜.基于径向基的瓦斯涌出量灰色预测模型[J].计算机测量和控制
[4] 唐朝伟,何国田,徐昌彪等.神经网络在采煤工作面瓦斯涌出量预测中的应用[J].计算机应用,2007（12）
[5] 朱川曲.采煤工作面瓦斯涌出量预测的神经网络模型[J].中国安全科学学报,1999（9）
[6] 李祎,刘裕晓.基于BP神经网络的瓦斯涌出量预测的研究[J].煤矿现代化,2011（2）
[7] 李春辉,陈日辉,苏恒瑜.BP神经网络在煤和瓦斯突出预测中的应用[J].矿冶,2010（19）
[8] Jinwen Ma and Jianfeng Liu, The BYY annealing learning algorithm for Gaussian mixture with automated model selection, Pattern Recognition, vol.40,pp：2029-2037,2007
[9] 潘玉民等.基于QPSO-RBF的瓦斯涌出量预测模型.中国安全科学学报,2012（12）
[10] 肖忠良,李智勇.一种改进的RBF神经网络多目标优化算法[J].科学技术和工程,2009（21）
[11] 孙丹等.一种改进的RBF神经网络混合学习算法[J].吉林大学学报（理学版）,2010（5）
[12] 张辉,柴毅.一种改进的RBF神经网络参数优化方法]J].计算机工程和应用,2012（20）
[13] 宫新保,周希朗,胡光锐.基于免疫进化算法的径向基函数网络[J].上海交通大学学报,2003（10）
[14] 朱大奇,史慧.人工神经网络原理及应用[M].北京：科学出版社,2006
[15] Duda R.O.,Hart P.R.Pattern classification and scene analysis.New York：Wiley,1973
[16] 朱紅青,常文杰,张彬.回采工作面瓦斯涌出Bp神经网络分源预测模型及应用[J].煤炭学报,2007（5）
（作者单位：黑龙江科技大学 黑龙江哈尔滨 150027）
（第一作者简介：李焱,副教授,硕士研究生,主要研究方向：人工智能.）（责编：贾伟）
结论：关于本文可作为相关专业瓦斯论文写作研究的大学硕士与本科毕业论文瓦斯爆炸的三个条件论文开题报告范文和职称论文参考文献资料。
基于遗传算法和RBF神经网络核电厂安全管理评价模型
中图分类号：F273 文献标识：A 文章编号：1674-1145（2017）03-000-02摘 要 遗传算法具有很强的全局搜索能力，但是容易。
矿井瓦斯涌出量影响因素分析
摘 要：在矿井生产过程中，瓦斯涌出的因素较多，准确分析瓦斯涌出源及涌出量，能为瓦斯治理提供强有力的技术参数。矿井瓦斯涌出受地质因素，开采因素、生。
基于小波分析和GA—BP神经网络美元兑人民币汇率预测
[摘 要]运用小波分析的方法去除汇率曲线中的噪声，以此消除对预测精度不利的干扰部分。在把消噪后的序列投入BP神经网络和GA-BP神经网络中进行预。