利用卡尔曼滤波综合算法构建开采沉陷预测模型

• 作者: 危小建 熊鑫 陈竹安
• 来源期刊: 金属矿山
• 学科: 工学
• 关键词: 开采沉陷 卡尔曼滤波 自回归综合移动平均模型 Elman神经网络 综合预测模型 BP神经网络
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 地质与测量
• 页码范围: 132-136
• 页数: 5页
• 分类号: TD327
• 字数: 2501字
• 语种: 中文
• DOI: 10.19614/j.cnki.jsks.201905021

摘要

为提高矿区地表沉陷预测精度,提出了基于自回归综合移动平均模型(Autoregressive Integrated Mov-ing Average,ARIMA)的卡尔曼滤波模型与Elman神经网络相结合的综合预测模型.首先,针对沉陷监测序列的非平稳性与复杂性特点,ARIMA模型能够将原始数列平稳化,构建地表下沉预测模型,并作为卡尔曼滤波的状态方程;然后将Elman神经网络的沉陷预测结果作为观测值引入卡尔曼滤波观测方程中,建立综合预测模型;最后针对噪声方差Q与R选取的问题,统计出ARIMA模型与Elman神经网络模型的误差特性,从而计算出噪声Q与R的取值.分别将综合预测模型与BP神经网络模型、Elman神经网络模型以及卡尔曼滤波模型进行了预测精度对比,4种模型预测值与实测值的均方根误差分别为2.06、5.8578、2.9269、3.6889 mm,相对误差分别为1.1704％、3.0502％、1.4326％、1.9084％,绝对误差平均值分别为1.8867、10.7039、2.3294、2.8076 mm.研究表明:综合预测模型能够有效减小单一预测机制造成的同一性质误差累积,其预测精度明显优于其余3种模型,对于大幅提升矿区地表沉陷的预测精度有一定的参考价值.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈竹安	东华理工大学测绘工程学院	59	401	12.0	17.0
7	危小建	东华理工大学测绘工程学院	5	11	2.0	3.0
10	熊鑫	东华理工大学测绘工程学院	6	3	1.0	1.0