矿山边坡地表变形的PSO ELM预测模型 论文

为提高矿山边坡地表变形预测模型的精度，从矿山边坡地表变形影响因素角度考虑，建立了基于粒子群优化(PSO)极限学习机(ELM)的矿山边坡地表变形预测模型。结合经典的粒子群优化算法和极限学习机方法，提出矿山边坡地表变形影响因素同地表变形数值之间的耦合关系；采用中煤平朔安家岭露天矿区矿山边坡地表变形及影响变形因素的采集数据，应用ELM建立预测模型，并应用PSO对ELM预测模型的输入层与隐含层的连接权值、隐含层阈值进行优化，以提高其预测精度。研究表明，经过PSO的优化，将预测模型的最大相对误差显著降低。

如果对粒子群优化极限学习机(PSO-ELM)的预测模型原理感兴趣，可以查阅粒子群优化极限学习机PSO-ELM预测模型获取更多信息。结合其他优化方法如主成分分析(PCA)和灰狼优化算法(GWO)的SVM模型在边坡变形预测中的应用，也值得关注，详情请参考基于PCA GWO SVM的矿山边坡变形预测。