煤炭开采势必会给矿区周围的土地资源和生态环境带来影响,而生态环境的破坏也将会制约煤炭的开采和利用。为了合理、科学的进行开采并减少沉陷的损害,准确的地表移动变形预计成为解决上述问题的关键,因而如何选取准确的预计参数显得至关重要,也成为本文研究的课题。对于预计参数求取方法的研究,大量学者不仅对参数与地质采矿因素的本质关系进行剖析,通常还建立相应的参数预计模型。但这些模型往往更适用于学者选定的矿区,并不能进行有效的推广。针对现有预计参数方法的局限性,本文将采用机器学习算法搭建“先模糊聚类、再参数预计”的概率积分法参数预计模型,具体研究思路如下:（1）对影响概率积分参数的地质采矿因素进行简要介绍后,使用主成分分析法（Principal Component Analysis,PCA）对收集的地质采矿因素进行降维,旨在过滤原始数据中的冗余信息,减少对模糊聚类和参数预计结果的影响。（2）为探究相似地质采矿条件与概率积分法参数之间的变化规律,对岩移观测站进行模糊聚类。将模拟退火算法（Simulated Annealing,SA）结合遗传算法（Genetic Algorithm,GA）对模糊 C 均值聚类法（Fuzzy C-means Clustering,FCM）进行改进,构成SAGA-FCM聚类算法。将降维后的数据输入构建的SAGA-FCM算法中,获取聚类中心和隶属度矩阵。（3）根据聚类后的隶属度矩阵对观测站进行分类,获取三类岩移观测站。为探究分类和未分类数据对参数预计精度产生的影响,将两组数据选取相同的测试集,使用BP神经网络、支持向量机（Support Vector Machines,SVM）和广义回归神经网络（Generalized Regression Neural Network,GRNN）进行精度验证,获取概率积分参数的预计结果。结果分析主要包含两个方面:分类和未分类数据下预计结果对比分析、三种机器学习模型的预计结果对比分析。使用分类后的数据进行参数预计能较大幅度的降低波动范围和提高预测精度。在未分类数据下,三种机器学习模型的预测精度进行对比,实验结果显示GRNN的预测精度最高;在分类数据下,三种机器学习模型的预测精度进行对比,实验结果显示GRNN的预测精度同样最高。先使用SAGA-FCM聚类、再使用GRNN预计的参数预计模型具有可行性、稳定性和准确性,其中下沉系数q、水平移动系数b、主要影响角正切tanβ、拐点偏移距s/H预测的平均相对误差均小于5%。这也为开采矿区的地表移动变形预计、灾害预警和合理开采提供了理论支撑和依据。图[21]表[20]参[82]