基于核主成分分析与SVM的岩爆烈度组合预测模型

发布时间：2021-09-09 12:55

　　为了更好地预测岩土工程中的岩爆烈度,建立了基于多类型核函数的主成分分析方法与遗传算法或粒子群优化算法（GA/PSO）优化的支持向量机（SVM）相结合的组合预测模型。选取围岩最大切向应力σ_θ、岩石单轴抗拉强度σ_t、岩石单轴抗压强度σ_c、应力集中系数SCF、脆性指数B₁和B₂以及弹性应变能指数Wet共7个指标构成岩爆预测指标体系。基于统计的246个国内外岩爆实例数据,分别运用主成分分析和基于线性核函数、RBF核函数以及MLP核函数的主成分分析对数据进行预处理,得到2～4个线性无关的主成分。再将降维后的数据输入GA/PSO优化的SVM模型进行训练和预测。经测试,基于RBF核函数的主成分分析方法与PSO-SVM相结合的模型预测准确率达到了92.3%,为最佳组合模型,为岩土工程中的岩爆烈度预测提供了一种可靠的方法。 

【文章来源】：黄金科学技术. 2020,28(04)CSCD

【文章页数】：10 页

【部分图文】：

岩爆烈度组合预测模型运行流程图

使用标准化处理后的246组岩爆数据作主成分分析以及基于3种不同核函数（KPCA1、KPCA2和KPCA3分别代表线性核、RBF核和MLP核）的主成分分析，按照前文所述步骤，通过MATLAB R2019a实现计算。RBF核和MLP核中最优核参数选择第一主成分贡献率大时的参数。以高斯核为例，图3为核参数对第一主成分贡献率的影响关系图，可以得到当σ>890时，高斯核主成分分析的第一主成分的贡献率增量很小，稳定在约0.586。故选取σ=890作为最优核参数。当核参数最佳时得到核主成分分析中各主成分累积贡献率随特征向量变化关系如图4所示。根据核主成分分析方法实际应用经验，一般选取累积贡献率为85%～95%的核主成分，且原始特征向量的主要信息集中在贡献率较大的核主成分。根据累积贡献率选取4种方法的主成分个数，结果如表4所示。然后对岩爆样本数据进行非线性特征提取，计算主成分荷载和主成分得分，图5为最终降维的可视化结果。

累积贡献率对比

【参考文献】：
期刊论文
[1]基于PCA-PNN原理的岩爆烈度分级预测方法[J]. 吴顺川,张晨曦,成子桥.  煤炭学报. 2019(09)
[2]岩爆等级预测的PCA-OPF模型[J]. 赵国彦,刘雷磊,王剑波,刘焕新,赵杰,范壮.  矿冶工程. 2019(04)
[3]深部硬岩矿山岩爆的动静组合加载力学机制与动力判据[J]. 李夕兵,宫凤强,王少锋,李地元,陶明,周健,黄麟淇,马春德,杜坤,冯帆.  岩石力学与工程学报. 2019(04)
[4]基于粒子群算法的支持向量机的参数优化[J]. 陈晋音,熊晖,郑海斌.  计算机科学. 2018(06)
[5]基于模型可靠性检查的QGA-SVM岩爆倾向性分类研究[J]. 邱道宏,李术才,张乐文,苏茂鑫,谢富东.  应用基础与工程科学学报. 2015(05)
[6]基于粒子群算法和广义回归神经网络的岩爆预测[J]. 贾义鹏,吕庆,尚岳全.  岩石力学与工程学报. 2013(02)
[7]基于蚁群聚类算法的岩爆预测研究[J]. 高玮.  岩土工程学报. 2010(06)
[8]岩爆发生和烈度分级预测的距离判别方法及应用[J]. 宫凤强,李夕兵.  岩石力学与工程学报. 2007(05)
[9]岩爆分类的支持向量机方法[J]. 赵洪波.  岩土力学. 2005(04)
[10]岩爆危险性预测的神经网络模型及应用研究[J]. 白明洲,王连俊,许兆义.  中国安全科学学报. 2002(04)



本文编号：3392132