典型文献
基于IPSO-ELM模型的尾矿坝稳定性分析
文献摘要：
为了更准确地对尾矿坝稳定性进行预测,采用训练速度快、参数设置简单、准确度较高的极限学习机(ELM)模型,针对ELM模型在训练过程中随机产生的连接权值和隐含层阈值,导致泛化能力不足、模型稳定性差等问题,引入基于线性递减权重法改进的粒子群算法(IPSO)对其进行优化,提出了尾矿坝稳定性预测的改进粒子群优化极限学习机(IPSO-ELM)模型.将该模型运用到尾矿坝实例预测中,在选取的35组样本数据中,前30组作为训练样本,后5组作为测试样本,以内摩擦角、边坡角、尾矿坝材料重度、孔隙压力比、内聚力和边坡高度6个尾矿坝稳定性影响因素为输入参数,以尾矿坝稳定性安全系数为输出参数,将预测结果与ELM模型和PSO-ELM模型对比,结果表明,IPSO-ELM模型有较高的预测精度,预测值逼近于实际值,验证了IPSO-ELM模型在尾矿坝稳定性评价中的可靠性和有效性.
文献关键词：
尾矿坝;稳定性;粒子群算法;极限学习机;线性递减权重法
中图分类号：
作者姓名：
赵允坤;胡军;栾长庆;张瀚斗
作者机构：
辽宁科技大学土木工程学院,辽宁鞍山114051;鞍钢集团矿业弓长岭有限公司选矿分公司,辽宁辽阳111008;鞍钢集团有限公司东鞍山烧结厂,辽宁鞍山114041
文献出处：
引用格式：
[1]赵允坤;胡军;栾长庆;张瀚斗-.基于IPSO-ELM模型的尾矿坝稳定性分析)[J].中国矿业,2022(03):61-66
A类：
线性递减权重法
B类：
IPSO,ELM,尾矿坝稳定性,稳定性分析,训练速度,参数设置,训练过程,连接权值,隐含层,泛化能力,模型稳定性,改进的粒子群算法,稳定性预测,改进粒子群优化,粒子群优化极限学习机,训练样本,内摩擦角,边坡角,孔隙压力,内聚力,稳定性影响,输入参数,稳定性安全系数,输出参数,模型对比,逼近,稳定性评价,可靠性和有效性
AB值：
0.241578
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
