基于主成分分析和PSO-ELM算法的排土场稳定性预测模型

针对排土场边坡稳定性分析,提出了一种利用主成分分析法降低数据冗余性、粒子群算法优化极限学习机权值阈值的PCA-PSO-ELM排土场边坡稳定性预测模型。确定了土壤黏聚力、内摩擦角、排土场斜角、地基承载力、地震烈度、降雨和降雪条件、排土工艺以及乱采乱挖状况8个排土场稳定性预测指标,针对100组相应排土场数据,采用训练时间、RMSE值和决定系数R²来评价和对比PCA-PSO-ELM模型与BP神经网络模型、ELM模型和PSO-ELM模型预测结果的有效性。研究结果表明：利用经PCA降维处理过的排土场稳定性样本数据作为输入变量去训练和测试PSO-ELM网络模型,预测值与真实值非常接近,其预测精度和效率不仅高于ELM算法,而且远远优于传统BP神经网络算法。经过PCA法优化的PSO-ELM模型与未经PCA处理过的PSO-ELM模型相比,前者在效率相差甚微的基础上大幅缩短了计算时间,证明了该方法具有一定的实用价值。     

基于EEMD-HW-PSO-ELM耦合模型的排土场边坡位移预测模型

为了准确预测小样本、非线性特点的排土场边坡位移,提出了一种基于经验模态分解法、三次指数平滑法和粒子群优化极限学习机的EEMD-HW-PSO-ELM边坡位移组合预测模型。以伊敏露天矿排土场GPS位移监测数据为例,验证该模型的有效性。研究结果表明：EEMD模型分解后的边坡位移时间序列包括4个IMF分量和1个余量,将分解后的数据重构为趋势项和波动项,物理意义明确。分别选择三次指数平滑法和粒子群优化极限学习机预测趋势项和波动项位移,将分项预测结果的等权叠加值作为最终预测结果,预测值的平均相对误差为0.38%,均方根误差为1.15。选择了BP模型和Elman模型进行对比预测,结果表明组合预测模型的预测效果较好,能够为边坡安全管理提供理论依据。     

基于粒子群优化算法和博弈论的网络学习控制系统带宽调度

研究了双层网络学习控制系统的带宽调度优化问题.为了合理分配子系统的带宽,引入了网络定价体系和动态带宽调度方法,建立了非合作博弈模型,从而将网络控制系统的网络资源分配问题转换为非合作博弈竞争模型下的Nash均衡点求解问题.在此基础上,采用粒子群优化算法得到此框架下的纳什均衡解,并进一步给出了网络控制系统的时间片调度方法.仿真结果表明了所提方法的有效性.