【摘要】：礦井突水事故是煤礦五大災(zāi)害之一,嚴(yán)重威脅到煤礦安全生產(chǎn)。礦井水害的主要類型包括奧灰承壓水、老窯水、孔隙裂隙水等,水害的嚴(yán)重性程度取決于突水水源的性質(zhì)。因此,快速準(zhǔn)確判別礦井水水源,對(duì)于礦井水害防治具有重要意義。論文以礦井突水水源為研究對(duì)象,通過礦井突水相關(guān)理論,探討根據(jù)水化學(xué)特征判別礦井突出水源可行性;統(tǒng)計(jì)礦井水源的水化學(xué)特征后,選取判別礦井水源的相關(guān)指標(biāo),然后結(jié)合主分量分析理論,對(duì)水樣數(shù)據(jù)進(jìn)行降維處理;將通過主分量分析降維提取出的礦井水樣主成分因子加權(quán)后輸入到自組織特征映射(SOM,Self-Organizing Feature Map)神經(jīng)網(wǎng)絡(luò)當(dāng)中,從而建立主分量加權(quán)SOM網(wǎng)絡(luò)礦井水源判別模型:通過對(duì)含有特征離子的水樣進(jìn)行識(shí)別,以及多種混合離子水樣識(shí)別,驗(yàn)證該方法的可靠性;在此基礎(chǔ)上,制定防治水對(duì)策并建立相關(guān)數(shù)據(jù)庫(kù)。研究表明:(1)通過將神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本進(jìn)行主分量分析降維,使SOM神經(jīng)網(wǎng)絡(luò)對(duì)于具有較多的變量特征及變量間相關(guān)性較強(qiáng)的礦井水源進(jìn)行判別時(shí)正確率提高;(2)主分情加權(quán)SOM神經(jīng)網(wǎng)絡(luò)相比于傳統(tǒng)SOM神經(jīng)網(wǎng)絡(luò)在收斂速度、誤差控制等性能上具有優(yōu)越性;(3)分貴加權(quán)SOM神經(jīng)網(wǎng)絡(luò)可以成功判別混合度較低的礦井水源的主體成分,可以應(yīng)用于實(shí)際礦井水判別的大多數(shù)情況;(4)將主分量加權(quán)SOM神經(jīng)網(wǎng)絡(luò)應(yīng)用于內(nèi)蒙古裕興煤礦水源判別,可準(zhǔn)確判別突水水源,制定相應(yīng)防治水對(duì)策。
【圖文】：

圖１．１論文研宄技術(shù)路線圖逡逑Ｆｉｇ］邋．１邋Ｐａｐｅｒ邋ｒｅｓｅａｒｃｈ邋ｔｅｃｈｎｉｃａｌ邋ｒｏａｄｍａｐ逡逑

人工神經(jīng)網(wǎng)絡(luò)是通過模仿神經(jīng)生物學(xué)中生物神經(jīng)細(xì)胞的某些特性，人為制作逡逑的一種計(jì)算結(jié)構(gòu)，yL經(jīng)元是神經(jīng)網(wǎng)絡(luò)中最基本的構(gòu)成單元｜６８］。逡逑神經(jīng)元可以簡(jiǎn)化為一個(gè)基本的數(shù)學(xué)模型，如圖３．１所示。逡逑：＾逡逑圖３．１神經(jīng)元模型逡逑Ｆｉｇ．３．１邋Ｎｅｒｖｅ邋ｃｅｌｌ邋ｍｏｄｅｌ逡逑該神經(jīng)元模型可用如下方程進(jìn)行描述：逡逑ｎ逡逑ｕｊ邋＝邋Ｙ／°ｖｘ，逡逑／＝１逡逑ｖＪ＝ｕ，＋ｂｉ逡逑少?gòu)V／（、）邐（３．１）逡逑其中，１／，：＾，＂．，１／）是神經(jīng)兀的輸入彳日萬(wàn)＂，Ｗ／ｙ，…，Ｖｌ’，ｙ，，…，Ｍ’ｎｙ是輸入神經(jīng)兀逡逑ｙ的輸入信號(hào)所對(duì)應(yīng)的權(quán)值，％．是經(jīng)過組合處理后的信號(hào)輸出，匕為偏置，／？）為信逡逑號(hào)變換函數(shù)，是最終的輸出信號(hào)。逡逑Ｖ７神經(jīng)元可以根據(jù)不同的輸出變換函數(shù)形成不一樣的數(shù)學(xué)模型，不同數(shù)學(xué)模型逡逑對(duì)于信息有不同的處理特性，常見輸出變換函數(shù)如下：逡逑１）
【學(xué)位授予單位】：山東科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TD745

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

3 王方;苗放;陳墾;;基于優(yōu)化神經(jīng)網(wǎng)絡(luò)的地質(zhì)災(zāi)害監(jiān)測(cè)預(yù)警仿真[J];計(jì)算機(jī)仿真;2019年11期

4 馬猛;王明紅;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的304不銹鋼車削加工表面粗糙度預(yù)測(cè)[J];輕工機(jī)械;2019年06期

5 莊連生;呂揚(yáng);楊健;李厚強(qiáng);;時(shí)頻聯(lián)合長(zhǎng)時(shí)循環(huán)神經(jīng)網(wǎng)絡(luò)[J];計(jì)算機(jī)研究與發(fā)展;2019年12期

6 李杰;孫仁誠(chéng);;幾種典型卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重分析與研究[J];青島大學(xué)學(xué)報(bào)(自然科學(xué)版);2019年04期

7 岳新;杜玉紅;蔡文超;;基于GA-BP神經(jīng)網(wǎng)絡(luò)異纖分揀機(jī)檢測(cè)參數(shù)優(yōu)化[J];棉紡織技術(shù);2020年01期

8 趙偉榮;李慧;;基于集成神經(jīng)網(wǎng)絡(luò)的織物主觀風(fēng)格預(yù)測(cè)研究[J];紡織科技進(jìn)展;2020年01期

9 李金堂;;試析神經(jīng)網(wǎng)絡(luò)技術(shù)在機(jī)械工程中的應(yīng)用及發(fā)展[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2020年02期

10 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)別[J];通訊世界;2018年12期

相關(guān)會(huì)議論文 前10條

1 孫軍田;張U

本文編號(hào)：2692609