(1)认识奥陶系下统灰岩岩溶发育条件及发育规律。 (2)了解奥灰岩溶裂隙水储存、运动和富集的特点及形成较大供水水源地的条件

本教学阶段的目的是通过教师现场有启发性的教学与指导,使学生能够了解和掌握各 种类型地下水的赋存条件和富集规律,并能结合地形地貌、气象水文、地层岩性和地质松 造等基本条件进行较为深入的分析

为了提高瓦斯涌出预测的准确性,采用BP型神经网络,利用BP型神经网络自学习、自组织和自适应等特性,在MATLAB环境下构建瓦斯动态预测模型.通过对唐山矿瓦斯信号实时监测数据的分析,对瓦斯动态预测模型进行训练和测试.结果表明,该模型的预测速度快、精度高,可以实现对工作面瓦斯涌出的动态预测,并能综合判断工作面所处地点的安全状况以及前方的潜在的危险性

针对BP神经网络训练时间长的问题,采用基于案例推理的方法预测精炼开始钢水温度.首先,应用层次分析法确定影响精炼开始钢水温度的各个因素的权值,并使用灰色关联度来计算案例的相似度,克服了传统相似度计算方法在案例信息不完整的情况下无法获取准确结果的缺点.然后,提出一个包含类选、粗选、精选和择优的四步检索方法,大大缩短了检索时间.最后,实验比较了人工神经网络和基于案例推理两种方法,结果表明基于案例推理比人工神经网络具有更高的命中率

用人工神经元方法分析IF钢性能与成分、加工工艺之间关系.通过实验与现场数据训练1个前向网络的考核结果表明，该方法是用于大生产中IF钢成分与工艺设计的有效方法

介绍了对角递归神经网络,针对BP算法收敛慢的缺点,将递推预报误差学习算法应用到神经网络权值和域值的训练.通过对非线性系统辨识的仿真及在磷化温控系统建模中的应用,验证了这种建模方法的有效性

随着高速铁路的不断提速,高铁轻量化设计中广泛采用高强铝合金材料,但高速列车齿轮箱体服役安全评价亟待完善.本文针对高速列车齿轮箱体使用的铝合金材料服役特性,搭建了声发射检测拉伸试验系统,运用BP神经网络算法对声发射信号进行训练与识别,实现对箱体材料拉伸损伤表征识别与材料服役状态的安全预警.本研究为材料损伤状态的无损实时识别提供了一种识别与预警方法

为了提高数值计算结果的可靠度,基于正交设计、差分法和人工神经网络建立了新的边坡岩体力学参数反分析方法.按照正交设计要求,选定反演参数的水平,确定数值模拟方案;用FLAC2D差分程序计算得出相应的神经网络分析样本;对RBF神经网络进行训练;利用现场监测位移,对某露天矿边坡岩体的力学参数进行神经网络反分析.反分析结果与理论值的误差很小,满足精度要求,表明该反分析方法的可行性和精确性

提出了用简单动态递归网来建立固体散料流量模型.针对动态递归网结构复杂、训练算法收敛速度慢的缺点,采用一种结构十分简单的递归网.对RPE算法进行了改进和补充,使之适用于简单递归网,用来对网络的权值和阈值进行调整.建模结果表明此方法收敛速度快,精度高

提出了一种基于聚类的支持向量机增量学习算法.先用最近邻聚类算法将训练集分成具有若干个聚类子集,每一子集用支持向量机进行训练得出支持向量集;对于新增数据首先聚类到相应的子集,然后计算其与聚类集内的支持向量之间的距离,给每个训练样本赋以适当的权重;而后再建立预估模型.此算法通过钢材力学性能预报建模的工业实例研究,结果表明:与标准的支持向量回归算法相比,此算法在建模过程中不仅支持向量个数明显减少,而且模型的精度也有所提高