文献类型：期刊文章

作　　者：王仁驹[1] 梁山军[2]

WANG Renju;LIANG Shanjun(Hainan Nonferrous Engineering Survey and Design Institute,Haikou Hainan 571100,China;Hainan Geological Survey and Design Institute,Haikou Hainan 571100,China)

机构地区：[1]海南有色工程勘察设计院,海南海口571100 [2]海南地质综合勘察设计院,海南海口571100

出　　处：《北京测绘》

年　　份：2018

卷　　号：32

期　　号：10

起止页码：1206-1210

语　　种：中文

收录情况：JST、普通刊

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。

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  

分 类 号：P258[测绘类]