《人工神经网络在矿业工程中的应用》求取 ⇩

目录1

1 绪论1

1.1 人工神经网络概述1

1.1.1 神经元模型2

1.1.2 人工神经网络的构成与特点5

1.1.3 人工神经网络研究与发展概况7

1.2 矿业研究方法的发展概况及其应用中存在的问题10

1.2.1 数学模型方法11

1.2.2 专家系统及其在矿业工程中的应用与发展简述21

1.3.1 矿业问题求解的难度与复杂度26

1.3 人工神经网络在矿业工程中的应用潜力26

1.3.2 ANN应用的特点27

1.3.3 ANN应用的有效性与优势27

1.4 本书的目的与内容28

1.4.1 目的28

1.4.2 意义29

1.4.3 内容安排30

2 基于人工神经网络的矿业建模方法研究32

2.1 矿山系统分析与树形结构描述32

2.1.1 矿山单元32

2.1.2 矿山基本树33

2.2.1 矿山单元的环境特征及其表达36

2.2 集中矿山单元的特征抽取与知识表达36

2.2.2 矿山单元的技术特征38

2.2.3 矿山单元的管理特性39

2.3 矿山单元的状态属性与指标40

2.4 矿业问题求解准则43

2.4.1 价值型44

2.4.2 功能型44

2.4.3 费用型44

2.4.4 经验系数型44

3 矿业工程通用神经网络基本模型研究47

3.1 BP神经网络模型基本原理与拓扑结构48

3.1.1 BP算法的基本原理49

3.1.2 BP算法与程序实现框图54

3.2 BP模型结构参数与学习特性实验性研究56

3.2.1 BP模型结构参数的确定56

3.2.2 学习参数的选择58

3.3 基于BP的矿山工程基本模型型式60

3.3.1 矿山系统知识的划分与性质61

3.3.2 知识组织层次模型62

3.3.3 知识的分割互连模型63

3.3.4 基本模型64

3.4 基于ANN的矿业知识处理方法66

3.4.1 知识的表示66

3.4.2 知识的获取69

3.4.3 知识库的维护72

4 矿业工程中的静态神经网络方法研究与应用75

4.1 矿山工程基准指标的获取方法76

4.1.1 基准指标获取模型77

4.1.2 模型应用方法77

4.2 应用实例78

4.2.1 采面作业模型的构造79

4.2.2 学习样本的采集80

4.2.3 模型训练80

4.3 基于ANN的矿业工程因素分析方法83

4.3.1 BP网络权空间的性质与权指数的计算84

4.3.2 基于ANN的智能寻因方法85

4.3.3 实例研究一——回采效率影响因素分析86

4.3.4 实例研究二——回采贫化损失影响因素分析88

4.4 多目标决策与技术方案优选方法90

5 基于TSA的矿业工程动态神经网络方法研究95

5.1 时序分析与动态方法原理96

5.2 基于TSA的神经网络模型——TSA—ANN模型99

5.3 动态神经网络方法在大型煤矿中的应用102

5.3.1 煤矿概况102

5.3.2 煤矿原煤成本预测105

5.3.3 原煤成本控制110

5.3.4 吨煤材料费控制119

5.4 TSA—ANN模型在某铜矿生产系统诊断中的应用126

5.4.1 矿山概况126

5.4.2 样本收集与模型训练129

5.4.3 矿山生产系统的稳定性与稳定状态求解132

5.4.4 模型结果分析与诊断结论134

6 基于ANN的矿业组合优化方法研究与应用142

6.1 引言142

6.2 组合优化原理与矿业优化通用模型143

6.2.1 矿业组合优化原理143

6.2.2 矿业优化通用模型144

6.2.3 求解算法与程序149

6.3 应用实例一——采面爆破优化设计150

6.4 应用实例二——矿山产品技术方案的诊断与优化158

6.4.1 应用背景简介159

6.4.2 评价函数的构造161

6.4.3 模型构造与训练162

6.4.4 模型求解与结果分析163

6.5 应用实例三——露天台阶爆破炸药单耗的合理性诊断与优化167

6.5.1 爆破工程背景简介167

6.5.2 因果链与评价函数168

6.5.3 模型与求解169

7 人工神经网络在矿业工程中应用展望174

参考文献178