基于粒子群参数优化的ELM神经网络的矿区地表变形预测模型

• 作者: 梁山军 王仁驹
• 来源期刊: 北京测绘
• 学科: 地球科学
• 关键词: 误差反向传播(BP) 径向基函数(RBF) 矿区地表变形 微粒群优化 极限学习机
• 年，卷（期）: 2018,（10）
• 所属期刊栏目: 经验交流
• 页码范围: 1206-1210
• 页数: 5页
• 分类号: P258
• 字数: 3540字
• 语种: 中文
• DOI: 10.19580/j.cnki.1007-3000.2018.10.021

摘要

针对传统的BP和RBF等智能算法在进行矿区地表变形预测时易出现学习速度慢、易陷入局部极小和网络结构中参数选取不准确等问题,提出了一种基于微粒群优化(Particle Swarm Optimization, PSO)极限学习机(Extreme Learning Machine,ELM)的矿区地表变形预测模型,利用PSO算法优化ELM中的连接权值和阈值,从而提高模型最后预测的精度.以山西省某矿区的地表变形监测数据为例,将PSO-ELM与BP、RBF和未经优化的ELM模型预测结果进行对比,实验结果表明:PSO-ELM模型预测精度最高,泛化能力强,算法稳定,在矿区的地表变形预测方面具有一定的推广价值.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	梁山军		2	5	1.0	2.0
2	王仁驹		4	8	2.0	2.0