多模型融合的矿区地表沉降预测方法及适用性

为消除BP神经网络模型对矿区地表沉降预测精度有限且不够稳定的问题，以某矿区为例，选定弹性模量、泊松比、内聚力等9种影响矿区地表沉降的因素和最大下沉值作为初始样本数据，使用卡尔曼滤波(KF)优化BP神经网络，再将构建的KF-BP模型视作自适应增强(AdaBoost)算法中的弱预测器，通过最终权重分布将各弱预测器加权组合成强预测器。运用MATLAB建立BP神经网络模型、KF-BP模型、AdaBoost-BP模型和AdaBoost-KF-BP模型分别对矿区实际沉降监测数据进行训练和预测，结果表明，AdaBoost-KF-BP模型的稳定性最高，其精度相较于其他模型有明显提升。