粒子群优化混合核极限学习机的构造煤厚度预测方法

摘要 在构造煤厚度的预测中，针对预测精度不高的问题，提出利用粒子群优化（PSO）算法优化极限学习机（ELM）的方法来对构造煤厚度进行预测。首先，利用主成分分析（PCA）对三维地震属性进行降维处理，在降低地震属性的维数的同时消除变量之间的相关性。然后，构建全局多项式核函数和局部高斯径向基核函数混合核极限学习机（HKELM）模型，并利用PSO算法优化HKELM的核参数。同时，针对PSO算法存在容易陷入局部最优的问题，在PSO算法中加入模拟退火的思想和随迭代次数减小的惯性权重，以及基于反向学习的变异操作，使PSO算法可以更容易跳出局部极小值点，得到更优结果。此外，为了增强模型的泛化能力，在核函数的基础上加入L2正则项，有效地避免了噪声和异常点对模型泛化性能的影响。最后，将预测模型应用到阳煤集团新景矿区芦南二采区中部15#煤层中，预测得到的采区构造煤厚度与实际地质资料具有较高的一致性。实验结果表明，利用改进PSO算法优化HKELM构建构造煤厚度预测模型的预测误差较小，可以推广用于实际采区的构造煤厚度预测