大冶铁矿开采沉陷GPS高程拟合CQPSO-LSSVM模型

来源期刊：金属矿山2017年第9期

论文作者：侯林锋

文章页码：166 - 169

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;

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。