文献类型：期刊文章

作　　者：侯林锋[1]

机构地区：[1]广东工贸职业技术学院测绘遥感信息工程系,广东广州510510

出　　处：《金属矿山》

年　　份：2017

卷　　号：46

期　　号：9

起止页码：166-169

语　　种：中文

收录情况：BDHX、BDHX2014、CAS、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：传统最小二乘支持向量机拟合模型(Least squares support vector machine model,LSSVM)在进行矿区地表沉降GPS高程拟合时精度较低,为进一步提升矿区地表沉降监测精度,采用协同量子粒子群算法(Cooperative quantum-behaved particle swarm optimization,CQPSO)对LSSVM模型进行了优化。该算法的协同搜索策略是在解空间中使用多个子群取代整个种群,可有效解决由于单个种群、单个搜索策略导致的迭代后期种群多样性下降的早熟问题。以大冶铁矿为例,采用实地获取的矿区地表GPS监测数据对改进最小二乘支持向量机拟合模型(CQPSO-LSSVM)进行试验,并与BP神经网络拟合模型以及量子粒子群算法(Quantum-behaved particle swarm optimization,QPSO)优化的最小二乘支持向量机拟合模型(QPSO-LSSVM)进行比较,结果表明,CQPSO-LSSVM模型的内、外符合精度分别为±2.5 mm、±3.1 mm,BP神经网络拟合模型的内、外符合精度分别为±2.9 mm、±4.6 mm,QPSO-LSSVM模型的内、外符合精度分别为±2.8 mm、±3.5 mm,可见CQPSO-LSSVM模型的拟合精度稍优于其余两者,采用该模型对矿区地表沉降GPS数据进行拟合处理,可获得较高的监测精度。

关 键 词：开采沉陷 GPS高程拟合 最小二乘支持向量机  协同量子粒子群算法  BP神经网络模型

分 类 号：TD325]