多策略灰狼算法优化SVM的尾矿坝地下水位预测

为实现尾矿坝地下水位预测及预报预警,以尾矿坝地下水位为研究对象,将库水位、最小干滩长度等5个变量作为影响参数,尾矿坝地下水位为输出变量,建立支持向量机(SVM)预测模型。引入多策略改进的灰狼优化算法(MGWO)确定SVM模型参数,并以工程实例进行仿真预测。结果表明,MGWO-SVM模型平均相对误差0.24%,平均绝对误差0.02 m,与传统模型相比精度高、性能优越,将其应用于尾矿坝地下水位预测具有较好的适用性和可靠性。     

基于ELM的尾矿坝浸润线预测

为了进行尾矿坝浸润线预测,提出一种极限学习机(ELM)方法。ELM网络能够很好地描述浸润线与其影响因素的非线性关系,将最小干滩长度、库水位、渗流量、竖直位移、水平位移5个主要因素作为ELM网络的输入,浸润线埋深作为网络的输出。为了提高ELM的预测准确性,利用均方误差指标选取归一化方法、激活函数、隐含层节点个数,最终确定最大值归一化方法预处理数据,输入5-9-1ELM网络,选取激活函数为sin型函数进行浸润线预测。同时选取BP神经网络,采用相同的归一化方法和网络形式进行对比。结果表明ELM模型在浸润线短期预测中可行性更高,预测精度佳。     

基于IGWO-SVM的露天矿边坡变形预测

为了克服露天矿边坡变形预测时传统算法精度低的问题,利用改进灰狼算法(IGWO)和支持向量机(SVM)建立了露天矿边坡变形IGWO?SVM模型.引入非线性递减的收敛因子策略和惯性权重策略改进灰狼优化算法,用来确定SVM参数,以达到提高模型精度的目的,并将露天矿边坡变形观测数据输入模型进行验证.结果表明,与SVM和BP模型...