矿区边坡变形预测的IGM-LSSVM模型

摘要：

由于监测环境恶劣,变形监测序列常伴有较大波动,针对灰色模型(gray model,GM)仅适用于分析指数型变形序列,且最小二乘支持向量机(least squares support vector machine,LSSVM)在进行变形预测时存在参数难以有效选取的问题,提出了一种改进的灰色最小二乘支持向量机变形预测模型(IGM-LSSVM).将几何平均生成变换引入GM(1,1)模型,增强其输入样本的指数规律性,初步预测出变形值并计算残差;针对人工蜂群算法(artifi-cial bee colnony,ABC)在优化LSSVM参数时易陷入局部极值的缺陷,引入Metropolis准则并为其设计了自适应降温函数,得到自适应Metropolis人工蜂群算法(adaptive metropolis artificial bee colnony,AMABC);利用AMABC算法优化的LSSVM训练GM(1,1)模型得到的预测残差值补偿GM(1,1)模型,得到最终预测值.某矿区边坡变形预测表明:AMABC算法有效克服了ABC算法易陷入局部最优解的缺点,IGM-LSSVM、GM(1,1)、ABC-GM-LSSVM等模型预测的平均相对误差分别为1.223％,9.565％、3.200％,可见,IGM-LSSVM的预测精度相对于其余2种模型优势明显,对于实现矿区边坡变形高精度预测有一定的参考价值.

关键词：变形监测、灰色模型、最小二乘支持向量机、几何平均生成变换、Metropolis准则、自适应降温函数

分类号：P258(专业测绘)

资助基金：国家自然科学基金项目41561091

在线出版日期：2019-05-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：168-172