分析 BP 神经网络应用于小康水利综合评价中存在的几个关键性问题。利用层次分析法（AHP）从100余个水利统计指标中遴选出30个具有一定代表性的指标用于构建小康水利综合评价指标体系并给出相应的分级标准；采用 LM 算法弥补标准 BP 神...分析 BP 神经网络应用于小康水利综合评价中存在的几个关键性问题。利用层次分析法（AHP）从100余个水利统计指标中遴选出30个具有一定代表性的指标用于构建小康水利综合评价指标体系并给出相应的分级标准；采用 LM 算法弥补标准 BP 神经网络在实际应用中存在收敛速度慢、易陷入局部极值等不足,建立了神经网络小康水利综合评价模型---LM-BP 模型；利用随机内插方法在小康水利综合评价分级标准阈值间生成训练样本和检验样本；提出网络拟合度的概念；选取网络拟合度、平均相对误差等5个统计指标用于评价模型性能。在模型达到预期的评价精度和泛化能力后,将其用于文山州小康水利综合评价,并构建传统 BP 模型、RBF 模型作为对比模型。结果表明：（a）无论是训练样本还是检验样本,LM-BP 模型的评价精度均高于传统 BP 神经网络模型、RBF 神经网络模型近一个数量级,表明 LM-BP 模型具有较高的评价精度和泛化能力,可用于文山州小康水利综合评价,模型收敛速度快、稳定性能好。（b）2010年文山州及各县级行政区小康水利综合评价为1~2级,处于起步-基本实现阶段；2020年预测评价为3级,全州基本实现小康水利。展开更多
文摘分析 BP 神经网络应用于小康水利综合评价中存在的几个关键性问题。利用层次分析法（AHP）从100余个水利统计指标中遴选出30个具有一定代表性的指标用于构建小康水利综合评价指标体系并给出相应的分级标准；采用 LM 算法弥补标准 BP 神经网络在实际应用中存在收敛速度慢、易陷入局部极值等不足,建立了神经网络小康水利综合评价模型---LM-BP 模型；利用随机内插方法在小康水利综合评价分级标准阈值间生成训练样本和检验样本；提出网络拟合度的概念；选取网络拟合度、平均相对误差等5个统计指标用于评价模型性能。在模型达到预期的评价精度和泛化能力后,将其用于文山州小康水利综合评价,并构建传统 BP 模型、RBF 模型作为对比模型。结果表明：（a）无论是训练样本还是检验样本,LM-BP 模型的评价精度均高于传统 BP 神经网络模型、RBF 神经网络模型近一个数量级,表明 LM-BP 模型具有较高的评价精度和泛化能力,可用于文山州小康水利综合评价,模型收敛速度快、稳定性能好。（b）2010年文山州及各县级行政区小康水利综合评价为1~2级,处于起步-基本实现阶段；2020年预测评价为3级,全州基本实现小康水利。
文摘为精确预计锦界矿某工作面开采沉陷,首先结合该工作面的地质资料、采掘工作平面图及孔柱状图,采用FLAC3D软件建立了该工作面开采沉陷仿真模型,得到工作面推进100、300、500、700 m时的开采沉陷数据;其次基于该类数据对BP神经网络预计模型进行训练和验证,建立沉陷数据与工作面推进距离的非线性关联;然后用粒子群优化算法(Particle swarm optimization,PSO)对BP神经网络模型的结构参数和连接权值阈值进行优化,并引入遗传算法(Genetic algorithm,GA)中的自适应变异因子以一定概率初始化部分变量,以解决PSO算法易陷入局部最优解的问题,避免BP神经网络模型易陷入局部最小值、训练收敛速率低以及PSO算法易早熟收敛等问题。分别采用BP神经网络模型、PSO-BP神经网络模型以及所提模型进行试验对比,并引入偏差平方和(Sum of squares for total,SST)对各模型的预计精度进行评价,研究表明:在工作面分别推进100,300,500 m的情况下,BP神经网络模型的SST值分别为0.056,0.062,0.066,PSO-BP神经网络模型的SST值分别为0.049,0.054,0.048,所提模型的SST值分别为0.028,0.026,0.031,明显小于前两者,表明该模型有助于提高矿区开采沉陷预计精度,有一定的实用价值。
