最新設(shè)計(jì)資源

基于AdaBoost-PSO-ELM算法的滑坡位移預(yù)測(cè)研究[嵌入式技術(shù)][工業(yè)自動(dòng)化]

礦山排土場(chǎng)滑坡的過(guò)程是一個(gè)動(dòng)態(tài)、大延遲、高度非線性的特性問(wèn)題，影響礦山排土場(chǎng)滑坡的因素眾多，各個(gè)特性指標(biāo)間相互影響，關(guān)于排土場(chǎng)滑坡預(yù)警并沒(méi)有嚴(yán)格的劃分標(biāo)準(zhǔn)。對(duì)此，提出一種自適應(yīng)提升算法(Adaptive Boosting，AdaBoost)、改進(jìn)的粒子群算法(Particle Swarm Optimization，PSO)和極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)相結(jié)合的礦山排土場(chǎng)滑坡短期預(yù)測(cè)方法。該方法首先利用粒子群優(yōu)化算法得出ELM模型的最佳輸入?yún)?shù)，再通過(guò)自適應(yīng)提升算法將得到的多個(gè)極限學(xué)習(xí)機(jī)弱預(yù)測(cè)器組成新的強(qiáng)預(yù)測(cè)器并進(jìn)行預(yù)測(cè)，最后以某礦山排土場(chǎng)采集的數(shù)據(jù)為算例，結(jié)果表明改進(jìn)的組合方法的預(yù)測(cè)精度明顯優(yōu)于由粒子群優(yōu)化算法優(yōu)化參數(shù)的極限學(xué)習(xí)機(jī)模型和單獨(dú)的極限學(xué)習(xí)機(jī)模型的預(yù)測(cè)精度，其預(yù)測(cè)結(jié)果接近于真實(shí)值，為實(shí)現(xiàn)礦山排土場(chǎng)滑坡預(yù)警提供了可能。

發(fā)表于：2/28/2019