极限学习机(Extreme Learning Machine,ELM)是一种新型的单隐层前馈神经网络(single-hidden layer feedforward networks,SLFNs),其网络输入权值和隐含层偏置随机产生,与传统的前馈神经网络相比具有训练速度快、泛化能力强、预测误差小等优点,其性能与支持向量机相近。目前,极限学习机已在多学科领域的分类与回归问题中得到广泛的研究和应用,但在变形监测数据预测与分析中的研究和应用相对较少。因此,本文研究将极限学习机用于工程体变形分析与预测,主要研究工作如下:1.对国内外极限学习机相关理论进行系统性研究,针对极限学习机在工程测量变形预测领域研究较少的现状,借鉴极限学习机在其他领域内的应用,确定本文的研究内容。2.将极限学习机与传统的神经网络(BP和支持向量机)进行实验对比分析,验证极限学习机具有运算速度快、泛化能力强、预测误差小的优点。同时,实验结果反映出极限学习机存在最佳隐含层节点难以确定、网络参数随机设定导致预测结果稳定性较差等不足。3.针对极限学习机存在的不足,研究增量ELM和剪枝ELM优化算法,寻找网络最佳隐含层节点,另外,研究遗传算法(Genetic Algorithm,GA)和粒子群优化算法(Particle Swarm Optimization,PSO),对ELM网络的输入权值和隐含层偏置进行优化,使预测模型稳定性增强。综合上述方法的优点,提出利用PSO算法优化增量ELM模型的输入权值和隐含层偏置,构建串联式PSO-IELM模型,并通过实例数据进行验证,结果表明:PSO-IELM模型可以有效确定隐含层节点和提高模型的稳定性,具有更好的准确性和可靠性。4.利用Pearson相关系数对隧道施工地表沉降变形的影响因素进行相关性分析,建立顾及施工工况、环境因素、时间效应和空间效应等影响因素的PSO-IELM模型。通过对工程实例数据中沉降速率进行预测,证明顾及影响因素的预测方法相比未顾及影响因素的预测方法具有更高的预测精度。