机器学习辅助下的概率积分法参数预计模型寻优  

Probability Integral Method Parameters Prediction Model Optimization Based on Machine Learning Methods

作　　者：沈震[1] 徐良骥[1] 刘潇鹏 秦长才[1] 王振兵[1] 

机构地区：[1]安徽理工大学测绘学院,安徽淮南232001

出　　处：《测绘通报》2016年第10期35-38,共4页Bulletin of Surveying and Mapping

基　　金：国家自然科学基金(41472323);安徽省对外科技合作计划(1503062020)

摘　　要：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。

关 键 词：概率积分法预计参数 支持向量机 BP神经网络 偏最小二乘法 模型寻优 

分 类 号：P258[天文地球—测绘科学与技术]