基于概率积分法的矿山地表移动观测

本文在分析求取概率积分法预计参数的方法基础上,基于潞安矿区王庄煤矿地表移动观测站实测资料,利用Matlab软件中非线性最小二乘拟合函数,绘制了各类地表移动变形拟合曲线,得到了概率积分法预计参数。同时,进行了地表移动变形的实测最大值与拟合值的分析比较,评定了其拟合精度。结果表明,用该方法求取概率积分法预计参数方便可行、参数求取准确、拟合精度高,具有较强实用性和可操作性。     

概率积分法预计参数解算的总体最小二乘岭估计法

将总体最小二乘平差方法应用于矿山开采沉陷概率积分法预计参数的解算,建立了概率积分法总体最小二乘平差模型,给出了非线性总体最小二乘平差的迭代算法。并以淮南矿区谢桥矿某工作面为例,考虑观测方程系数阵病态性的影响,分别采用最小二乘岭估计法和总体最小二乘岭估计法解算预计参数,计算表明,采用总体最小二乘岭估计法在解算预计参数时精度更高,且拟合参数的估值受到模型参数初值的影响。     

概率积分预计参数的神经网络优化算法

在分析BP神经网络不足的基础上,为提高概率积分法进行开采沉陷预计时所采用的预计参数的正确性,该文建立了地质采矿条件与预计参数之间的非线性关系,以我国43个地表移动观测站的实测数据为训练和测试样本,采用多种群遗传算法(MPGA)优化BP神经网络的权值和阈值,构建新的概率积分法参数解算方法。计算结果表明,较单纯的BP神经网络算法和标准的遗传算法而言,MPGA算法优化的BP神经网络算法解算的预计参数具有更高的相对精度,这对于获取待研究区域的高精度概率积分法预计参数具有良好的指导意义。     

灰色关联分析与BP神经网络的概率积分法参数预测

在综合分析地表沉陷概率积分法参数与地质采矿条件关系的基础上,提出运用灰色关联分析法找出影响概率积分法参数的主要因素,进而利用BP人工神经网络模型预计参数。在对实测数据灰色关联分析后得出:覆岩平均坚固性系数、采厚、倾角、采动程度与各个参数关联程度较高,表土层厚度和采深次之。在此基础上,建立BP人工神经网络模型,并对预计结果与实测数据进行对比分析。结果表明:该方法预计最大相对误差15.78%,最小相对误差1.92%,考虑到个别参数实测值较小,造成相对误差较大,而绝对误差很小,即模型预计效果较好,是一种预计概率积分法参数的有效方法。     

联合卷积神经网络与集成学习的遥感影像场景分类

针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题，结合迁移学习与集成学习，提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想，利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器，提取图像多个高度抽象的语义特征；然后构建由Logistic回归和支持向量机组成的Stacking集成模型，对同一图像的多个特征分别训练Logistic模型，将预测概率结果融合构建概率特征；最后利用支持向量机对概率特征训练和预测，得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验，即使在只有10%的数据作为训练样本情况下，本文方法能够分别达到90.74%和87.21%的分类精度。     

地面高光谱和PROSAIL模型的冬小麦叶绿素反演

针对现有研究在反演叶绿素含量不足的问题,该文基于地面高光谱和实测农学数据,采用PROSAIL模型和连续小波变换并结合偏最小二乘回归、支持向量机和人工神经网络方法反演冬小麦叶绿素。先通过PROSAIL模型模拟作物光谱,再对模拟光谱进行连续小波变换,筛选出敏感波段和尺度并应用于4组实测数据,最后利用小波系数和实测叶绿素构建偏最小二乘回归、支持向量机和人工神经网络反演模型。研究结果表明,利用小波系数构建反演模型的精度相比于植被指数反演有所提高,在基于小波系数反演叶绿素的方法中偏最小二乘法精度略高于其他两种方法。通过将PROSAIL模型、连续小波变换和偏最小二乘回归结合能够实现冬小麦叶绿素遥感估算。     

灰色最小二乘支持向量机在滑坡变形预测中的应用

结合灰色系统思想与最小二乘支持向量机构成灰色最小二乘支持向量机,根据目前灰色模型与最小二乘支持向量机结合的方法,提出并联型、串联型和残差型三种预测模型的结构.将上述三种灰色最小二乘支持向量机模型用于对三峡库区石佛寺滑坡垂直位移进行预测,模型精度和预测结果比较理想,优于单一预测模型.试验表明:灰色最小二乘支持向量机可提高预测精度,用于滑坡变形预测是有效可行的.     

基于粒子群优化神经网络的概率积分法预计参数的确定

为有效确定概率积分法预计参数,提高预计值的精度。将粒子群优化(PSO)算法和BP神经网络进行融合,采用改进的混合粒子群优化算法优化神经网络的权值和阈值。在分析概率积分法参数与地质采矿条件之间关系的基础上,建立了基于PSO优化BP神经网络的概率积分法预计参数的优化选择模型。以我国典型的地表移动观测站资料为例,将计算结果与实际值进行了对比分析,并与文献[1]中改进BP算法进行了比较。结果表明,PSO-BP神经网络方法用于概率积分法预计参数的选取是可行的,收敛速度更快,计算精度更高。     

利用优化的组合核相关向量机算法构建地表下沉预测模型

为了提高地下开采地表下沉预测结果的精度及可靠性,提出了基于混合智能优化算法（hybrid intelligent optimization algorithm,HIOA）与组合核相关向量机（multi-kernel relevance vector machine,MK-RVM）的地下开采地表下沉预测方法。首先,分别构建HIOA与MK-RVM算法,并利用HIOA优化MK-RVM的参数。然后,采用优化后的MK-RVM构建地表下沉几何参数预测模型和动态下沉预测模型。最后,利用以上模型对上山移动角、下山移动角、中心移动角、地表最大下沉及动态下沉进行预测,并分析预测结果的精度及可靠性。实验结果表明,该方法的精度与可靠性较单一核函数相关向量机与支持向量机有较大改善。     

动态最小二乘支持向量机学习算法

针对大样本集的训练问题和动态训练样本的模型更新问题,提出了动态最小二乘支持向量机学习算法.该算法充分利用已建好的模型,逐渐加入新样本,并可删除位于任何位置的非支持向量,避免了矩阵求逆运算,保证了算法的高效率.大坝变形及电离层延迟两个时间序列的预报实例表明,该算法具有计算时间短、预报精度高的特点.