基于Relief算法与ReLU核ELM的煤矿开采最大下沉预测模型研究

尝试引入Re LU function核的ELM算法及Relief Algorithm对开采区最大下沉量进行预测。首先基于Relief Algorithm对现场岩移数据进行筛选优化;然后通过隐含层数目循环实验选出预测精度较高的ELM预测模型隐含层数目;再筛选优化后的参数为输入,最大下沉为目标分别建立基于Re LU function核、igmoid function核、Radial basis function核及Hardlim function核的ELM预测模型;最后对4种模型的预测结果进行对比分析。结果表明:采厚、平均采深、走向长度和倾向长度与最大下沉关系显著;以Re LU function核、隐含层神经元数目为57的ELM的预测结果精度显著优于对比组。

基于双线性变化与多学习机器算法的矿山下沉估算比选模型

研究矿山地表最大下沉值的估算方法具有重要的安全生产意义,该研究的核心及关键问题在于提高估算的精度。本研究基于岩移数据决策、双线性变化及多种学习机器算法,对比筛选估算效果最优的矿山下沉估算方法。首先基于岩移数据决策方法,确定了采厚、倾角、平均采深、走向长度、倾向长度和覆岩岩性为最大下沉的影响参数;随后基于双线性变化的反推算模型,将倾角项转化为与其他参数相同时域数据以求提高估算精度;最后建立了C&RT、CHAID、Boosting Tree、Random Forest、BPNN和SVR等6种学习机器算法的估算模型。通过实例分析,CHAID和Random Forest方法返回了最差的估算结果,Boosting Tree和C&RT方法的估算结果会出现局部大残差值,BPNN估算时间数倍于其他方法,而SVR模型具有易于操作、耗时较短、精度较高的特点。故本研究认为SVR方法是一种高效可靠的最大下沉估算方法。