基于RBF神经网络的瓦斯涌出量预测

RBF神经网络做回归预测代码.m

hslogic算法仿真-RBF神经网络预测训练 clear clc p=-1:0.1:0.9; t=load('rbf_data1.txt'); t1=clock; %开始计时 net=newff(p

matlab的程序，以及c的程序，适合入门以及做各种项目的新手。老手也能在这个程序的基础上修改参数和训练方法得到自己要的值

bp网络的建立和训练，RBF网络的建立和训练，MATLAB例程

灰关联分析与BP神经网络模型在回采工作面瓦斯涌出量预测中的应用比较，张自政，杨勇，针对回采工作面瓦斯涌出量的预测，建立了灰关联分析和BP神经网络两个预测模型，预测结果表明：两个模型都有良好的精度，可用

结合灰色系统理论和马尔可夫链理论，提出了灰色马尔可夫预测模型来预测矿井瓦斯涌出量。 GM（1，1）模型首先建立用于灰色数据的模型。 为了消除误差，提高模型的预测精度，在GM（1，1）模型的基础上进行了

针对工作面瓦斯涌出量的影响因素众多且难以筛选的问题,提出了基于因子分析法与BP神经网络的工作面瓦斯涌出量预测方法。首先运用因子分析法对矿井瓦斯涌出量的影响因素降维处理,并筛选出3个主因子作为BP神经网

为了对煤矿瓦斯监测数据进行有效分析,以实现准确、可靠的回采工作面绝对瓦斯涌出量预测,提出了蚁群聚类算法优化Elman神经网络的绝对瓦斯涌出量动态预测方法。算法通过对Elman神经网络的权值、阈值寻优,

回采工作面瓦斯涌出量受多种因素共同影响,很难用线性方法进行准确预测。广义回归神经网络(GRNN)是一种前馈神经网络,具有鲁棒性好和高容错率的优点,并且调节参数只有1个,因此,基于GRNN构建预测模型,

针对现有煤矿回采工作面瓦斯涌出量预测方法存在的预测时间较长,预测精度不高的问题,提出了用IGSA优化ELM神经网络的瓦斯涌出量预测模型。将优选策略和粒子的记忆、信息交换功能引入万有引力搜索方法,利用I