利用卡尔曼滤波综合算法构建开采沉陷预测模型

论文摘要

为提高矿区地表沉陷预测精度,提出了基于自回归综合移动平均模型(Autoregressive Integrated Moving Average,ARIMA)的卡尔曼滤波模型与Elman神经网络相结合的综合预测模型。首先,针对沉陷监测序列的非平稳性与复杂性特点,ARIMA模型能够将原始数列平稳化,构建地表下沉预测模型,并作为卡尔曼滤波的状态方程;然后将Elman神经网络的沉陷预测结果作为观测值引入卡尔曼滤波观测方程中,建立综合预测模型;最后针对噪声方差Q与R选取的问题,统计出ARIMA模型与Elman神经网络模型的误差特性,从而计算出噪声Q与R的取值。分别将综合预测模型与BP神经网络模型、Elman神经网络模型以及卡尔曼滤波模型进行了预测精度对比,4种模型预测值与实测值的均方根误差分别为2.06、5.857 8、2.926 9、3.688 9 mm,相对误差分别为1.170 4%、3.0502%、1.432 6%、1.908 4%,绝对误差平均值分别为1.886 7、10.703 9、2.329 4、2.807 6 mm。研究表明:综合预测模型能够有效减小单一预测机制造成的同一性质误差累积,其预测精度明显优于其余3种模型,对于大幅提升矿区地表沉陷的预测精度有一定的参考价值。

论文目录

• 1 基于卡尔曼滤波的综合预测方法
•   1.1 卡尔曼滤波的基本方程
•   1.2 卡尔曼滤波状态方程和观测方程建立
•     1.2.1 ARIMA基本原理
•     1.2.2 基于ARIMA的卡尔曼滤波状态方程和观测方程
• 2 开采沉陷预测
• 3 结语

文章来源

类型: 期刊论文

作者: 陈竹安,熊鑫,危小建

关键词: 开采沉陷,卡尔曼滤波,自回归综合移动平均模型,神经网络,综合预测模型

来源: 金属矿山 2019年05期

年度: 2019

分类: 工程科技Ⅰ辑

专业: 矿业工程

单位: 东华理工大学测绘工程学院,流域生态与地理环境监测国家测绘地理信息局重点实验室,江西省数字国土重点实验室

基金: 国家自然科学基金项目(编号:51708098),江西省教育厅课题(编号:GJJ160537),江西省自然科学基金项目(编号:20171BAA218018),东华理工大学江西省数字国土重点实验室开放研究基金项目(编号:DLLJ201814)

分类号: TD327

DOI: 10.19614/j.cnki.jsks.201905021

页码: 132-136

总页数: 5

文件大小: 1645K

下载量: 136