粒子群算法在概率积分法沉陷预计模型参数反演中的应用

针对开采沉陷预计模型参数反演所存在的算法复杂、计算量大等缺陷,将粒子群算法引入到概率积分法开采沉陷预计模型参数反演中。研究粒子群算法反演概率积分法预计模型参数的基本原理、编码方法及适应度函数的构造方法,同时结合河北省某煤矿的实测数据,以下沉拟合值与实测值的中误差作为反演精度的评价标准对算法进行实例验证,对提高开采沉陷预计的精度有一定的参考实用价值。     

概率积分预计参数的神经网络优化算法

在分析BP神经网络不足的基础上,为提高概率积分法进行开采沉陷预计时所采用的预计参数的正确性,该文建立了地质采矿条件与预计参数之间的非线性关系,以我国43个地表移动观测站的实测数据为训练和测试样本,采用多种群遗传算法(MPGA)优化BP神经网络的权值和阈值,构建新的概率积分法参数解算方法。计算结果表明,较单纯的BP神经网络算法和标准的遗传算法而言,MPGA算法优化的BP神经网络算法解算的预计参数具有更高的相对精度,这对于获取待研究区域的高精度概率积分法预计参数具有良好的指导意义。     

基于粒子群优化的BP神经网络在GPS高程拟合中的应用

讨论了利用粒子群优化(PSO)算法来训练BP神经网络的权值和阀值的原理,分析了三种GPS高程拟合实例,结果表明PSO-BP模型可以应用于GPS高程拟合中。     

粒子群优化BP神经网络的滑坡敏感性评价

滑坡敏感性评价是地质灾害预测预报的关键环节。针对BP神经网络易陷入局部最小值、收敛速度慢等问题,该文以三峡库区秭归县境内为研究区,采用粒子群优化(PSO)算法对BP神经网络的初始权值和阈值进行优化,构建PSO-BP神经网络滑坡敏感性预测模型,实现研究区滑坡敏感性评价。采用受试者工作特征曲线分析模型预测精度,得到PSO-BP神经网络预测精度为0.931,预测结果与实际滑坡总体空间分布具有良好的一致性,且预测能力优于BP神经网络。实验结果表明,PSO-BP神经网络耦合模型在实现滑坡敏感性评价上具有理想的预测精度和良好的适用性。     

基于狮群算法的概率积分预计参数反演方法

针对传统的开采沉陷预计方法,在求取预计参数时存在计算量烦琐、精度低、速度慢等缺陷,本文开展了基于狮群算法(LSO)的概率积分预计参数反演方法研究.LSO是一种群体智能算法,该算法已在光伏最大功率跟踪中方面得到广泛的应用,至今尚未发现应用于矿山开采沉陷预计领域中.为了准确获取预计参数,本文将LSO应用于概率积分参数反演中...     

基于粒子群算法优化BP神经网络的地铁暗挖段地表变形预测

在使用传统BP神经网络算法建模进行预测过程中,由于初始权值和阈值是随机给定的,易使网络陷入局部最优,从而导致预测精度较低。利用具有较强优化能力的粒子群算法（ particle swarm optimization ,PSO）优化BP神经网络在训练过程中的初始权值和阈值,建立新的预测模型,以青岛地铁3号线保河区间隧道监测数据为例进行验证分析,研究结果表明,与传统BP神经网络预测算法相比,使用PSO算法优化的BP神经网络预测算法可以得到更优的预测结果。     

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。     

EXCEL计算概率积分法预计参数

EXCEL软件是最常用的办公软件之一,本文介绍一种利用EXCEL软件规划求解功能计算开采沉陷预计概率积分法预计参数的方法,很方便地得到了预计参数的优化解,通过实例验证,运用该方法得到的这些参数的解满足开采沉陷预计精度的要求,有很好的应用价值。     

模拟退火的粒子群BP神经网络数据处理探讨

为了提高监测数据分析与预报的准确性、实时性,提出将模拟退火算法与粒子群BP神经网络相结合应用于变形监测数据处理中。分别分析了3种方法的原理和计算过程,阐述了新方法的计算步骤,并通过实例说明该方法比传统的BP神经网络法拟合和预报效果更好。     

粒子群算法优化的神经网络短期钟差预报

针对导航卫星钟差短期预报精度上的不足,该文提出了一种基于粒子群算法优化的BP神经网络钟差预报模型,通过粒子群算法来对BP神经网络的权值和阈值进行优化,利用IGS的钟差数据进行实验,并与灰色GM(1,1)模型、二次多项式模型和BP神经网络模型的预报结果进行对比分析。结果表明,粒子群优化算法的BP神经网络模型钟差预报效果良好,3h预报精度能够达到0.3ns,体现了本文钟差预报模型的实用性。     

灰色关联分析与BP神经网络的概率积分法参数预测

在综合分析地表沉陷概率积分法参数与地质采矿条件关系的基础上,提出运用灰色关联分析法找出影响概率积分法参数的主要因素,进而利用BP人工神经网络模型预计参数。在对实测数据灰色关联分析后得出:覆岩平均坚固性系数、采厚、倾角、采动程度与各个参数关联程度较高,表土层厚度和采深次之。在此基础上,建立BP人工神经网络模型,并对预计结果与实测数据进行对比分析。结果表明:该方法预计最大相对误差15.78%,最小相对误差1.92%,考虑到个别参数实测值较小,造成相对误差较大,而绝对误差很小,即模型预计效果较好,是一种预计概率积分法参数的有效方法。     

量子粒子群BP神经网络在GNSS高程转换中的应用分析

提出了一种基于量子粒子群神经网络(QPSO-BP)模型的GNSS高程转换方法,通过建立GNSS点平面坐标与正常高之间的三层QPSO-BP数学模型而实现GNSS高程转换。试验分析结果表明,该方法全局迭代进化搜索能力高、稳健性强、拟合及预测精度高,在GNSS高程转换方面具有良好的有效性与先进性。     

A site selection method of DNS using the particle swarm optimization algorithm

The Domain Name System (DNS) is an essential component of the functionality of the Internet. With the growing number of domain names and Internet users, the growing rate and number of visit quantity and analytic capacity of DNS are also proportional to the Internet users' size. This study (based on the analysis of access popularity and the distribution of massive DNS log data) aims to optimize the configuration of the DNS sites, which has become an important problem. The ArcGIS software is used to show the temporal and spatial distributions of visit source of DNS logs. This study also analyzes the influence of different sites and the dependence on DNS service in different regions of the world. This information is important to further decision‐making on new DNS site selection. This article proposes new DNS site selection solutions, using particle swarm and multi‐objective particle swarm optimization algorithms for one new site and multiple sites, respectively. The results from particle swarm optimization, genetic, and simulated annealing algorithms were compared and experimental results confirmed the correctness and effectiveness of the proposed methods. The proposed methods could also be extended to solve other layout related issues, such as onsite facility layout and road network optimization.     

粒子群-BP神经网络模型在大坝变形监测中的应用

针对BP神经网络的初始化权值和阈值的随机性,易导致训练速度慢和落入局部极小等弱点,本文运用具有并行特性和全局优化能力的粒子群算法(PSO)对BP神经网络的权值和阈值进行优化,建立了基于粒子群-BP神经网络的大坝变形监测模型,并以丰满大坝多年监测的坝顶水平位移资料为例进行实证分析。与经典BP神经网络模型的预测结果相比,粒子群-BP神经网络模型的收敛速度更快、预测精度更高。     

粒子群优化神经网络的土壤有机质高光谱估测

针对提高土壤有机质高光谱估测精度的问题,该文对山东省泰安市的92个棕壤样本进行光谱去噪,剔除异常样本处理后,对光谱反射率进行11种变换,发现一阶微分变换最佳;然后计算土壤有机质含量与变换后光谱反射率的相关系数,选取5个特征波段,分别利用多元线性回归、BP神经网络、支持向量机、粒子群优化神经网络4种方法建立土壤有机质含量高光谱估测模型并进行精度比较。实验结果表明,多元线性回归、BP神经网络、支持向量机和粒子群优化神经网络模型的决定系数R2分别为0.520 3、0.665 4、0.735 0和0.853 0,均方根误差分别为2.12、1.99、1.45和1.08。研究结果表明,粒子群优化神经网络的反演精度高、稳定性强,可有效提高土壤有机质的光谱估测能力。     

基于人工鱼群优化的BP神经网络WiFi指纹室内定位方法

针对传统的基于反向传播(BP)神经网络室内定位算法存在着低精度和慢收敛问题,且考虑到室内环境复杂,通常存在多径效应,无法使用信号强度衰减测距模型进行精确定位,提出一种改进的人工鱼群优化的BP神经网络WiFi指纹室内定位算法．利用人工鱼群觅食和寻优方式来提高全局寻优搜索的速度和能力,采用改进的人工鱼群算法(IAFSA)优化选取室内定位BP神经网络的权值和阈值,有效避免了传统BP神经网络的预测值易陷入局部最优的缺点,同时利用高斯滤波对信号进行去噪处理,建立采样点获取到的信号强度值(RSSI)与位置坐标的关系．实验结果证明所提方法与传统的BP神经网络方法相比,平均定位误差减少了0.75 m,平均定位精度提高32.2％,提高了定位可靠性,算法具有更好的稳定性.      

利用粒子群算法的小波神经网络探讨

小波神经网络(WNN)具有较强的逼近和容错能力,并具有良好的收敛性和鲁棒性。然而其网络收敛速度慢、搜索成功率低和易陷入局部极小值等缺点使得传统的小波神经网络难以得到广泛应用。本文介绍一种基于粒子群(PSO)算法的小波神经网络,其通过利用种群间信息共享进行寻优,以获得结构化的神经网络,克服了传统小波网络的诸多缺点,结合工程实例,检验了其具有较好的适用性和可靠性。     

A new pan-sharpening method using multiobjective particle swarm optimization and the shiftable contourlet transform

In this paper, a novel approach based on multiobjective particle swarm optimization (MOPSO) is presented for panchromatic (Pan) sharpening of a multispectral (MS) image. This new method could transfer spatial details of the pan image into a high-resolution version of the MS image, while color information from the low-resolution MS image is well preserved. The pan and MS images are locally different because of different resolutions, and therefore we cannot directly combine them in the spatial domain. For this reason, we generate two initial results, which are more appropriate for a weighted combination. First, the pan and the MS images are histogram matched. Then we use the shiftable contourlet transform (SCT) to decompose the histogram-matched pan and MS images. The SCT is a new shiftable and modified version of the contourlet transform. In this step, an algorithm based on the SCT is used to generate two initial results of the high-resolution MS images. Our objective is to produce two modified high-resolution MS images, in which one has high spatial similarity to the pan image and the other one has high radiometric quality in each band. Therefore, we have used two different fusion rules to integrate the high-frequency contourlet coefficients of the pan and MS images to generate two initial results of high-resolution MS image or the pan-sharpened (PS) image. Finally, we can find the optimal PS image by applying the MOPSO algorithm and using the two initial PS results. Specifically, the PS image is obtained via a weighted combination of the two initial results, in which the weights are locally estimated via a multiobjective particle swarm optimization algorithm to generate a PS image with high spatial and radiometric qualities. Based on experimental results obtained, the produced pan-sharpened image also has good spectral quality. The efficiency of the proposed method is tested by performing pan-sharpening of high-resolution (Quickbird and Wordview2) and medium-resolution (Landsat-7 ETM +) datasets. Extensive comparisons with the state-of-the-art pan-sharpening algorithms indicate that our new method provides improved subjective and objective results.