金属矿山

作者：陈竹安,熊鑫,危小建

单位：1. 东华理工大学测绘工程学院，江西 南昌330013；2. 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 南昌330013；3. 江西省数字国土重点实验室，江西 南昌 330013

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

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）。

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％、3.050 2％、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。

来源：2019年第05期

《金属矿山》期刊编辑部

查看金属矿山杂志2019年第05期