矿区边坡变形预测的IGM-LSSVM模型

• 作者: 冯腾飞 刘小生 钟钰 马玉清
• 来源期刊: 金属矿山
• 学科: 地球科学
• 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 Metropolis准则 自适应降温函数
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 安全与环保
• 页码范围: 168-172
• 页数: 5页
• 分类号: P258
• 字数: 3721字
• 语种: 中文
• DOI: 10.19614/j.cnki.jsks.201903026

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(artifi-cial 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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	刘小生	江西理工大学建筑与测绘工程学院	88	532	12.0	17.0
2	钟钰	江西理工大学建筑与测绘工程学院	4	10	2.0	3.0
3	冯腾飞	江西理工大学建筑与测绘工程学院	4	12	2.0	3.0
4	马玉清	江西理工大学建筑与测绘工程学院	1	2	1.0	1.0