Please wait a minute...
工程设计学报
工程设计学报  2012, Vol. 19 Issue (2): 150-155    
机电产品工程设计     
基于主成分分析与BP网络的锚杆支护方案优选
邬书良,陈建宏,杨 珊
中南大学 资源与安全工程学院,湖南 长沙 410083
Optimization of bolting scheme based on combination of principal component analysis and BP neural network
WU Shu-liang, CHEN Jian-hong, YANG Shan
School of Resources and Safety Engineering, Central South University, Changsha 410083, China
 全文: PDF(935 KB)   HTML
摘要： 巷道特征与锚杆支护之间可以看作是一种非线性映射关系,用一般的数学方法难以表达巷道支护方案与其影响因素之间的非线性映射关系.神经网络已广泛应用于锚杆支护方案优选,并取得较好的效果.基于单一神经网络预测锚杆支护方案存在一些不足,构建了主成分分析与BP网络相结合的巷道锚杆支护方案优选模型.利用主成分分析对神经网络的输入数据进行预处理,使输入数据减少且不相关,加快网络的收敛速度,并且预测精度均在90%以上.研究结果表明:将主成分分析与BP神经网络结合优选巷道的锚杆支护方案,具有很高的预测精度;与单一BP神经网络相比,提高了预测精度．
关键词： 锚杆支护方案;  主成分分析;  BP神经网络;  综放回采巷道    
Abstract: Roadway characteristics and bolting can be seen as a non-linear mapping, using the general mathematical methods are difficult to represent non-linear mapping between roadway bolting scheme and its influencing factors. Neural network has been widely used in optimization of bolting scheme and achieved good results. Based on the fact that there existing deficiencies when only using neural networks to predict bolting scheme, the optimization model of bolting scheme was set up combining principal component analysis with neural networks.Principal component analysis was used to do neural network input data pre-processing, which could reduce the input data and make input data unrelated, accelerate the convergence rate of the network,and prediction accuracy was over 90%.The results show that combining principal components analysis with BP neural networks to optimize bolting scheme has a high prediction accuracy. Compared with the single BP neural network,it can improve the precision accuracy．
Key words: bolting scheme    principal component analysis    BP neural network    extraction roadway in fully-mechanized caving face
出版日期: 2012-04-15
基金资助:

国家自然科学基金资助项目(50774092);全国优秀博士学位论文专项资金资助项目(200449);湖南省博士生科研创新项目(1960-71131100061)
服务　　
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章　　

引用本文:

邬书良,陈建宏,杨 珊. 基于主成分分析与BP网络的锚杆支护方案优选[J]. 工程设计学报, 2012, 19(2): 150-155.

WU Shu-liang, CHEN Jian-hong, YANG Shan. Optimization of bolting scheme based on combination of principal component analysis and BP neural network. Chinese Journal of Engineering Design, 2012, 19(2): 150-155.

链接本文:

https://www.zjujournals.com/gcsjxb/CN/    或    https://www.zjujournals.com/gcsjxb/CN/Y2012/V19/I2/150

[1] 来全宝, 陶庆, 胡玉舸, 孟庆丰. 基于人工鱼群算法-极限学习机的多手势精准识别[J]. 工程设计学报, 2021, 28(6): 671-678.
[2] 唐林, 许志沛, 贺田龙, 敖维川. 基于BP神经网络的转动架稳定性灵敏度分析[J]. 工程设计学报, 2018, 25(5): 576-582.
[3] 王莉, 张士兵. 基于CPSO-BP神经网络-PID的热熔胶机温控系统研究[J]. 工程设计学报, 2017, 24(5): 588-594.
[4] 钟健, 阎春平, 曹卫东, 陈诚. 基于BP神经网络和FPA的高速干切滚齿工艺参数低碳优化决策[J]. 工程设计学报, 2017, 24(4): 449-458.
[5] 原思聪, 李超, 安峰, 张琛, 王蓉. 基于组合算法的金属铣削毛刺预测[J]. 工程设计学报, 2013, 20(1): 39-43.
[6] 秦代成, 马天政, 张义民, 卢昊. 装载机两柱翻车保护装置的可靠性灵敏度分析[J]. 工程设计学报, 2011, 18(5): 337-340.
[7] 刘国斌, 龚国芳, 朱北斗, 施 虎. 基于BP神经网络的盾构推进速度自适应PID控制[J]. 工程设计学报, 2010, 17(6): 454-458.
[8] 张瑞华. 基于BP人工神经网络的蒸气云爆炸超压预测的研究[J]. 工程设计学报, 2010, 17(3): 219-223.
[9] 张建乔, 刘永红, 刘春阳, 魏新芳. 复合缝腔割缝筛管的流阻分析及优化设计[J]. 工程设计学报, 2006, 13(4): 260-264.