教育部人文社会科学研究基金(11YJC630291)
- 作品数：7 被引量：31H指数：4
- 相关作者：张炎亮陈鑫王金凤胡琳琳崔庆安更多>>
- 相关机构：郑州大学更多>>
- 发文基金：教育部人文社会科学研究基金国家自然科学基金河南省基础与前沿技术研究计划项目更多>>
- 相关领域：矿业工程经济管理自动化与计算机技术更多>>
- 基于系统动力学的煤矿生产物流系统效率研究被引量：4
- 2016年
- 针对现有的煤矿生产物流系统研究方法缺乏对各影响因素间相互关系的剖析、不能动态预测投入对系统效率水平的影响程度等问题,应用系统动力学方法构建了煤矿生产物流系统效率水平影响因素的系统动力学模型,对煤矿生产物流系统效率水平进行了动态仿真。仿真结果表明,提高煤矿生产物流系统效率需要持续的资源投入;各影响因素初值水平会影响煤矿生产物流系统达到期望效率的时间;所有的影响因素中,管理及技术人才水平的实际作用率最大,因此,提高煤矿生产物流系统效率的重点在于提升管理及技术人才水平。
- 张炎亮刘要南王金凤
- 关键词：系统动力学
- 小波神经网络模型的改进方法被引量：3
- 2013年
- 为了改善小波神经网络（WNN）在处理复杂非线性问题的性能，针对量子粒子群优化（QPSO）算法易早熟、后期多样性差、搜索精度不高的缺点，提出一种同时引入加权系数、引入Cauchy随机数、改进收缩一扩张系数和引入自然选择的改进量子粒子群优化算法，将其代替梯度下降法，训练小波基系数和网络权值，再将优化后的参数组合输入小渡神经网络，以实现算法的耦合。通过对3个UCI标准数据集的仿真实验表明，与WNN、PSO—WNN、QPSO—WNN算法相比，改进的量子粒子群一小波神经网络（MQPS0．WNN）算法的运行时间减少了11％～43％，而计算相对误差较之降低了8％～57％。因此，改进的量子粒子群一小波神经网络模型能够更迅速、更精确地逼近最优值。
- 张炎亮陈鑫李亚东
- 关键词：小波神经网络
- 基于PCA&SVM的多品种小批量产品质量预测方法研究被引量：8
- 2016年
- 将主成分分析与支持向量机结合应用到多品种小批量产品的质量预测。首先确定多品种小批量产品生产过程中的定量影响因素,并将其作为初始影响因素集;然后利用主成分分析方法降低因素集的维度,同时提取关键主成分;最后将关键主成分作为影响因素集并建立针对于多品种小批量生产的支持向量机质量等级预测模型。算例分析表明,与传统的支持向量机分类模型相比,主成分分析与支持向量机结合的模型预测准确率及稳定性均有显著提高,说明模型具有更好的预测性能。
- 张炎亮秦惜梦崔庆安
- 关键词：支持向量机
- 基于神经网络集成的第三方物流客户满意度测评被引量：8
- 2013年
- 针对第三方物流企业客户满意度评价中的动态、多输入、非线性等问题,从第三方物流服务的视角出发,在分析客户满意度各影响因素的基础上,采用神经网络集成的方法,构建第三方物流客户满意度神经网络集成模型;运用华润物流公司的客户满意度评价数据对模型进行训练和测试,并将训练好的模型应用到公司制定改进客户满意度方案中。实例研究结果表明:该模型对于第三方物流客户满意度测评的精度较高,且具有较好的泛化能力,能够应用到研究影响企业客户满意度的主要因素中,为公司制定改进客户满意度保障方案提供依据,具有较高的实践应用价值。
- 张炎亮胡琳琳李亚东
- 关键词：神经网络集成第三方物流客户满意度
- 基于改进SVM的煤矿水灾害救援组织系统可靠性预测被引量：1
- 2015年
- 为了评测煤矿水灾害救援组织系统可靠性,从事中控制、动态分析的角度,建立了衡量其可靠性的评价指标体系.同时,由于煤矿水灾害救援组织系统复杂多变、数据获取困难的特点,提出了一种基于粒子群优化支持向量机的煤矿水灾害救援组织系统可靠性预测模型,并通过改进粒子群算法优化支持向量机的参数,使预测结果更加精确;最后,通过案例实验证明了该模型的有效性.
- 张炎亮刘阳王金凤
- 关键词：可靠性支持向量机粒子群
- 基于灰色理论的煤矿生产物流安全状态指标优化被引量：5
- 2014年
- 为了明确影响煤矿生产物流安全的众多因素、准确预测煤矿生产物流的安全状态,提出一种基于灰色理论的煤矿生产物流安全状态指标构建方法。根据煤矿生产物流各子系统的运行状况,建立了主观层次型评价指标;在运用灰色聚类减少指标相关性的同时,通过灰色关联分析,筛选优化指标体系。这种方法不仅避免了人为主观性的干扰,而且实现了指标体系的精简优化。为下一步开展煤矿生产物流安全状态评价打下基础。
- 张炎亮陈鑫李亚东
- 基于ANFIS的煤体瓦斯渗透率预测模型研究被引量：3
- 2017年
- 为有效预测煤体瓦斯渗透率,预警井下作业时瓦斯浓度变动,利用神经网络的自适应学习能力和模糊推理系统的经验知识建立自适应神经模糊推理系统(ANFIS)预测模型,并基于实验室数据将其预测结果与BP神经网络模型和支持向量机(SVM)模型的预测值作对比。研究结果表明:ANFIS模型的收敛速度快,预测值与实测值相符度高;在误差精度、训练速度和收敛性等方面,其性能优于其他两种模型,可通过有效应力、瓦斯压力、温度和抗压强度对瓦斯渗透率进行高精度的预测。
- 张炎亮雷俊辉毕闰芳
- 关键词：ANFISBP神经网络SVM
