机器学习辅助下的概率积分法参数预计模型寻优

收集整理了多组地表移动观测站资料作为训练样本和检验样本,以工作面地质采矿条件为输入集,概率积分法预计参数为输出集,利用机器学习方法对概率积分法预测参数进行了预测。选取支持向量机、BP神经网络和偏最小二乘法3种机器学习方法对训练样本进行训练,利用训练所得模型预测检验样本中的概率积分法预测参数,并将预测结果与观测站实测值进行对比。结果表明,利用支持向量机预测下沉系数、主要影响角正切值及水平移动系数的精度最高,其平均相对误差分别达到7.46%、4.00%、13.17%;拐点偏距及开采影响传播角利用偏最小二乘法预计精度最高,平均相对误差分别为10.83%、0.88%;总体而言支持向量机的预测精度最为稳定。     

基于分形理论的线状要素的地图自动综合算法实现

线状要素的制图综合往往由于数据容量过大在选择比例尺可视化输出时不能进行清晰图形表达.本文基于分形理论中的步距算法,在visual studio中开发系统窗口平台,以线状要素为研究对象,实现对线要素的地图自动综合计算,从而以少量控制点清晰表达出图形的轮廓特征.该方法较好的保持了地图的形状特征和细节,使化简的图形与原始数据的图形在形状结构特征上基本保持了一致性.     

一种改进的开采沉陷动态下沉模型

针对Knothe时间函数在描述点位动态下沉过程中的不足,该文采用分段函数构建改进的Knothe时间函数。结合煤矿工作面观测站实测数据,建立工作面开采沉陷动态下沉预计模型;并利用概率积分法模型及回归分析等方法解算模型所需参数,包括地表任意点最终下沉量、时间因素影响系数及地表点位最大下沉速度出现时间。经实验验证,基于改进的Knothe时间函数的开采沉陷动态预计模型能够真实地反映地表下沉的动态过程,且精度满足开采沉陷工作需要。