值重构相空间的动力学行为等价，即获得了所有状态变量演变的全部信息，从而可获得下时刻的预测值，同时嵌入维数可以通过算法获得。残差序列的取。残差序列混沌特平均相对中误差均方根误差和最大误差绝对值为指标，对神经网络模型神经网络模型和融合混沌残差的模型进行精度评价。其中网络的输入为活跃期前个次样条插值下沉数据，输出为活跃期输入值下个次样条插值的下沉数据，隐含层的节点个数是，网络的拓扑关于融合混沌残差的模型的研究地质灾害论文判别法。关联维数为分数则说明该系统的动力行为可能具有混沌特征，只要相空间重构的维数足够大，就能描述出系统的混沌吸引子，表示出传统方法无法展示的系统运动规律。但是在实际测算中也可能出现关联维没有饱和的情况，其原因有两种可能不够大，所以应继续增大该序列没有无特征尺度区。工程实例工程应用以淮南顾北煤矿工作面的最理论是混沌序列的基础，可用坐标延迟法对混沌序列进行相空间重构。对于残差序列，可以重构个维的相空间⋯Κ⋯Κ⋯Κ⋯Κ⋮⋮⋯⋯Κ式中，为嵌入维数，为坐标延迟时间，为相点个数，为相点，。运用算法可以获取混沌序列的关联维，而如果嵌然后对这些相关点进行拟合，再估计轨迹下点的走向，最后从预测出的轨迹点的坐标中分离出所需要的预测值，其原理即寻找历史上情况最相似之处。对于状态空间中重构的状态矢量，假设中心点为是邻近点的个数到的距离是，其中的最小值是，的权值表示为从表可以看出，在最大下沉点的稳定期多步预测时，种模型的预测精度均很高，其中神经网络模型最差，神经网络模型和融合混沌残差的模型结果精度相差不大，再次说明混沌序列只适合短期预测，由于没有顾及下沉数据的新鲜度，所以精度只是略有提高。表最大下沉点的稳定期多步预测精度比较最大下模型拟合下沉值残差的嵌入维和相关维表最大下沉点的活跃期多步预测精度比较最大下沉点稳定期的预测用种模型进行最大观测点稳定期的预测，同样用上节中个指标进行精度评价。其中网络的输入为稳定期前个插值的下沉数据，输出为下个次样条插值的下沉数据，隐含层的节点个数是，网络的拓扑结构是，预测后个次样条插值的下沉值。重复计算次后，尤其在单步预测上有显著的提高。关键词强预测器神经网络单步预测地表下沉预测地质灾害残差混沌序列构建地表下沉预测模型是矿山开采的难点，但对于由开采沉陷引发的地质环境灾害的防治具有重要意义。目前，针对沉降预测的方法有模糊神经网络灰色模型支持向量机径向基神经网络组合预报模型多核相关向量机，时间序列分析和智能算预测精度均很高，原因在于稳定期下沉值变化相比于活跃期不是很大。其中神经网络模型和神经网络模型精度差不多，融合混沌残差的模型效果最好，具有明显的优势。关于融合混沌残差的模型的研究地质灾害论文。摘要为提高地下开采引起地表下沉预测结果的精度，提出融序列只适合短期预测，由于没有顾及下沉数据的新鲜度，所以精度只是略有提高。表最大下沉点的稳定期多步预测精度比较最大下沉点的稳定期多步预测残差如表所示。表模型拟合下沉值残差的嵌入维和相关维表最大下沉点的活跃期多步预测精度比较最大下沉点稳定期的预测用种模型进行最大观测点稳定期的关于融合混沌残差的模型的研究地质灾害论文下沉平均值的模型精度比较如表所示。表最大下沉点的稳定期单步预测精度比较从表可以看出，在最大下沉点的稳定期单步预测时，种模型的预测精度均很高，原因在于稳定期下沉值变化相比于活跃期不是很大。其中神经网络模型和神经网络模型精度差不多，融合混沌残差的模型效果最好，具有明显的优针对上述问题，在寻找全局最优解方面有定的优势。因为地下开采引起的地表下沉具有显著的混沌特性和非线性特性，本文针对没有考虑残差而导致精度降低并且不稳定的问题，运用混沌理论对下沉残差序列进行分析和预测，提出种新的融合混沌残差的预测模型。表其中的最小值是，的权值表示为式中，为参数，般取。阶加权的拟合表达式为式中，是拟合系数是通过预测的值。通过加权最小乘求取拟合系数，其表达式为优化的神经网络等。但利用上述方法进行建模时，模糊神经网络的隶属函数带有定的主观性，灰色模型精度较低，支持向量机的核函数的参数较难确定，径向基神经网络容易陷入局部最优解结果不稳定，组合预报模型权系数难以确定，多核相关向量机的核函数难以选择，时间序列分析精度较低，智能算法优化神经网络时间较长迭代次数不易确定混沌残差的强预测器的地表下沉预测模型。以顾北矿实测值为例，分别用融合混沌残差的模型神经网络模型和模型对最大下沉值点进行稳定期和活跃期的单步预测和多步预测，结果表明，融合混沌残差的模型无论是在单步预测还是在多步预测上的精度均最测，同样用上节中个指标进行精度评价。其中网络的输入为稳定期前个插值的下沉数据，输出为下个次样条插值的下沉数据，隐含层的节点个数是，网络的拓扑结构是，预测后个次样条插值的下沉值。重复计算次后，下沉平均值的模型精度比较如表所示。表最大下沉点的稳定期单步预测精度比较从表可以看出，在最大下沉点的稳定期单步预测时，种模型求解出的值，代入式即可求出混沌序列的预测值。关于融合混沌残差的模型的研究地质灾害论文。从表可以看出，在最大下沉点的稳定期多步预测时，种模型的预测精度均很高，其中神经网络模型最差，神经网络模型和融合混沌残差的模型结果精度相差不大，再次说明混关于融合混沌残差的模型的研究地质灾害论文局域法是将相空间轨迹的最后点作为中心点，把离中心点最近的若干轨迹点作为相关点，然后对这些相关点进行拟合，再估计轨迹下点的走向，最后从预测出的轨迹点的坐标中分离出所需要的预测值，其原理即寻找历史上情况最相似之处。对于状态空间中重构的状态矢量，假设中心点为是邻近点的个数到的距离是的识别常见判断残差序列混沌特性的方法有最大指数法和关联维分数判别法，下面主要介绍关联维分数判别法。关联维数为分数则说明该系统的动力行为可能具有混沌特征，只要相空间重构的维数足够大，就能描述出系统的混沌吸引子，表示出传统方法无法展示的系统运动规律。但是在实际测算中也可能出现关联维没有饱和的情况，其构是，预测最后个次样条插值。重复计算次后，下沉平均值的模型精度比较如表所示。残差序列的相空间重构相空间重构理论是混沌序列的基础，可用坐标延迟法对混沌序列进行相空间重构。对于残差序列，可以重构个维的相空间⋯Κ⋯Κ⋯Κ⋯Κ⋮⋮⋯⋯Κ式中，为嵌入下沉点为研究对象，经过数据预处理，以下沉速度，将下沉点的下沉进程分为开始期活跃期和稳定期。开始期和活跃期以为个次样条插值，稳定期以为个次样条插值，最终得到开始期的天数是，活跃期的天数是，稳定期的天数是。获得的最大下沉点的图像如图所示。图最大下沉点下沉图最大下沉点活跃期的预测以最大相对中误维数，则系统原始状态变量构成的相空间和维观测值重构相空间的动力学行为等价，即获得了所有状态变量演变的全部信息，从而可获得下时刻的预测值，同时嵌入维数可以通过算法获得。残差序列的取。残差序列混沌特性的识别常见判断残差序列混沌特性的方法有最大指数法和关联维分数判别法，下面主要介绍关联维分式中，为参数，般取。阶加权的拟合表达式为式中，是拟合系数是通过预测的值。通过加权最小乘求取拟合系数，其表达式为求解出的值，代入式即可求出混沌序列的预测值。残差序列的相空间重构相空间重下沉点的稳定期多步预测残差如表所示。阶加权局域预测法常用的混沌时间序列的预测方法有零阶局域预测法加权零阶局域预测法阶局域预测法加权阶局域预测法全局预测方法和最大指数法等，下面主要介绍阶加权局域预测法。局域法是将相空间轨迹的最后点作为中心点，把离中心点最近的若干轨迹点作为相关点