武汉理工大学学报（交通科学与工程版）
武漢理工大學學報（交通科學與工程版）
무한리공대학학보（교통과학여공정판）
JOURNAL OF WUHAN UNIVERSITY OF TECHNOLOGY(TRANSPORTATION SCIENCE & ENGINEERING)
2014年
3期
544-546,551
,共4页
吴浩%阮明浩%张宏%张建华%叶海旺%董元锋
吳浩%阮明浩%張宏%張建華%葉海旺%董元鋒
오호%원명호%장굉%장건화%협해왕%동원봉
边坡变形预测模型%小样本监测信息%GM(1,1)模型%BP神经网络模型%灰色BP神经网络合模型
邊坡變形預測模型%小樣本鑑測信息%GM(1,1)模型%BP神經網絡模型%灰色BP神經網絡閤模型
변파변형예측모형%소양본감측신식%GM(1,1)모형%BP신경망락모형%회색BP신경망락합모형
slope deformation forecast models%small sample%Gray (1,1) model%BP neural network model%the combined model based on gray and BP neural network
利用GM(1,1),BP神经网络和灰色BP神经网络组合三种模型,分别对不同样本容量的小样本监测信息进行测试,对比分析预测结果的准确性与稳定性.结果表明,边坡变形预测模型受既有监测信息的样本容量影响较大,样本容量的增加有利于边坡变形预测模型精度的提高.在既有监测信息较少的情况下,GM(1,1)模型预测精度虽然最高,但缺乏稳定性;单一BP神经网络模型的预测精度由于样本较少,其精度较差.从预测结果的稳定性和精度两个方面综合对比来看,灰色BP神经网络组合模型更适用于小样本监测信息情况下的露天矿边坡变形趋势的预测.
利用GM(1,1),BP神經網絡和灰色BP神經網絡組閤三種模型,分彆對不同樣本容量的小樣本鑑測信息進行測試,對比分析預測結果的準確性與穩定性.結果錶明,邊坡變形預測模型受既有鑑測信息的樣本容量影響較大,樣本容量的增加有利于邊坡變形預測模型精度的提高.在既有鑑測信息較少的情況下,GM(1,1)模型預測精度雖然最高,但缺乏穩定性;單一BP神經網絡模型的預測精度由于樣本較少,其精度較差.從預測結果的穩定性和精度兩箇方麵綜閤對比來看,灰色BP神經網絡組閤模型更適用于小樣本鑑測信息情況下的露天礦邊坡變形趨勢的預測.
이용GM(1,1),BP신경망락화회색BP신경망락조합삼충모형,분별대불동양본용량적소양본감측신식진행측시,대비분석예측결과적준학성여은정성.결과표명,변파변형예측모형수기유감측신식적양본용량영향교대,양본용량적증가유리우변파변형예측모형정도적제고.재기유감측신식교소적정황하,GM(1,1)모형예측정도수연최고,단결핍은정성;단일BP신경망락모형적예측정도유우양본교소,기정도교차.종예측결과적은정성화정도량개방면종합대비래간,회색BP신경망락조합모형경괄용우소양본감측신식정황하적로천광변파변형추세적예측.
