基于基于AdaBoost-PSO-ELM算法的滑坡位移预测研究算法的滑坡位移预测研究
矿山排土场滑坡的过程是一个动态、大延迟、高度非线性的特性问题,影响矿山排土场滑坡的因素众多,各个
特性指标间相互影响,关于排土场滑坡预警并没有严格的划分标准。对此,提出一种自适应提升算法(Adaptive
Boosting,AdaBoost)、改进的粒子群算法(Particle Swarm Optimization,PSO)和极限学习机(Extreme
Learning Machine,ELM)相结合的矿山排土场滑坡短期预测方法。该方法首先利用粒子群优化算法得出ELM模
型的最佳输入参数,再通过自适应提升算法将得到的多个极限学习机弱预测器组成新的强预测器并进行预测,
最后以某矿山排土场采集的数据为算例,结果表明改进的组合方法的预测精度明显优于由粒子群优化算法优化
参数的极限学习机模型和单独的极限学习机模型的预测精度,其预测结果接近于真实值,为实现矿山排土场滑
坡预警提供了可能。
0 引言引言
矿山排土场滑坡是一种非常普遍发生的地质灾害,由于滑坡的频繁发生,每年都会造成大量的人员伤亡和巨额的财产损
失。很多排土场都存在着滑坡风险,排土场的堆放位置以及堆放方式和管理方式的不合适可能会造成滑坡事故的发生。随着传
感器技术的发展,各种类型的传感器相继被应用到了矿山排土场的安全监测当中,传感器能长时间保持不间断地采集排土场的
相关指标,这些相关指标对排土场的安全指标具有重大意义,在一定程度上体现着排土场的稳定状态。传感器传输的实时数据
代表排土场的某一时刻相关特征指标的值,但是当技术人员接收到异常数据时,排土场滑坡或许已经发生了,若能够提前预测
出传感器下一时刻的信息,可以有效降低排土场滑坡造成的财产损失和人员伤亡,到目前为止,矿山排土场滑坡灾害预警仍然
是一个处于探索阶段的世界性难题
[1]
。
目前关于滑坡预测方法主要是分析滑坡位移随时间变化的曲线及各类直接或间接影响滑坡产生的环境影响因子的监测信
息
[2]
,来反演滑坡内在的非线性动力学变化过程,进而建立起滑坡位移同各个环境影响因子之间的非线性映射关系,最终达到
预测滑坡位移的变化趋势的效果。传统的滑坡预测模型主要以时间序列分析方法和各类统计方法预测为主
[3]
,这些方法在智能
性、精确性和及时性方面都存在着较大的缺陷。为了有效提高对滑坡的预测能力,本文提出了一种AdaBoost的粒子群优化极
限学习机的集成学习方法实现滑坡位移预测(AdaBoost-PSO-ELM),与以往方法相比,其具有以下优点:(1)利用粒子群优
化算法(Particle Swarm Optimization,PSO)来优化极限学习机(Extreme Learning Machine,ELM)的输出权重和隐层偏
置,解决了人工参数整定困难的问题
[4]
,提高了预测效率;(2)采用多神经网络集成学习算法,提高网络预测泛化能力;(3)引
入AdaBoost算法极大降低了ELM陷入局部最优的风险,进一步提高了预测精度。
1 算法分析与设计算法分析与设计
1.1 极限学习机模型极限学习机模型
极限学习机(Extreme Learning Machine,ELM)是HUANG G B等在2006年提出的一种单隐含层前馈神经网络(Single
Hidden Layer Feedforward Neural Networks,SLFNN)的算法,该算法随机产生输入层与隐含层的连接权值及隐含层神经元
的偏置
[5]
,构建无需任何迭代的单隐层神经网络,与传统神经网络相比,通过一步计算即可解析出网络的输出权值,大大提高
了网络的泛化能力和学习速度,具有较强的非线性拟合能力。ELM的网络结构如图1所示。
评论0