基于随机权重法改进PSO-ELM的露天矿边坡稳定性分析

为提高极限学习机(ELM)模型在弓长岭露天矿边坡稳定性预测中的精度,有效解决ELM模型在训练过程中随机产生的连接权值和隐含层偏置而导致模型稳定性差的问题,引入基于随机权重法改进的粒子群算法(IPSO)进行优化,提出了改进粒子群算法优化极限学习机(IPSO-ELM)模型,将该模型应用到弓长岭露天矿边坡监测的数据中,把预测结果与ELM模型和PSO-ELM模型的预测值进行对比分析。结果表明：IPSO-ELM模型预测值接近于实测值,预测精度高、预测速度快、模型构建合理,在露天矿边坡预测中具有较高的可行性,可作为露天矿边坡预测的一种参考方法。     

粒子群算法优化BP神经网络在边坡稳定性中的应用

影响边坡稳定的因素繁杂多变,给边坡的稳定性评价与预测带来了困难,神经网络能够通过自学功能从样本数据中获取复杂的非线性关系,适用于解决边坡稳定性评价问题.因此,通过 Python语言建立了 BP神经网络模型,在此基础上借助粒子群算法提高模型的收敛速度与预测精度,建立了基于粒子群算法优化 BP神经网络实现边坡形变数据的分析预测模型,选取边坡土体的容重、黏聚力和内摩擦角等６个主要影响因素作为评判边坡稳定性的指标,将神经网络模型得到的预测结果与实际数据进行对比,结果表明利用粒子群算法优化后得到的预测值误差更小,验证了该模型的合理性和有效性.     

露天煤矿边坡稳定性预测的PSO-LSSVM模型

针对边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取七项因素(岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数)作为边坡稳定性的影响因素,建立PSO-LSSVM的边坡稳定性预测模型。利用矿山实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM模型在矿山边坡稳定性预测中有较高的准确度。     

基于改进PSO-ELM的尾矿坝稳定性分析

为了更准确地对尾矿坝稳定性进行预测,采用训练速度快、参数设置简单、准确度较高的极限学习机（ELM）模型,针对ELM模型在训练过程中随机产生的连接权值和隐含层阈值,导致泛化能力不足、模型稳定性差的问题,引入基于线性递减权重法改进的粒子群算法（IPSO）对其进行优化,提出了尾矿坝稳定性预测的改进粒子群优化极限学习机（IPSO-ELM）模型。将该模型运用到尾矿坝实例预测中,在选取的35个样本数据中,将前30组作为训练样本,后5组作为测试样本,以内摩擦角、边坡角、尾矿坝材料重度、孔隙压力比、内聚力和边坡高度6个尾矿坝稳定性影响因素为输入参数,以尾矿坝稳定性安全系数为输出参数,将预测结果与ELM模型和PSO-ELM模型对比,结果表明,IPSO-ELM模型有较高的预测精度,预测值逼近于实际值,验证了IPSO-ELM模型在尾矿坝稳定性评价中的可靠性和有效性。     

基于GS-PSO-SVM模型的边坡稳定性预测模型

针对传统边坡稳定性预测模型的不足,提出一种基于网格搜索和粒子群优化的支持向量机模型(GS-PSO-SVM model)。为了解决支持向量机参数选取问题,首先利用网格搜索法粗略寻优,确定参数范围,然后利用粒子群二次寻优。利用该模型对边坡实例预测,39个实例样本中,30个为训练样本,9个为预测样本,以岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力等6个边坡稳定性影响因素作为输入,边坡稳定性状态作为输出,预测结果与单独的网格搜索法、粒子群算法和遗传算法优化的支持向量机模型对比。结果表明,GS-PSO-SVM模型分类准确率100%,有更高的预测精度和预测效率,该模型能有效地对边坡稳定性状态进行预测。     

露天煤矿边坡稳定性预测的PSO-LSSVM模型

边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。针对煤矿边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取煤矿边坡工程中岩石重度、粘聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数等七项因素为边坡稳定性的影响因素,建立了PSO-LSSVM的煤矿边坡稳定性预测模型。利用煤矿实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM在煤矿边坡稳定性预测中有较高的准确度。     

基于GS-PSO-SVM的边坡稳定性预测模型

针对传统边坡稳定性预测模型的不足,提出一种基于网格搜索和粒子群优化的支持向量机模型（GS-PSO-SVM）。为了解决支持向量机参数选取问题,先利用网格搜索法粗略寻优确定参数范围,然后利用粒子群二次寻优。利用该模型对边坡实例预测,39个实例样本中,30个为训练样本,剩下9个作为预测样本,以岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6个边坡稳定性影响因素作为输入,边坡稳定性状态作为输出,预测结果与单独的网格搜索法、粒子群算法和遗传算法优化的支持向量机模型对比。结果表明,GS-PSO-SVM模型分类准确率100%,有更好地预测精度和更高的预测效率,该模型能有效的对边坡稳定性状态预测。     

基于PSO-BP神经网络的边坡稳定性模型研究

为了对边坡的稳定性进行分析,以黏聚力、内摩擦角、边坡倾角、坡体的容重、边坡高度、孔隙压力比6个主要影响因素作为边坡稳定性的判别指标,利用粒子群算法优化BP神经网络的权值和阀值,建立边坡稳定性的PSO-BP模型,并对5个边坡的稳定性进行分析,预测的平均误差达到1.98%,预测效果较好。结果表明,PSO-BP神经网络模型较传统的BP神经网络模型精度更高,收敛速度更快。     

基于粒子群算法与RBF神经网络的露天矿边坡稳定系数预测

为准确构建边坡稳定影响因素与稳定状态之间的复杂非线性函数,基于粒子群算法全局搜索能力及RBF神经网络非线性变换和局部逼近能力,提出了一种基于粒子群算法与RBF神经网络的露天矿边坡稳定系数预测方法.实践应用表明:与单纯的RBF神经网络方法相比,基于粒子群算法与RBF神经网络预测露天矿边坡稳定系数精度可靠、性能稳定.     

基于MPSO算法的RBF网络学习算法

针对标准粒子群优化(PSO)算法存在早熟收敛,易陷入局部极值的缺陷,提出了一种利用混沌优化算法确定PSO算法参数的改进粒子群优化(MPSO)算法。为了提高径向基函数(RBF)神经网络的精度和性能,提出了一种基于改进粒子群优化(MPSO)算法的RBF网络学习算法。RBF网络隐层节点个数用对手受罚的竞争学习(RPCL)算法确定后,基函数的中心矢量、方差和网络权值用MPSO算法在全局空间动态确定。采用Iris分类问题做仿真实验,并与基于标准PSO算法的方法和单纯BP网络训练进行比较。实验结果表明,该算法性能优于所比较的2种算法,并且具有良好的收敛性和模式分类能力。     

金属矿深部开采岩爆危险预测的GA-ELM模型研究

为对金属矿山深部开采时岩爆的危险性进行预测,在总结深部开采岩爆发生机理的基础上,综合选取影响岩爆发生的3个重要因素作为岩爆预测的判别因子。搜集国内外金属矿深部开采岩爆的实例作为训练样本,引入极限学习机算法(ELM),针对该算法的不足,采用遗传算法(GA)对其相关参数进行优化,建立了岩爆预测的GA-ELM模型,并与单一ELM模型进行对比。利用该岩爆预测模型对一典型金属矿深部开采进行岩爆预测,结果与实际情况相吻合。研究结果表明,岩爆预测的GA-ELM模型训练效果及泛化能力均优于单一ELM模型、SVM模型及传统的BP模型,且该模型能够对金属矿深部开采的岩爆进行准确有效地预测,具有一定的工程应用价值。     

基于范数优化超限学习机的矿浆浓度预测

选矿过程中的矿浆浓度是一个重要的生产工艺参数,一般可以通过预测矿浆浓度来提高生产效率。由于矿浆浓度和其他的生产工艺参数往往非线性相关,这给矿浆浓度的预测带来了很大困难。本文针对此问题,基于超限学习机这一面向神经网络的新颖学习算法,提出了一种矿浆浓度预测新算法。首先,使用相空间重构方法对矿浆浓度数据进行预处理,从一维转换到多维。然后,使用基于L2范数的超限学习机算法（ELM-L2）建立时序预测模型,实现预测功能。围绕来自于某矿厂的真实生产数据进行了实验验证,结果显示,针对大规模的数据样本集,所设计的算法与传统神经网络预测算法相比,训练时间大约减少了30%,而预测精度大约提高了48%。实验结果表明了所设计预测算法的有效性。     

基于VMD和BSA-KELM的高陡边坡位移预测模型研究

边坡位移的时间序列曲线存在复杂的非线性特性,传统的预测模型精度不足以满足预测要求。为此提出了基于变分模态分解的鸟群优化-核极限学习机的预测模型,并用于河北省某水泥厂的边坡位移预测。该方法首先采用VMD把边坡位移序列分解为一系列的有限带宽的子序列,再对各子序列分别采用相空间重构并用核极限学习机预测,采用鸟群算法优化相空间重构的嵌入维度和KELM中惩罚系数和核参数三个数值,以取得最优预测模型。最后将各个子序列预测值叠加,得到边坡位移的最终预测值。结果表明：和KELM、BSA-KELM、EEMD-BSA-KELM模型相比,基于VMD的BSA-KELM预测精度更高,为边坡位移的预测提供一种有效的方法。     

基于PSO优化BP神经网络的露天矿边坡位移预测模型

BP神经网络的初始连接权重和阈值对露天矿边坡位移预测的精度和收敛速度有重要影响。鉴于粒子群优化(PSO)算法具有全局搜索性能和收敛速度快,引入PSO算法对BP神经网络的初始连接权重和阈值进行全局优化,提出了基于PSO优化BP神经网络的露天矿边坡位移预测模型。将所提出的模型应用于实际案例中,并与BP神经网络进行对比。结果表明:该模型能够提高BP神经网络在露天矿边坡位移预测中的精度和收敛速度,预测结果的最大相对误差和平均相对误差分别是0.566 8%和0.353 0%,具有较好的精度和实际应用价值。     

改进的瓦斯突出预测模型

针对瓦斯突出时间序列的非平稳特性,提出了一种基于经验模态分解和极限学习机的瓦斯突出预测模型。以某矿井工作面实际采集的瓦斯浓度为例,仿真结果表明EMD-ELM模型在训练速度和预测精度上优于ELM和最小二乘支持向量机模型。