基于AdaBoost PSO ELM算法的滑坡位移预测研究

论文介绍了黄茨滑坡地质概况的基础上，简要介绍了滑坡预测预报理论与方法，既而引入基于位移信息的vednd毗灰色模型和日本斋藤的蠕变模型两种方法对黄茨滑坡进行了预测预报系统分析。

为提高煤层底板突水预测的效率与准确率，提出基于PSO_SVM_AdaBoost的煤层底板突水预测模型。在总结相关算法理论基础上，设计PSO_SVM_AdaBoost算法流程。为验证模型的可行性及有效性

中国是一个滑坡灾害极为频繁的国家，三峡库区更是滑坡灾害的多发区和重灾区，GPS地表位移监测是滑坡稳定性监测的重要手段。以三峡库区树坪滑坡为例，先利用自回归移动平均模型（ARIMA）对树坪滑坡GPS监测

利用极限核学习机预测，有数据，可以直接运行，在此基础上根据自己的数据直接修改，拟合效果好，可以在此基础上进行进一步粒子群优化，提高模型的适应度值

针对经典智能算法用于滑坡位移预测时存在的网络结构参数选取复杂、易陷入局部极小等缺陷,提出了基于改进极限学习机ELM(Extreme Learning Machine)的滑坡位移预测模型。在滑坡变形位移

通过对上海洋山深水港口的船舶流量的调研以及对船舶交通流量影响因素的分析,建立支持向量机预测模型。同时为了解决支持向量机预测模型的参数选择问题,引入了粒子群优化算法进行参数优化,建立较优的PSO-SVM

在实时的交通路况中,路径规划的核心问题是快速而有效地找到从起点到达终点的最优路线。将PSO算法应用到的路径规划中来,针对实时变化的交通路况,在适应度函数中引入惩罚项来实现静态和动态下的路径规划,并通过

在无线传感器网络中,节点所在环境复杂多变导致其通信链路质量的不可靠,若能提前感知链路质量信息,则能很大程度上降低网络中节点的额外能量消耗。在分析现有链路质量预测方法的基础上,提出基于AdaBoost的

针对当前主流的基于网络拓扑结构的链路预测算法普遍存在召回率较低的问题,研究发现一些算法输出的结果中部分正确结果具有互补性,据此采用基于Boosting的集成学习方法对其进行改进。按照网络中节点之间是否

基于广义回归神经网络的Bootstrap滑坡位移区间预测

极限学习机（ELM）模型可以通过PSO算法进行优化，以提高其数据预测精度。ELM模型在构建时，只需确定隐层神经元个数和激活函数，而初始权重和偏置项则可随机产生。PSO算法可以帮助寻找最优的初始化参数，

针对开采沉陷量与多影响因素复杂非线性关系问题，研究者提出了一种基于粒子群算法优化BP神经网络的Adaboost强预测模型（Adaboost-PSO-BP模型）。该模型通过结合Adaboost算法与粒子

为提高矿山边坡地表变形预测模型的精度，研究者从矿山边坡地表变形影响因素的角度出发，建立了基于粒子群优化(PSO)极限学习机(ELM)的预测模型。该模型结合了经典的粒子群优化算法和极限学习机方法，提出了

为了更加准确有效地预测瓦斯涌出量，提出采用主成分分析结合粒子群算法、极限学习机的瓦斯涌出量预测方法。极限学习机中隐含层节点数量及激活函数的类型由粒子群算法进行组合优化。这种方法在诸如基于粒子群优化的极

挺有意思，了如何通过引入多种优化算法来提升极限学习机（ELM）的回归预测性能。你知道，ELM 本身训练速度快，但隐层参数随机初始化的影响还是蛮大的。文章里了像粒子群优化（PSO）、麻雀搜索（SSA）、