粒子群优化-BP神经网络对岩爆的预测
BP神经网络在爆破震动速度预测中的应用
338BP 神经网络在爆破震动速度预测中的应用■ 唐 威[摘 要] 爆破震动的准确预测是确保工程爆破成功的前提，然而，爆破震动会受到爆破条件的复杂影响。
本文在分析爆破条件对爆破震动影响的基础上，利用BP 神经网络的高度非线性特性和强大学习能力，建立了爆破震动速度预测模型。
选用工程监测数据，对网络模型进行了训练和预测。
预测结果与实测数据具有较好的相关性，所建立的预测模型对爆破震动速度的预测具有较高的理论和应用价值。
[关键词] 爆破震动 BP 神经网络 预测目前，爆破技术广泛应用于采矿、水电、交通及国民经济建设各领域，而爆破震动是工程爆破中不容忽视的重要问题，直接关系到爆破工程能否顺利进行。
智能算法具有强大的非线性处理能力，是新时代研究爆破震动参数预测的基础，国内外的学者在智能预测方面进行了广泛而深入的研究。
本文在分析爆破条件对爆破震动影响的基础上应用BP 神经网络对爆破震动速度进行预测。
一、 爆破条件对爆破震动的影响目前，爆破条件对爆破震动的影响程度尚无定论，从系统工程的观点来看，爆破震动是一个多因素、多层次、多目标的复杂系统。
爆源因素和非爆源因素的共同作用决定了岩体爆破震动的强度，国内外的学者针对爆破条件对爆破震动的影响做了大量卓有成效的研究。
相关研究指出，最大段药量、爆心距和高差是影响爆破震动强度的最主要因素。
二、 BP 神经网络1. BP 神经网络的原理BP（Back-Propagation）神经网络是一种误差反向传递的多层前向网络。
本文采用典型的3层前馈型BP 神经网络的学习算法结构，如图1所示。
网络由输入层、隐含层和输出层组成，设其输入层、隐含层、输出层的神经元个数分别为m、h、n，各层的编号依次为LA、LB、LC，输入参数的数据以向量形式输入，相邻的神经元实行全连接。
2. 爆破震动速度预测的BP 神经网络模型 BP 神经网络模型的设计与构造主要有三项内容：输入参数、隐含层神经元个数和输出参数的确定。
改进的BP神经网络在隧道岩爆预测中的应用
岩 石质 量 的优劣 直接 影 响着岩 体 的变形 特性 和
ｍｏ ｅ ｉ ｅｔｂｉｈ ｄ Ｔ ｋｎ ｔ ｅ ｅ ｉｔ ｇ ｒｃ ｂ ｒｔ ｄ ｔ ａ ｔａｎｎ ｓ ｔｈ． ｔｅ ｉｔｎ ｉ ｏ ｒ ｃ ｄ ｌ ｓ ｓａ ｌ ｅ ． ａ ｉ ｇ ｈ ｘｓｉ ｏ ｋ ｕ ｓ ｓ ｎ ａａ ｓ ｒｉ ｉｇ ｗａｃ ｈ ｎｅ ｓｔ ｆ ｏ ｋ ｙ
通过对 国 内外 曾经 发生 岩爆 的一些工 程概 况 的
脉 、断层 以及 岩层 的突变 等等 。特别 是 向斜 的轴 部
岩 层 存 在 较 大 的地 应 力 ，聚积 有 大 量 的弹 性 变 形
￣
Ｓ Ｒ Ｎ Ａ Ｄ Ｏ Ｐ Ｔ ＤＲ
， ｌ（ ２４ ｌ） ２ ０№ ｌ／ ６ ０ ２
体 破坏 时转 化为较 大 的动能 ，使其 弹射 、抛 出形成 岩 爆 ；反之 ，在岩 性复 杂的破 碎岩层 ，构 造变 动强 烈 ，构造 影 响严 重 ，接 触 和挤 压 破 碎带 、风 化 带 ，
的人工 神经 网络 方法 正适 合解决 此类 问题 ，它不 要
求 岩爆 与各影 响 因素 间有 明确 的函数关 系 ，可作 为 预测 岩爆 的一条 有效 的研究 途径 。采用 改进 的人工 神 经 网络方 法预 测 岩爆 的关键 在 于 。选 取 必要 的 、 容易确定 的影 响岩爆 的主要 因素 。进行 正确 的预测 。
岩 爆是指 在 高地应力 地 区洞室 开挖后 ，由于洞
室 围岩 的应力 重分 布和应 力集 中 ，储存 于 岩体 的弹 性 应变 能突然 释放 ，由此 产生爆 裂松脱 、剥 落 、弹
基于关联分析和遗传算法优化BP的隧道围岩变形预测
基于关联分析和遗传算法优化BP的隧道围岩变形预测引言随着交通事业迅速发展，隧道工程被广泛应用在交通基础设施建设领域。
隧道工程凭借缩短线路距离、避免高路堑等优势，建设比例不断增加。
为确保运营和施工安全，其变形预测研究具有重要的意义[1-2]。
隧道施工时，由于各种地质灾害给隧道施工带来很大的难度。
近些年来，很多国内外学者对于围岩质量、稳定性进行了研究和综合探索。
吴波等[3]通过有限元数值计算对上软下硬地层隧道围岩稳定性量化评价标准进行了详细的分析和系统的研究，从而建立围岩稳定量化评价体系。
刘明才[4]采用Monte Carlo方法，计算了岩体结构的可靠性，并分析了结构面参数的不确定性对块体稳定性的影响。
涂瀚[5]对水平层状砂质板岩隧道的稳定性及破坏机理进行研究，为水平层状围岩隧道的建设提供参考。
黄志平[6]通过RFPA方法考虑岩石材料的细观非均匀特性，对深埋硬岩隧洞全断面一次开挖和分断面多次开挖进行数值模拟分析，研究多个特征方面对围岩稳定性的影响及其破坏机制。
张露晨等[7]利用关键块体理论矢量分析方法分析隧道围岩的稳定性。
XIAO R Y, ZHU W, HE MC等[8-10]通过对滑坡进行监测，对滑坡下隧道围岩稳定性进行了一定的研究。
同时，围岩稳定性研究中，隧道围岩位移预测预报也是一项重要的内容，对施工决策有非常重要的意义。
在现场测试中，多种因素的影响，监测数据存在偶然误差且具有离散性。
在实际应用中，必须进行数学处理，找出量测位移在不同因素的影响下，随时间、空间变化的规律，同时预测其发展变化趋势，以科学地评价围岩的稳定性[11]。
叶超[2]提出以粒子群算法对GM(1，1)模型参数进行优化，然后以BP 神经网络为基础，建立误差修正模型，旨在进一步提高预测精度。
张可能等[11]采用时空统一Kriging插值预测模型和DGM(1，1)灰色预测模型，预测隧道施工过程中掌子面前方一定范围内任意时刻的拱顶沉降。
神经网络及其在岩爆灾害预测中的应用
神经网络及其在岩爆灾害预测中的应用倪富来【摘要】岩爆是高地应力区岩质隧道开挖施工过程中发生的主要施工地质灾害之一,它的发生对隧道施工企业的安全生产构成很大的威胁,对岩爆发生可能性及其程度的预测是这类隧道设计、施工及安全生产所面临的重大问题.依据隧道岩爆发生的条件,基于国内外隧道及地下工程岩爆实例,应用人工神经网络方法,建立了岩爆危险性预测的评价模型并应用vc++6.0实现了该评价模型,将其运用到武隆隧道的岩爆预测中,取得了良好的效果.【期刊名称】《重庆建筑》【年(卷),期】2011(010)007【总页数】4页(P33-36)【关键词】BP神经网络;武隆隧道;岩爆预测【作者】倪富来【作者单位】中铁十六局集团第五工程有限公司,唐山,063030【正文语种】中文【中图分类】U455.6岩爆是隧道开挖过程中围岩的一种非正常破坏现象，主要表现为大范围的岩体突然破坏，破裂围岩的动力抛掷，并伴有不同程度的爆炸、撕裂声，围岩释放大量能量，使几米至几百米的硐室瞬间破坏。
严重的岩爆可将巨石猛烈抛出，甚至一次岩爆就能抛出数以吨计的岩块和岩片，常常造成人员伤亡和设备损失。
岩爆不仅使人产生恐惧感，而且直接威胁施工人员和设备的安全，严重的会诱发地震，造成地表建筑物的破坏。
所以对岩爆发生的可能性及其危险程度的预测是隧道设计、施工企业在高地应力区岩质隧道建设过程中所必须解决的问题[1]。
目前专家、学者们已从强度、刚度、能量、稳定、断裂、损伤、分形和突变等方面对岩爆现象进行了分析，提出各种假设和判据。
在一些假设和判据中仅考虑个别影响因素，会产生片面性和局限性，而考虑所有因素又会使问题复杂化[2]。
另外，岩土工程中的有关因素，其本身通常只具有相对的准确度，它们与岩爆的关系往往不能以简单的是与否进行评价，非线性的人工神经网络方法正适合解决此类问题，它不要求岩爆与各影响因素间有明确的函数关系，只需要选取必要的、容易确定的影响岩爆的主要因素，进行正确的学习和预测。
基于BP神经网络隧道施工岩爆预测研究
张俊峰 ：基于 Ｂ Ｐ神经 １ 可 知 ，影 响岩爆 的 因素 可分 为 三种 ：应 力 、强 度 、能 量 Ｊ 。就 具体 工 程 而论 ，由于 工 程背 景不 同 ，则影 响到应力 （ 初 始 地应 力 、二次 应 力 ） 、
误 差 反传 （ 学 习算 法 ）
个循环 过程 ，每 一 循 环 主 要 由两 步 组 成 。第 一 步 ，输 入信息 由输 入层 经过 隐 含层 并 逐 层处 理 计算
・
２ ０ｏ ・
路 基 工 程 Ｓ ｕ ｂ ｇ ｒ ａ ｄ ｅ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ
２ ０ １ ３年第 ３期 （ 总第 １ ６ ８期 ）
基于 Ｂ Ｐ神 经 网络 隧道 施 工 岩 爆 预 测研 究
张俊 峰
（ 中 国建筑西南勘察设计研究 院有限公 司 ，成 都 ６ １ ０ ０ ３ １）
的应力集 中，致使 岩 石 中应力 超 过其 强度 或 积 聚足 够大 的能量 。不 同岩 爆因素及经验 判据 ，如表 １ 。
表 １ 不 同岩爆 因素判 据及 相应计 算方 法
挖方 式和断 面形 式等 。仅 凭一 种 因素 对 岩爆 进 行判
断 ，显然不太 合理 ，结 果也 不 太 准 确 ，获 得 的影 响
岩爆是 硬岩在高 地应力下 发生 的一种地 质灾 害 ，
在隧道工 程施 工 中 ，直接 危及 操 作 工人 和 挖 掘设 备
的安全 ，常致使 工程 进 度滞 后 。如 何 准确 预 测岩 爆 的发生及 其严 重程 度 ，提前 采取 预 防措 施 减 轻岩 爆 发生带来 的灾害 ，已被工程界 列为世 界性 难题 之一 。 国内外许 多专 家学 者虽 做 了大量 研 究 ，但 就 岩爆 发 生机制 、预测方 法 、防治 办 法 ，均没 有 形 成 一个 科 学 的体 系 。影 响岩爆 的因素 众多 ，有初始 地应 力场 、 二次 应力 场 、岩石 岩 性 、完 整 性 、地 下 水 、施工 方 法等 。影响隧道 围岩开 挖后 的二 次地 应力 的 因素也 很 多 ，如 围岩 中原 始地 应 力 的 大小 和 方 向 ，隧 道开
神经网络及其在岩爆灾害预测中的应用
神经网络及其在岩爆灾害预测中的应用1. 神经网络技术综述1.1 神经网络的基本概念1.2 神经网络算法分类1.3 神经网络应用领域综述2. 岩爆灾害概述2.1 岩爆灾害的产生原因和特点2.2 岩爆灾害预测研究现状3. 基于神经网络的岩爆灾害预测模型3.1 数据集准备和特征分析3.2 神经网络模型的设计与实现3.3 模型训练与优化4. 实验对比分析4.1 实验设计与实施4.2 模型性能评估与对比分析4.3 结果分析与总结5. 后续研究与展望5.1 研究不足和存在问题5.2 神经网络在岩爆灾害预测中的应用前景5.3 拓展研究思路和方向第一章：神经网络技术综述1.1 神经网络的基本概念神经网络是一种模拟生物神经系统运作的人工智能算法，其结构类似于生物神经元。
神经网络由大量相互连接的简单处理元素（神经元）组成，其主要特点是具有自我学习、自我适应、自我组织等能力，能够识别数据的特征，发现数据中的规律和模式。
神经网络具有高度的复杂性、自适应性和非线性映射能力，并广泛应用于自然语言处理、图像识别、信号处理、金融预测、医疗诊断等领域。
1.2 神经网络算法分类神经网络算法主要分为单层感知器和多层前馈神经网络。
单层感知器是最简单的神经网络，其结构只有输入层和输出层。
多层前馈神经网络具有多个隐藏层，其中每个神经元与前一层的所有神经元都有连接。
多层前馈神经网络具有非线性映射能力，能够处理多类分类、回归和聚类等任务。
目前，常见的多层前馈神经网络算法有BP（Back Propagation）神经网络和RNN （Recurrent Neural Network）神经网络等。
1.3 神经网络应用领域综述随着机器学习技术的不断发展，神经网络应用的领域日益扩大。
在自然语言处理方面，神经网络被广泛应用于机器翻译、情感分析、命名实体识别等任务。
在图像识别方面，深度学习算法（如卷积神经网络）已被广泛用于人脸识别、目标检测与跟踪等领域。
在医疗健康领域，神经网络被应用于医学图像分析、病人诊断和治疗方案优化等任务。
基于粒子群优化BP神经网络的隧道围岩位移反演分析
２ Ｇ ｏ ｃ ｎ ａ Ｅ ｇｎｅ ｎ ｓ ｔ ｅ Ｈ ｈ ｉ ｎ ｅ ｉ ，Ｎ ｎ ｎ ，Ｊ ｎ ｓ １０ ８ ｈ ｉ ； ． ｅｔ ｈ ｉ ｌ ｎ ｉ ｒ Ｉ ｔ ｔ ， ｏ ａ Ｕ ｉ ｒ ｔ ｅ ｃ ｅ ｉ ｎｉ ｇ ｕ ｖ ｓ ｙ ａｊ ｉ ｇ ｉ ｕ ２ ０ ９ ，Ｃ ｎ ａ ｇ ａ
Ｚ ＵＺ ｅ－ ｌ ， Ａ ＧＸ－ ｎ Ｈ Ｏ Ｚｅ－ ｎ， Ｎ ｈ ｈｎ Ｈ ｈｎ ｅ Ｙ Ｎ ｉ ｉ ｄ一 ｑ ｇ， Ａ ｈｎｑ ２ ＷＡ ＧＳｉ ｏｇ ｕ — ３
（ ． ｏｅｅｏ ｒ ｉｃ ｒ ａｄＣｖ ｎｉ ｅｎ ，Ｗ ｎ ｏ ｎ ｅ ｉ ，Ｗ ｎ ｏ ，Ｚ ｅａ ２０５ ｈ ａ １ Ｃ Ｚｇ ｃ ｔｔ ｅ ｎ ｉｌ ｇ ｅ ｉ ｔ ｆＡ ｈｅ ｕ ｉＥ ｎ ｒ ｇ ｅ ｈｕＵ ｉｒｔ ｚ ｖ ｓｙ ｅｚ ｕ ｈ ｉｎ ３５３ ，Ｃ ｉ ； ｈ ｊｇ ｎ
基 于粒 子 群 优 化 Ｂ Ｐ神 经 网 络 的 隧 道 围岩 位 移 反 演 分 析
朱珍德 一 ， ，杨喜庆 ，郝振群 ，王士宏
矿山深部开采覆岩沉陷预测的改进粒子群优化BP模型
矿山深部开采覆岩沉陷预测的改进粒子群优化BP模型陈健峰【期刊名称】《金属矿山》【年(卷),期】2017(000)007【摘要】为提高矿山深部开采覆岩沉陷的预测精度,以吉林省某矿山为例,将覆岩抗压强度、工作面推进距离、采厚、煤层倾角、采深作为开采沉陷预测的主要影响因素,以煤层倾角、工作面推进距离、采厚等参数作为预测模型的输入值,将最大沉陷值作为预测模型的输出值,构建了BP神经网络开采沉陷预测模型.针对经典BP神经网络模型在训练时具有学习速度慢、抗干扰能力弱以及易陷入局部最小值等不足,采用一种改进型粒子群优化算法对其进行了优化,构建了改进粒子群优化BP神经网络模型.试验表明:①所提模型的平方相关系数R2为0.932、平均绝对误差eME为0.195、平均相对误差eMRE为0.082、训练时间t为21.5 s、均方误差eMSE为0.0671;②经典BP神经网络模型的平方相关系数R2为0.802、平均绝对误差eME为0.605、平均相对误差eMRE为0.255、训练时间t为30.9 s、均方误差eMSE为0.0891;③PSO-BP神经网络模型的平方相关系数R2为0.825、平均绝对误差eME为0.382、平均相对误差eMRE为0.216、训练时间t为23.5 s、均方误差eMSE为0.0782.可见,所提模型具有较高的训练效率,拟合效果较好且预测精度较高,对于大幅提升矿山开采沉陷预测精度有一定的借鉴价值.【总页数】5页(P128-132)【作者】陈健峰【作者单位】河北能源职业技术学院经济与管理系,河北唐山063000【正文语种】中文【中图分类】TD325【相关文献】1.松散层下覆岩裂隙采后闭合效应及重复开采覆岩破坏预测 [J], 王文学;隋旺华;董青红;胡文武;谷守侠2.深部开采覆岩关键层对地表沉陷的影响 [J], 许家林;连国明;朱卫兵;钱鸣高3.丰海煤矿深部煤炭开采覆岩破坏及地表沉陷规律 [J], 徐汝华4.巨厚覆岩下矿产重复开采地表沉陷预测及其控制 [J], 叶永芳;刘少华;吴晓辉;陈四宝;张缓缓5.基于Adaboost-PSO-BP模型的开采沉陷预测研究 [J], 邢垒;原喜屯;张沛因版权原因，仅展示原文概要，查看原文内容请购买。
改进粒子群算法优化BP神经网络的短时交通流预测
改进粒子群算法优化BP神经网络的短时交通流预测一、概述随着城市化进程的加速和交通系统的日益复杂，短时交通流预测已成为智能交通系统（ITS）的关键组成部分。
准确的短时交通流预测能够帮助交通管理部门和道路使用者更好地理解和应对交通拥堵，优化交通流，减少出行时间，提高道路使用效率。
近年来，人工智能技术的发展为短时交通流预测提供了新的解决思路，基于神经网络的预测模型因其强大的非线性映射能力而备受关注。
BP（Back Propagation）神经网络作为最常用的一种神经网络，具有自学习、自组织和适应性强的特点，已被广泛应用于各种预测问题中。
BP神经网络在训练过程中存在易陷入局部最优解、收敛速度慢等问题，这在一定程度上限制了其在短时交通流预测中的性能。
粒子群优化（Particle Swarm Optimization, PSO）算法是一种基于群体智能的优化算法，通过模拟鸟群捕食行为中的信息共享机制，实现全局搜索和快速收敛。
PSO算法具有参数少、易于实现、全局搜索能力强等优点，被广泛应用于函数优化、神经网络训练等领域。
传统的PSO算法在解决复杂优化问题时也面临着陷入局部最优、搜索精度不高等问题。
为了克服BP神经网络和PSO算法的不足，提高短时交通流预测的精度和效率，本文提出了一种改进粒子群算法优化BP神经网络的短时交通流预测方法。
该方法首先对PSO算法进行改进，通过引入惯性权重调整策略、速度限制策略和局部搜索策略，提高算法的全局搜索能力和局部搜索精度。
将改进后的PSO算法用于优化BP神经网络的权值和阈值，提高神经网络的训练速度和预测精度。
通过实际交通流数据的实验验证，证明该方法在短时交通流预测中具有良好的性能。
本文的研究不仅有助于提高短时交通流预测的准确性和效率，为智能交通系统的发展提供有力支持，同时也为粒子群算法和神经网络在交通领域的应用提供了新的思路和方法。
1. 交通流预测的重要性和应用场景交通流预测，作为智能交通系统（ITS）的重要组成部分，对于现代城市的发展和管理具有至关重要的意义。
遗传策略粒子群优化的粗糙集神经网络在崩塌落石灾害风险评估中的应用
优，提高了风险预测的精度。
1 基于邻域粗糙集模型的属性约简算法
波兰学者 Pawlak 等人提出的粗糙集 (Rough set，简 称 RS) 理论是用来研究不完整数据、不精确知识的表 示、学习、归纳等问题的。该理论一个突出的优点是具 有很强的定性分析能力，即不需要预先给定某些特征或 属性的数量描述，如统计学中的概率分布、模糊集理论 中的隶属度或隶属函数等，而是直接从给定问题的描述 集合出发，通过不可分辨关系和不可分辨类确定问题的 近似域，找出问题中的内在规律。但经典粗糙集理论定 义在等价关系基础上，只能处理名义型数据，对数值型 数据必须通过离散化后才能处理。连续数据经过离散化 处理后可能会丢失重要信息，并且不同的离散化方法会 影响处理效果，所以引入了邻域粗糙集模型来进行数值 属性约简和分类器构造。该方法能直接处理数值型数 据，与经典粗糙集方法相比，省去了对数据的离散化过 程。
本文将基于遗传策略的粒子群算法引入邻域粗糙 集-神经网络。将崩塌落石的稳定性和落下后的危害性 作为风险评价对象，这两项就是神经网络的输出，分别 设为 Os 和 Oh。Os 和 Oh 取值分别为 0 或者 1，就构成了 风险评价集，如表 1。
表 1 风险评价集与神经网络输出
图 1 原始数据的网络训练曲线图 108 2010 年 10 期(总第 70 期)
（1） f(x1，ai)- f(x2，ai)=0 ，若 x1，x2 在 ai 上取值相同。 （2） f(x1，ai)- f(x2，ai)=1， 若 x1，x2 在 ai 上取值不同。 从而邻域粗糙集下近似、上近似、边界分别为
N-(X)={xiδ(xi)X，xi∈U} N-(X)={xiδ(xi)∩X≠Φ，xi∈U}
(1)
(2) 式中，ω 称为惯性权重， 是与前一次速度有关的比例因 子，0<ω<1；η1 和 η2 是常数，称为加速因子， 一般取 η1=η2= 2；rand () 是随机数；Xid 代表粒子 id 的位置， Vid 代表粒子 id 的速度；Pidb，Pgdb 分别代表到目前为止粒 子 id 所发现的最好的位置以及整个种群最好粒子的位 置。每个粒子的速度在迭代中被不断地调整，加速因子 η1 rand () 和 η2 rand () 是两个随机因子，在每一维上的 随机数是分别产生的，用于权衡将粒子拉向 Pi 和 Pg 的 权重。调节这两个变量可以改变粒子目前的最好位置和 邻域目前的最好位置的相应影响。取较大的值将导致粒 子更急剧地朝向甚至超出目标区域飞行。
基于BP神经网络的岩块力学性质预测
ｘ Ｑ ｉ
统 的岩石 力学参数 的确定主要 是通 过实验方法与 以此为基础
的统 计 公 式 进 行 确 定 。实 验 方法 在 确 定 岩 石 力 学 参 数 时 需 要
花费 巨大 的人力物力财力 ，如何 寻找岩石力学参数之 间的相
形 发 育 ，溶 洞 、溶 洼 密 布 ；伏 流 断涧 ，奇 峰 异石 ，构 成 秀 丽 、
壮 观 的 自然 景 色 。
小 。ＢＰ神经 网络主 要用于 函数逼 近、模 式识别与分类、数据
压缩等方面 。
ＢＰ神 经网络模 型结构包括输入层 （ｎ ｕ ） ｉ ｐ ｔ 、隐层 （ ｉ ｅ ｈｄ ｌｙ ｒ ａ ｅ ）和输 出层 （ ｕ ｐ ｔｌｙ ｒ 。图 １是典型 的 ＢＰ神经 ｏ ｔ ｕ ａ ｅ ）
网络 结 构 。
山脉 走 向 、地 形地 貌 特 征 严 格 受 区域 构 造 线 控 制 。 山岭
多呈东 北—— 西南方向 ，北部部分近东西走 向，与构造线基 本一致 ，河流与山脉走向大体相 同。发育多级剥夷面 ，河谷 切割较深 ，相对高差几百米至千米左右 。 恩施地 区地貌 按成 因和分布高程可划分为 ：构造溶蚀侵 蚀中 山区、构造溶蚀侵 蚀中低山区、构造侵蚀丘 陵区。 四 、运用 Ｂ 神经 网络进行岩块 向基 函数 网络 。在 本 文 中用 到 了 通 过 总 结 ＢＰ 学 习法 而
岩 石 力 学 参 数 的研 究 是 岩 石 工 程 中研 究 的重 要 问 题 。传
创造 出来 的后传播计算法 。一个后传播包括一个输入层 ，几 个 隐含 的地层 ，和几个输出层。这 些地层可能包括多个节点 ，
作者简介 ：何
神经网络及其在岩爆灾害预测中的应用
中 图 分 类 号 ： ５ ． 文 献 标 识 码 ： 文 章 编 号 ：６ １ ９ ０ （０ １０ － ０ ３ ０ Ｕ４ ５６ Ａ １ ７ － １ ７ ２ １ ）７ ０ ３ — ４
Ａｂ ｔａ ｔ Ｒｏ ｋｂ ｒｔｉ ｏ ｅｏ ｅｍ ａｎ ｇ ｏ ｏ ｉａ ｚ ｒ ｓｏ ｃ ｒｅ ｎｔ ｅｃ ｎ ｔｕ ｔ ｎ ｏ ｃ ｎｎ ｌｄ ｒｎ ｈ ｘ ａ ａｉｎｐｒｃ ｓ ｎ ｒｇｏ ｓｗｉ ｓ ｒｃ ： ｃ ｕ ｓ ｓ ｎ ｆｔ ｉ ｅ ｌ ｇｃ ｌ ｈ ｈａａ ｄ ｃ ｕ ｒｄ ｉ ｈ ｏ ｓｒ ｃｉ ｆＲｏ ｋ Ｔｕ ｅ ｕ ｇ ｔｅｅ ｃ ｖ ｔ ｏ ｅｓｉ ｅ ｉ ｎ ｔ ｏ ｉ ｏ ｈ
ｏ ｅ ｔ ｎ ｌｒ ｃ ｕ ｓ，ｂ ｓ ｄ ｏ ｏｃ ｒｔｉ ｕ ｎ ｌａ ｄ ｕ ｄ ｒ ｏ ｎ ｒ ｓ ａ ｏｍｅ ａ ｄ ａ ｒ ａ ， ｎ ｉ ｇ ａ ｔｆｃａ ｅ ｒ ｌｎ ｔ ｒ ｔ ｏ ， ｓａ － ｆｔ ｕ ｎｅ ｏ ｋ ｂ ｒ ｔ ａ ｅ ｎ ｒ ｋ ｂｕ ｓ ｎ ｔ ｎ ｅ ｎ ｅ ｇ ｕ ｄ ｗｏ ｋ ｔ ｈ ｎ ｒ ｈ ｂ ｏ ｄ ａ ｄ ｕｓｎ ｒｉ ｉ ｌｎ ｕ ａ ｅ ｗｏ ｋ ｍｅ ｈ ｄ ｅ ｔｂ ｎ ｉ
ｌｓ ｅ ｖ ｌａｉｎｍ ｏ ｅ ｏ ｏ ｋ ｂ ｒｔｒｓ ｏｅ ａ ｔ ｇ ａ ｄ ｕ ｅＶＣ＋＋ ． ｏ ｉ ｌｍｅ ｔｔｅｅ ａｕ ｔｏ ｄｅ． ｅａ ｐｌ ａｉｎ ｏ ｅｐｅ ｉｔ ｎ ｈ ｓ ｉｈ ｄ ａ ｅ ａｕ ｔｏ ｄ ｌｆｒｒｃ － ｕｓ ｉｋ ｆｒ ｃ ｓｉ ｎ ｓ ｎ ｎ ６０ ｔ ｍｐ ｅ ｎ ｈ ｖ ｌａｉｎ ｍｏ １ Ｔｈ ｐ ｉ ｔｏ ｆｔ ｒｄｃｉ ａ ｃ ｈ ｏ ａ ｈｅ ｅ ｅｔｓ ｃ ｅｓｉ ｈ ｏ ｋｂ ｒｔｎＷ ｕｏ ｇＴｕ ｎｅ． ｃ ｉｖ ｄｇ ａ ｕ ｃ ｓ ｔ ｅｒ ｃ ｕ ｓ ｌｎ ｎ １ ｒ ｎ ｉ Ｋｅ ｙｗｏｒｓ： ｅ ａ ｅ ｏ ｋ Ｗ ｕ ｏ ｇＴｕ ｎ ｌｒ ｃ ｕ ｓ ｒｄ ｃｉｎ ｄ ＢＰｎ ｕ ｌ ｔ ｒ ； ｒ ｎｗ ｌｎ ｎ ｅ； ｏ ｋｂ ｒｔ ｅ ｉｔ ｐ ｏ
基于BP神经网络的高含水岩石爆破震动参数预报
基于BP神经网络的高含水岩石爆破震动参数预报李玉能;马建军;池恩安;陈永麟【摘要】运用现场试验震动监测得出水介质对高含水岩石爆破地震波传播规律的影响,再结合BP神经网络理论,将水介质纳入网络模型,建立爆破震动参数预报的BP 神经网络模型.采用高含水岩石爆破现场监测数据对网络模型进行训练.把训练达到最优后的预报结果与实测结果作对比,发现BP神经网络模型预报参数与实测值较为接近.%The influence of water medium on the propagation law of blasting vibration in high water cut rock is studied by vibration monitoring in field bining with the BP neural network theory,the water medium is incorporated into the network model to establish the blasting vibration parameter forecasting model.The network model is trained by using site monitoring data of high water cut rock blasting.The optimum results of BP neural network model after training are compared with the measured data.It is found that the BP neural network model is close to the measured value,which is instructive for such engineering blasting.【期刊名称】《爆破》【年(卷),期】2017(034)002【总页数】6页(P68-73)【关键词】高含水岩石;BP神经网络;爆破震动;预报模型【作者】李玉能;马建军;池恩安;陈永麟【作者单位】武汉科技大学理学院,武汉 430081;贵州新联爆破工程集团有限公司,贵阳 550000;武汉科技大学理学院,武汉 430081;贵州新联爆破工程集团有限公司,贵阳 550000;武汉科技大学理学院,武汉 430081【正文语种】中文【中图分类】TD235随着国民经济的快速发展，爆破作为基础工程重要手段，被广泛应用于各个领域。
一种基于改进粒子群算法优化BP神经网络的预测方法
一种基于改进粒子群算法优化BP神经网络的预测方法钱兆楼【摘要】As a new kind of particle swarm optimization algorithm is presented with the principle of simple, fast convergence speed and the advantages of easy to implement and so on become the hot topic in the academic experts and scholars. This paper introduces the BP neural network and two kinds of prediction method of particle swarm optimization, is proposed based on improved particle swarm algorithm of the basic algorithm of BP neural network and the operation process.%粒子群优化算法作为一种新型的算法由于具有原理简单、收敛速度快且易于实现的优势等成为学术界的专家学者关注的热点问题.文介绍了BP神经网络和粒子群算法两种预测方法,提出了基于改进改进粒子群算法的BP神经网络的基本算法及操作流程.【期刊名称】《电子测试》【年(卷),期】2015(000)020【总页数】3页(P39-40,25)【关键词】BP神经网络优化;粒子群算法改进;方法【作者】钱兆楼【作者单位】淮安信息职业技术学院,江苏淮安,223003【正文语种】中文【中图分类】N93BP神经网络是指前馈神经网络中的误差逆传播学习算法，是目前应用范围最为广泛的人工神经网络，包括信息的前向输入和误差的反向输入两种算法。
其中信息的前向输入算法公式为netij=,Oij=fs(netij)=,其中net表示神经元总输入，N为神经元节点数。
PSO优化BP神经网络岩爆预测的Matlab实现
PSO优化BP神经网络岩爆预测的Matlab实现由于影响岩爆因素的复杂性，以及岩爆的极强灾害性。
本文通过选择影响岩爆程度的四项物理力学指标，最后运算组合以后变成三项输入因子。
应用BP神经网络对16组国内外岩爆实际工程案例进行训练，得到最优隐含层数。
然后利用粒子群算法（PSO）优化网络的初始权值和阈值，避免了单独使用BP网络时说存在的不足。
利用Matlab及其神经网络工具箱来实现网络的运算和预测。
将训练好的网路应用到三组实际的案例中，最终结果表明：利用PSO-BP神经网络算法所预测出来的结果和实际岩爆烈度一致，且结果明显优于单因素判据和BP 网络预测的结果。
标签：BP神经网络；粒子群（PSO）优化算法；岩爆预测；Matlab本文利用Matlab 9.1.0（R2016b）这一工具进行BP神经网络的运算并利用粒子群（PSO）进行网络的优化。
相对遗传算法来说，粒子群优化BP神经网络就没有交叉、變异等复杂操作。
PSO-BP网络模型避免了BP网络陷入局部最优、收敛慢等缺陷。
建立了多个岩爆影响因素与岩爆程度之间的非线性映射关系，并得到了最优初始权值和阈值。
然后利用网络进行训练，最后得出的结果与实际的岩爆程度一致。
1、基于粒子群算法的BP神经网络模型1.1BP神经网络与岩爆的结合（1）BP算法流程分成两个部分：信息的正向传播和误差的反向传播。
（2）将影响岩爆的主要因素作为网络的输入层，并告知网络学习样本的期望输出，然后让网络计算出最优的初始权值和闽值。
能够得到各个影响因素之间的权重关系。
利用神经网络解决输入因子间的非线性关系，从而能够对岩爆的烈度进行分级且避免了主观因素的影响。
1.2粒子群（PSO）优化算法粒子群算法，也称微粒群算法，它能够优化BP网络的关键一点是，能够找寻最优的初始随机权重和阈值。
对于PSO算法，所有粒子（假设N个）通过速度vi=（vi1，v12，……，viD）更新其空间位置Xi=（xi1，x12，……，xiD）。
改进粒子群算法对BP神经网络的优化
改进粒子群算法对BP神经网络的优化
沈学利;张红岩;张纪锁
【期刊名称】《计算机系统应用》
【年(卷),期】2010(019)002
【摘要】介绍一种基于改进粒子群算法优化BP网络的权值调整综合方法.该算法在传统BP算法的误差反传调整权值的基础上,引入粒子群算法的权值修正,并且在训练神经网络权值的同时优化其连接结构,删除冗余连接,从而建立了基于粒子群算法优化的BP网络新模型.结果表明,改进算法不仅可以克服传统BP算法收敛速度慢和易陷入局部权值的局限,而且很大程度地提高了结果精度和BP网络学习能力.【总页数】5页(P57-61)
【作者】沈学利;张红岩;张纪锁
【作者单位】辽宁工程技术大学,电子与信息工程学院,辽宁,葫芦岛,125105;辽宁工程技术大学,电子与信息工程学院,辽宁,葫芦岛,125105;辽宁工程技术大学,电子与信息工程学院,辽宁,葫芦岛,125105
【正文语种】中文
【相关文献】
1.一种基于改进粒子群算法优化BP神经网络的预测方法 [J], 钱兆楼
2.一种改进粒子群算法优化BP神经网络实现核素识别方法 [J], 刘议聪;朱泓光;宋永强
3.改进粒子群算法优化BP神经网络的粮食产量预测 [J], 李雪;顾沈明;年浩
4.改进自适应粒子群算法优化BP神经网络医院门诊量预测方法 [J], 张标标;吴俊
宏;马仕强;柯飚挺
5.基于改进粒子群算法优化BP神经网络的废水处理软测量模型 [J], 何丹;林来鹏;李小勇;牛国强;易晓辉;黄明智
因版权原因，仅展示原文概要，查看原文内容请购买。
基于PCA-BP神经网络的岩石爆破平均粒径预测
基于PCA-BP神经网络的岩石爆破平均粒径预测史秀志;郭霆;尚雪义;姬露露【摘要】岩石爆破平均粒径的预测对岩石采装及二次破碎具有重要意义,然而常规的神经网络预测岩石爆破平均粒径存在较大的误差.为更加合理准确预测岩石爆破粒径分布,选取台阶高度与钻孔荷载比(H/B),间距与荷载比(S/B),荷载与孔径比(B/D),炮泥与荷载比(T/B),粉因数(Pf),弹性模量(E)和现场块度大小(XB)7个主要影响岩石爆破粒径的因素,并结合BP神经网络较好的预测性,以及主成分分析(PCA)能消除自变量间的相关性和减少BP神经网络输入数据的特点,建立了基于PCA-BP 神经网络的岩石爆破粒径预测模型.以48组实测数据为例,对7个影响因素进行主成分分析,最终降为4个主成分,进而将其作为BP神经网络的输入因子,对岩石爆破粒径进行了预测.结果表明:BP神经网络与最小二乘法预测的平均误差分别为15.71％、27.32％,而PCA-BP神经网络预测平均误差仅为9.21％,实现了对岩石爆破粒径的较准确预测.综上所知,PCA-BP神经网络模型为岩石爆破平均粒径预测提供了一种科学、可靠的方法.【期刊名称】《爆破》【年(卷),期】2016(033)002【总页数】7页(P55-61)【关键词】岩石爆破粒径;主成分分析法;BP神经网络;预测模型;最小二乘法【作者】史秀志;郭霆;尚雪义;姬露露【作者单位】中南大学资源与安全工程学院,长沙410083;中南大学资源与安全工程学院,长沙410083;中南大学资源与安全工程学院,长沙410083;中南大学资源与安全工程学院,长沙410083【正文语种】中文【中图分类】TD235.1在露天矿爆破作业中，合适的爆破粒径分布不仅有利于矿石的装载和运输，提高采装效率，而且可降低二次破碎带来的风险[1]。
因而实现最佳的破岩粒度分布无疑成为了岩石爆破的重点。
然而岩石的爆破粒径受爆破设计参数、炸药参数以及岩体性质等因素的影响[2]，且各因素之间又存在极其复杂的非线性关系。
粒子群算法优化的BP网络预测软件质量
粒子群算法优化的BP网络预测软件质量宫丽娜;马怀志【期刊名称】《计算机工程与应用》【年(卷),期】2014(000)023【摘要】预测软件质量的技术中，软件建模技术是软件质量评价体系中的关键技术，它可以发现软件中度量数据和软件质量要素之间的非线性关系。
BP神经网络能够很好地模拟度量数据和质量要素之间的非线性关系，但是BP网络存在易于陷入局部极小和收敛速度慢的问题，所以提出了用粒子群算法优化BP神经网络，通过优化的BP网络建立软件质量模型，这样能很好地解决BP网络收敛速度慢和局部极小的问题。
在实现该进化BP神经网络的基础上，利用28组数据进行实验，并通过与BP模型的结果的比较，验证了该模型。
%The modeling technology of software which can find the nonlinear relationship between metric data and quality factors is the key technology in the software quality evaluation system. BP neural network is a kind of modeling method for the nonlinear relationship between metric data and quality factors, but there are some problems, such as slow conver-gence speed and easily getting into local minimum. So it proposes that using the optimized BP network based on PSO to establish the prediction model of software quality, which solves the problem of slow convergence speed and easily getting into local minimum well. In the basis of the evolutionary BP neural network, through the experiment with 28 groups of data, and by comparing with the result of BP model, the model is validated.【总页数】4页(P65-68)【作者】宫丽娜;马怀志【作者单位】枣庄学院信息科学与工程学院，山东枣庄 277160;枣庄学院信息科学与工程学院，山东枣庄 277160【正文语种】中文【中图分类】TP311【相关文献】1.基于粒子群算法优化BP神经网络的溶浸开采浸出率预测 [J], 卜斤革; 陈建宏2.基于粒子群算法优化BP神经网络的土壤含水量短期预测模型 [J], 牛曼丽;李新旭;张彦军;雷喜红;王艳芳;李蔚3.改进自适应粒子群算法优化BP神经网络医院门诊量预测方法 [J], 张标标;吴俊宏;马仕强;柯飚挺4.基于改进粒子群算法优化BP神经网络的甜菜产量预测方法 [J], 顾丽丽;刘勇;甄佳奇5.基于改进粒子群算法优化BP网络的短期风电功率预测 [J], 王宽;李萍;汤航;尚佳炜因版权原因，仅展示原文概要，查看原文内容请购买。
神经网络的粒子群优化算法及其在地震预测中的应用
神经网络的粒子群优化算法及其在地震预测中的应用阮海贵;谭毅华;鹿明明;田金文【期刊名称】《计算机与数字工程》【年(卷),期】2013(041)002【摘要】Back propagation neural network is a good method used in time series prediction, which has a strong nonlinear capacity of processing problem. However, it is easy to fall into local minimum and slow convergence. To solve the above shortcomings, using improved particle swarm algorithm optimize the weights and threshold of back propagation neural network can effectively enhance the ability of the algorithms global search and improve the convergence rate. For applications of earthquake prediction, using an improved particle swarm of the BP neural networks optimization algorithm to predict the time series of largest magnitude in Sichuan Province. Predict the largest seismic magnitude of the following year by training. Results show that this method is better than the BP algorithm without optimization and has good result of prediction.%BP神经网络具有较强的非线性问题处理能力,是目前一种较好的用于时间序列预测的方法,然而它存在易于陷入局部极小值、收敛速度慢等不足.针对以上缺点,利用改进粒子群优化BP神经网络的权值与阈值,有效地增强了算法的全局搜索能力和提高了收敛速度.针对地震预测的应用,用改进粒子群优化的BP算法对四川地区最大震级时间序列进行预测,通过训练预测次年的最大震级.结果表明此方法优于未经优化的BP 算法,具有良好的预测效果.【总页数】4页(P155-157,290)【作者】阮海贵;谭毅华;鹿明明;田金文【作者单位】华中科技大学图像识别与人工智能研究所武汉430074;华中科技大学多谱信息处理技术国家级重点实验室武汉430074;华中科技大学图像识别与人工智能研究所武汉430074;华中科技大学多谱信息处理技术国家级重点实验室武汉430074;华中科技大学图像识别与人工智能研究所武汉430074;华中科技大学多谱信息处理技术国家级重点实验室武汉430074;华中科技大学图像识别与人工智能研究所武汉430074;华中科技大学多谱信息处理技术国家级重点实验室武汉430074【正文语种】中文【中图分类】TP29【相关文献】1.基于粒子群优化算法的RBF神经网络在闸墩裂缝宽度预测中的应用 [J], 闫滨;王闯2.BP神经网络在地震预测中的应用 [J], 马城城;汪世仙;李伸亮3.基于粒子群优化算法的神经网络在油品质量预测中的应用 [J], 李方方;赵英凯;贾玉莹4.人工神经网络在天然地震预测中的应用 [J], 陈威5.BP神经网络在地震预测中的应用 [J], 马城城;汪世仙;李伸亮因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
粒子群优化-BP神经网络对岩爆的预测
张强;王伟;刘桃根
【期刊名称】《三峡大学学报（自然科学版）》
【年(卷),期】2011(33)6
【摘要】岩爆是典型高地应力区主要地质灾害之一,其预测理论和发生机制的研究目前并不成熟.本文通过选择合适的影响岩爆程度的主要因素,应用BP神经网络对岩爆样本进行训练并利用预测样本进行检验,由于BP神经网络的初始权值和阀值对网络学习效率和预测结果有影响,因此其对检验样本的预测结果往往不够理想.利用粒子群算法(PSO)对BP网络的初始权值和阀值进行优化,将改进后的BP神经网络算法应用于预测,预测的结果优于BP神经网络.表明利用PSO-BP神经网络算法对实际工程中的岩爆进行预测是可行的.%Rock burst, as a basic kind of geological disaster, usually occurs in high geostress zones. There is no perfect prediction theory or occurrence mechanism so far. In this study, by choosing the main influence factors of rock bursts, BP neural network is used to train and predict the samples of rock bursts. Because initial weight values and threshold of the neural network have great effects on efficiency of learning and prediction of results, the prediction of testing samples using BP neural network are not satisfactory. The particle swarm optimization(PSO) algorithm is utilized to optimize the initial weight values and threshold of BP neural network. The improved BP neural network has a good prediction result for rock bursts. The results indicate that it is feasible
to predict rock bursts based on PSO-BP neural network in practical engineering.
【总页数】6页(P41-45,56)
【作者】张强;王伟;刘桃根
【作者单位】河海大学岩土力学与堤坝工程教育部重点实验室,南京 210098;河海大学岩土工程科学研究所,南京 210098;河海大学岩土力学与堤坝工程教育部重点实验室,南京 210098;河海大学岩土工程科学研究所,南京 210098;河海大学岩土力学与堤坝工程教育部重点实验室,南京 210098;河海大学岩土工程科学研究所,南京210098
【正文语种】中文
【中图分类】TU457
【相关文献】
1.基于BP神经网络的隧道岩爆预测模型研究 [J], 樊永攀
2.改进的BP神经网络在隧道岩爆预测中的应用 [J], 王斌
3.基于BP神经网络隧道施工岩爆预测研究 [J], 张俊峰
4.基于改进MATLAB-BP神经网络算法的隧道岩爆预测模型 [J], 孙臣生
5.基于组合赋权的遗传算法优化BP神经网络岩爆预测研究 [J], 闫鹏洋; 王利宁; 郭培文; 刘涛
因版权原因，仅展示原文概要，查看原文内容请购买。