共查询到18条相似文献，搜索用时 156 毫秒
1.
收集整理了多组地表移动观测站资料作为训练样本和检验样本,以工作面地质采矿条件为输入集,概率积分法预计参数为输出集,利用机器学习方法对概率积分法预测参数进行了预测。选取支持向量机、BP神经网络和偏最小二乘法3种机器学习方法对训练样本进行训练,利用训练所得模型预测检验样本中的概率积分法预测参数,并将预测结果与观测站实测值进行对比。结果表明,利用支持向量机预测下沉系数、主要影响角正切值及水平移动系数的精度最高,其平均相对误差分别达到7.46%、4.00%、13.17%;拐点偏距及开采影响传播角利用偏最小二乘法预计精度最高,平均相对误差分别为10.83%、0.88%;总体而言支持向量机的预测精度最为稳定。 相似文献
2.
为达到提高滑坡变形预测精度的目的,利用量子算法和粒子群算法对支持向量机进行优化,并利用马尔科夫链对滑坡变形预测误差进行修正,综合构建滑坡变形的递进式预测模型。结果表明:通过量子算法及粒子群算法对支持向量机优化,克服支持向量机参数选取困难,实现预测过程的全局优化,并经过MC误差修正模型对滑坡变形预测值误差修正,提高预测精度及预测值稳定性,验证预测模型可行性和有效性,为滑坡变形预测提供一种新的预测方法。 相似文献
3.
针对大坝变形系统的非线性、复杂性以及不确定等特点,提出一种优化多核相关向量机的大坝变形预测模型方法。通过对实验数据进行归一化处理,核函数的加权组合以及遗传算法对模型参数的优化,建立遗传算法优化多核相关向量机的大坝变形预测模型。实验结果表明:数据归一化能归纳统一样本的统计分布性,加快梯度下降求解最优解速度和提高预测精度;优化的加权核函数能有效提高模型预测精度;各项精度指标值均优于BP神经网络方法、多项式核相关向量机方法预测精度,证实优化的多核相关向量机模型是一种精度较高的大坝变形预测方法。 相似文献
4.
基于核主成分分析和粒子群优化支持向量机的滑坡位移预测 总被引：3，自引：0，他引：3
利用核主成分分析法对滑坡位移影响因子进行特征提取,以获得的主成分作为支持向量机的特征向量建立支持向量机模型,其中模型参数通过粒子群算法进行选择优化,构建出核主成分分析和粒子群优化支持向量机协同模型,对滑坡相对位移进行预测.预测结果的平均绝对误差和相对误差分别为0.760和7.563％,与其他预测模型相比,其拟合和泛化能力最优,表明核主成分分析和粒子群优化支持向量机协同模型的预测结果与实际监测值具有很好的一致性. 相似文献
5.
宋向荣 《测绘与空间地理信息》2023,(12):177-180
为了对公路路基沉降监测数据进行准确分析,本文依据当前监测数据对未来某段时间的变形趋势进行预测,结合最小二乘支持向量机(Least Square Support Vector Machines, LSSVM)模型与改进的粒子群优化算法(Improved Particle Swarm Optimization, IPSO)在数据预测与参数寻优中的优势,构建新的IPSO-LSSVM组合预测模型。该组合预测模型通过IPSO算法不断优化LSSVM模型中的惩罚因子C与核函数参数σ,避免参数选取随意造成预测精度不高的问题。最后使用实测某公路路基沉降数据对本文提出模型的有效性与优越性进行检验,结果表明,经IPSO算法优化的LSSVM模型预测精度更高,稳定性更好,可为变形预测提供一定参考。 相似文献
6.
针对传统支持向量机算法在预测方面的不足,采用自适应粒子群算法(APSO)对支持向量机参数选择进行分析和优化,建立基于自适应粒子群优化的SVM算法建筑物沉降预测模型,并对建筑物进行沉降预测。实验表明,相比于传统的支持向量机算法,自适应粒子群优化的SVM算法预测精度较高,为建筑物沉降预测提供一种新方法。 相似文献
7.
8.
9.
10.
讨论了利用粒子群优化（PSO）算法来优化选择支持向量机（SVM）参数的原理,分析了三种方法在地表沉降预测中的实例,结果表明PSO-SVM模型预测精度高。 相似文献
11.
12.
13.
基于合成孔径雷达差分干涉测量（differential interferometric synthetic aperture radar，D-InSAR）技术的开采沉陷监测理论和方法是矿山变形监测领域研究的热点，当前已有学者融合单视线向D-InSAR技术和开采沉陷规律成功构建了开采沉陷三维监测模型，然而由于该模型仅融合了水平煤层开采地表沉陷规律，其并不适用于倾斜煤层开采地表沉陷监测。针对上述问题，根据D-InSAR监测的视线向变形与三维变形的关系，融合倾斜煤层开采地表沉陷规律，提出了基于单视线向D-InSAR技术的倾斜煤层开采地表沉陷监测方法。模拟实验表明，所提出的方法下沉监测相对误差绝对值小于9.53%，平均为1.31%，南北方向和东西方向水平移动监测相对误差绝对值小于9.78%，平均为3.71%，满足开采沉陷监测精度要求。并利用该方法成功监测了中国山东省兖州矿区南屯煤矿9310工作面在2012-01-27—2012-02-07期间开采引起的地表移动与变形。 相似文献
14.
一种盾构施工引起的地面沉降预测方法 总被引：1，自引：0，他引：1
针对盾构施工引起的地面沉降的影响因素众多、关系错综复杂,常规数学模型难以准确预测沉降量的问题,该文提出了采用主成分分析法和粒子群优化的支持向量机方法来建立预测模型。并结合工程实例将预测结果与常用的多元线性回归模型和基于Levenberg-Marquardt算法改进的BP神经网络模型(LM-BP)的预测结果做了比较。结果表明:PCA-PSO-SVM的预测结果精度较多元线性回归模型和LM-BP神经网络有很大的提高,证明了该研究方法具有一定的理论意义和参考价值。 相似文献
15.
岩层与地表移动具有一定的规律,由于Knothe时间函数虽然可以预计地表下沉,但在预计中有描述地表下沉速度的不足,并且其函数复杂。研究矿区单点动态下沉过程对于地表建筑物的保护具有重要意义,本文采用Logistic模型拟合下沉曲线,得到了预计方程,结果表明预计精度较高。Logistic模型参数少,函数相对简单,计算结果表明Logistic模型对矿区开采沉陷具有较好的预测精度。该模型对单点的下沉拟合程度高,在采用81期数据的预计模型中,误差平方和SSE为0.0066218,误差均方MSE为0.0000871,接近于0,表明拟合与预计精度较高,最大预计误差为0.0120673 m,对于研究矿区地表下沉规律具有重要意义,有助于了解地表单点下沉全过程,在地表活动剧烈期可对地表建筑加强支护。 相似文献
16.
最优权组合预测法在采煤沉陷变形预测中的应用 总被引：1，自引：0，他引：1
煤矿地表沉降变形预测多基于煤矿开采沉陷预计理论展开，基于变形分析理论的变形预测模型目前多集中在单模型预测。本文基于组合预测思想，以非等间隔灰色预测模型与BP神经网络模型为预测单模型，以陕西北部某煤矿采煤工作面上方实测地表沉降值为数据源，以最优加权法对单模型预测结果开展了最优权组合，组合模型中两种单模型的权重分别为0.466 7、0.533 3。选取部分监测点的预测结果进行模型精度评价，结果表明：3种预测模型精度均达到了一级。经对比3种模型预测结果，最优权组合预测的模型精度较单模型明显提升，预测结果较非等间隔灰色预测模型与BP神经网络预测模型有明显增益。 相似文献
17.
合成孔径雷达差分干涉测量（differential interferometric synthetic aperture radar, D-InSAR）在获取地表形变的过程中有其特有的监测手段,针对D-InSAR矿区地表三维变形监测的难点,首先,顾及D-InSAR难以获取快速大梯度变形的特性,选取边界拟合度较好的Boltzmann函数模型,结合Knothe时间函数,构建一种BK(Boltzmann-Knothe)模型;然后,由于D-InSAR仅能获取地表沿视线向（line of sight, LOS）的短时段一维变形量,依据地表三维移动变形和LOS向变形的投影关系,结合目标区域地质采矿条件,构建适应短时段单视线向变形的适应度函数;最后,引入烟花算法（fireworks algorithm, FWA）,提出了融合单视线D-InSAR和BK模型的煤矿地表三维变形动态监测方法。模拟实验表明,所提方法能够可靠准确地反演出全部开采沉陷动态预计参数,求参相对误差为0.11%～7.51%;在大变形区域,该方法监测的下沉和水平移动与真实值一致。抗差求参实验结果表明,在观测误差或模型参数误差的影响下,该... 相似文献