大冶铁矿开采沉陷GPS高程拟合CQP SO-LSSVM模型

• 作者: 侯林锋
• 来源期刊: 金属矿山
• 学科: 工学
• 关键词: 开采沉陷 GPS高程拟合 最小二乘支持向量机 协同量子粒子群算法 BP神经网络模型
• 年，卷（期）: 2017,（9）
• 所属期刊栏目: 地质与测量
• 页码范围: 166-169
• 页数: 4页
• 分类号: TD325
• 字数: 1992字
• 语种: 中文

摘要

传统最小二乘支持向量机拟合模型(Least squares support vector machine model,LSSVM)在进行矿区地表沉降GPS高程拟合时精度较低,为进一步提升矿区地表沉降监测精度,采用协同量子粒子群算法(Cooperative quantum-behaved particle swarm optimization,CQPSO)对LSSVM模型进行了优化.该算法的协同搜索策略是在解空间中使用多个子群取代整个种群,可有效解决由于单个种群、单个搜索策略导致的迭代后期种群多样性下降的早熟问题.以大冶铁矿为例,采用实地获取的矿区地表GPS监测数据对改进最小二乘支持向量机拟合模型(CQPSO-LSSVM)进行试验,并与BP神经网络拟合模型以及量子粒子群算法(Quantum-behaved particle swarm optimization,QPSO)优化的最小二乘支持向量机拟合模型(QPSO-LSSVM)进行比较,结果表明,CQPSO-LSSVM模型的内、外符合精度分别为±2.5 mm、±3.1 mm,BP神经网络拟合模型的内、外符合精度分别为±2.9 mm、±4.6 mm,QPSO-LSSVM模型的内、外符合精度分别为±2.8 mm、±3.5 mm,可见CQPSO-LSSVM模型的拟合精度稍优于其余两者,采用该模型对矿区地表沉降GPS数据进行拟合处理,可获得较高的监测精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	侯林锋	广东工贸职业技术学院测绘遥感信息工程系	13	10	2.0	2.0