第４３卷第３期２０２３年３月大地测量与地球动力学ＪｏｕｒｎａｌｏｆＧｅｏｄｅｓｙａｎｄＧｅｏｄｙｎａｍｉｃｓＶｏｌ．４３Ｎｏ．３Ｍａｒ．，２０２３收稿日期：２０２２－０６－０２第一作者简介：原喜屯，教授，主要研究方向为大地测量学与测量工程，Ｅ－ｍａｉｌ：１１０５２３１６０２＠ｑｑ．ｃｏｍ。通讯作者：温永啸，硕士生，主要研究方向为矿区开采沉陷与控制，Ｅ－ｍａｉｌ：１８２９５４９９５３８＠１６３．ｃｏｍ。ＤＯＩ：１０．１４０７５／ｊ．ｊｇｇ．２０２３．０３．００３文章编号：１６７１－５９４２（２０２３）０３－０２３２－０７多模型融合的矿区地表沉降预测方法及适用性原喜屯１温永啸１陈芯宇１１西安科技大学测绘科学与技术学院，西安市雁塔中路５８号，７１００５４摘要：为消除ＢＰ神经网络模型对矿区地表沉降预测精度有限且不够稳定的问题，以某矿区为例，选定弹性模量、泊松比、内聚力等９种影响矿区地表沉降的因素和最大下沉值作为初始样本数据，使用卡尔曼滤波（ＫＦ）优化ＢＰ神经网络，再将构建的ＫＦ－ＢＰ模型视作自适应增强（ＡｄａＢｏｏｓｔ）算法中的弱预测器，通过最终权重分布将各弱预测器加权组合成强预测器。运用ＭＡＴＬＡＢ建立ＢＰ神经网络模型、ＫＦ－ＢＰ模型、ＡｄａＢｏｏｓｔ－ＢＰ模型和ＡｄａＢｏｏｓｔ－ＫＦ－ＢＰ模型分别对矿区实际沉降监测数据进行训练和预测，结果表明，ＡｄａＢｏｏｓｔ－ＫＦ－ＢＰ模型的稳定性最高，其精度相较于其他模型有明显提升。关键词：矿区地表沉降；ＢＰ神经网络；卡尔曼滤波；ＡｄａＢｏｏｓｔ算法；采深中图分类号：Ｐ２５８文献标识码：Ａ矿区开采引起的地表沉降易受多种因素影响，地表形变在时间域上通常呈现非线性特征，传统的线性模型难以描述、预测其复杂的动态变化过程。ＢＰ神经网络具有非常强大的非线性映射能力，可以进行自我学习和训练，对输入的多个影响要素进行非线性分析［１］，更合理、科学地得到多个因素共同作用导致的预测结果。但ＢＰ神经网络要求训练样本质量较好，且其泛化能力不高，易陷入局部极小值［２］。鉴于卡尔曼滤波（ＫＦ）有较好的信息处理能力，本文将其与ＢＰ神经网络进行融合，构建ＫＦ－ＢＰ模型，并进一步融合Ａｄａ－Ｂｏｏｓｔ算法，根据加权组合的方式提出ＡｄａＢｏｏｓｔ－ＫＦ－ＢＰ强预测器模型。最后，通过ＭＡＴＬＡＢ软件分别计算ＢＰ神经网络模型、ＫＦ－ＢＰ模型、Ａｄａ－Ｂｏｏｓｔ－ＢＰ...
