Print

矿区边坡变形预测的IGM-LSSVM模型

论文摘要

由于监测环境恶劣,变形监测序列常伴有较大波动,针对灰色模型（gray model,GM）仅适用于分析指数型变形序列,且最小二乘支持向量机（least squares support vector machine,LSSVM）在进行变形预测时存在参数难以有效选取的问题,提出了一种改进的灰色最小二乘支持向量机变形预测模型（IGM-LSSVM）。将几何平均生成变换引入GM（1,1）模型,增强其输入样本的指数规律性,初步预测出变形值并计算残差;针对人工蜂群算法（artificial bee colnony,ABC）在优化LSSVM参数时易陷入局部极值的缺陷,引入Metropolis准则并为其设计了自适应降温函数,得到自适应Metropolis人工蜂群算法（adaptive metropolis artificial bee colnony,AMABC）;利用AMABC算法优化的LSSVM训练GM（1,1）模型得到的预测残差值补偿GM（1,1）模型,得到最终预测值。某矿区边坡变形预测表明:AMABC算法有效克服了ABC算法易陷入局部最优解的缺点,IGM-LSSVM、GM（1,1）、ABC-GM-LSSVM等模型预测的平均相对误差分别为1.223%,9.565%、3.200%,可见,IGM-LSSVM的预测精度相对于其余2种模型优势明显,对于实现矿区边坡变形高精度预测有一定的参考价值。

论文目录

  • 1 算法原理
  •   1.1 几何平均变换GM （1, 1） 模型
  •   1.2 基于自适应Metroplis准则的人工蜂群算法
  • 2 变形预测模型构建
  • 3 试验分析
  • 4 结语

    • 文章来源

    类型: 期刊论文

    作者: 冯腾飞,刘小生,钟钰,马玉清

    关键词: 变形监测,灰色模型,最小二乘支持向量机,几何平均生成变换,准则,自适应降温函数

    来源: 金属矿山 2019年03期

    年度: 2019

    分类: 工程科技Ⅰ辑,信息科技

    专业: 矿业工程,自动化技术

    单位: 江西理工大学建筑与测绘工程学院

    基金: 国家自然科学基金项目(编号:41561091)

    分类号: TP181;TD80

    DOI: 10.19614/j.cnki.jsks.201903026

    页码: 168-172

    总页数: 5

    文件大小: 1656K

    下载量: 95

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/e2abcaff0dfaf8a2c018b75e.html