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