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（Extrerile Learning Machine，ELM）的矿区地表变形预测模型，利用PSO算法优化ELMq-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PSOELM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。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社