基于IPSO-Powell优化SVM的煤与瓦斯突出预测算法
发布时间：2021-06-18 11:58
针对基于支持向量机（SVM）的煤与瓦斯突出预测算法存在预测精度和可靠性不高,选择核函数时未考虑非线性数据的分类,对非线性分布的煤与瓦斯突出影响因素提取效果较差的问题,提出了一种将改进的粒子群（IPSO）算法与Powell算法相结合（IPSO-Powell）优化SVM的煤与瓦斯突出预测算法.首先通过灰色关联分析提取出煤与瓦斯突出主控因素,即瓦斯放散初速度、瓦斯压力、开采深度、瓦斯含量和煤体破坏类型,作为算法的输入样本;然后运用IPSO算法改善粒子群算法（PSO）的早熟收敛性,结合Powell算法进行局部搜索得到最优解,对SVM算法的惩罚系数和高斯核函数参数进行寻优,得到SVM的最优参数组合;最后将煤与瓦斯突出的主控因素输入到SVM中进行分类,并将其与实际测试集分类结果进行对比,实现煤与瓦斯突出预测.仿真结果表明:与SVM算法、GA-SVM算法、PSO-SVM算法相比,利用IPSO-Powell优化SVM算法进行煤与瓦斯突出预测,具有更高的预测精度,同时提高了SVM求解过程的运算效率,能同时满足煤与瓦斯突出预测的精度和可靠性要求,准确率达到95.9%.
【文章来源】：工矿自动化. 2020,46(04)北大核心
【文章页数】：8 页
【部分图文】：
IPSO-Powell优化
鲅?驹げ獠馐约?掷嘟峁??3，实际测试集分类结果为2，其余47个预测结果正确，准确率为95．9%．(a)算法参数和预测准确率关系(b)预测结果图6IPSO-Powell优化SVM算法仿真结果Fig．6SimulationresultsofIPSO-PowelloptimizedSVMalgorithm(2)利用PSO-SVM算法进行仿真，结果如图7所示．当最优参数组合中C=0．35355，σ=0．5时，49个样本中有6个样本预测测试集分类结果为2，实际测试集分类结果为1，其余43个预测结果正确，准确率为87．8%．(a)算法参数和预测准确率关系(b)预测结果图7PSO-SVM算法仿真结果Fig．7SimulationresultsofPSO-SVMalgorithm(3)利用GA-SVM算法进行仿真，结果如图8所示．当最优参数组合中C=0．5，σ=1时，49个样本中有7个样本预测测试集分类结果为2，实际测试集分类结果为1，有2个样本预测测试集分类结果2020年第4期吴雅琴等:基于IPSO-Powell优化SVM的煤与瓦斯突出预测算法·15·
结果为1，其余39个预测结果正确，准确率为95．1%．从图5可看出，第4组20个样本中，有1个样本预测测试集分类结果为2，实际测试集分类结果为1，其余19个预测结果正确，准确率为95%．4组预测结果准确率均超过95%．上述结果表明:选取不同比例的训练样本与预测样本对预测结果影响较小，准确率相差1%左右，基本符合算法预期效果．图2第1组测试样本的预测结果Fig．2Predictionresultsofthefirstsettestsamples图3第2组测试样本的预测结果Fig．3Predictionresultsofthesecondsettestsamples图4第3组测试样本的预测结果Fig．4Predictionresultsofthethirdsettestsamples图5第4组测试样本的预测结果Fig．5Predictionresultsofthefourthsettestsamples2．3煤与瓦斯突出预测步骤(1)将运用灰色关联分析提取的煤与瓦斯突出主控因素(瓦斯放散初速度、瓦斯压力、开采深度、瓦斯含量和煤体破坏类型)作为算法的输入样本．(2)利用IPSO-Powell优化SVM算法中的惩罚系数C和核函数参数σ，利用最优参数组合(C，σ)建立的SVM算法进行仿真实验．(3)利用流行的UCI数据库中的Wine数据集·05·工矿自动化第46卷
【参考文献】：
期刊论文
[1]基于LLE-FOA-BP模型的煤与瓦斯突出强度预测[J]. 隆能增,袁梅,敖选俊,李鑫灵,张平. 工矿自动化. 2019(10)
[2]基于双耦合算法的煤与瓦斯突出预测模型[J]. 付华,丰胜成,高振彪,杨玉岗. 中国安全科学学报. 2018(03)
[3]煤与瓦斯突出能量条件及突出强度影响因素分析[J]. 王刚,武猛猛,程卫民,陈金华,杜文州. 岩土力学. 2015(10)
[4]煤与瓦斯突出预测的QGA-LSSVM模型[J]. 温廷新,孙红娟,张波,邵良杉,孔祥博. 中国安全生产科学技术. 2015(05)
[5]基于支持向量分类机的煤与瓦斯突出危险性预测[J]. 周爱桃,王凯,杜锋,韦彩平. 煤炭技术. 2015(04)
[6]模糊支持向量机在煤与瓦斯突出预测中的研究[J]. 杨力,耿纪超,汪克亮. 中国安全生产科学技术. 2014(04)
[7]基于褶皱构造的突出主控因素研究[J]. 解振,孙矩正,张子敏,闫江伟,王蔚. 安全与环境学报. 2013(05)
[8]基于RS-SVM模型的煤与瓦斯突出多因素风险评价[J]. 刘俊娥,曾凡雷,郭章林. 中国安全科学学报. 2011(07)
[9]支持向量机法在煤与瓦斯突出分析中的应用研究[J]. 孙玉峰,李中才. 中国安全科学学报. 2010(01)
博士论文
[1]鹤壁八矿煤与瓦斯突出危险性预测研究[D]. 杨恒.辽宁工程技术大学 2010
硕士论文
[1]基于支持向量机的电力变压器故障诊断与预测研究[D]. 易超人.武汉理工大学 2018
[2]煤与瓦斯突出IGSA-SVM预测模型及其应用[D]. 李杰.太原理工大学 2016
[3]基于PCA的PSO-DE混合算法优化BP神经网络在煤与瓦斯突出预测中的应用研究[D]. 任少伟.太原理工大学 2015
[4]基于神经网络和粒子群优化SVM的煤与瓦斯突出预测模型研究[D]. 朱政江.太原理工大学 2014
[5]遗传算法与神经网络相结合在煤与瓦斯突出危险预测中的应用研究[D]. 陈全秋.太原理工大学 2010
本文编号：3236620
【文章来源】：工矿自动化. 2020,46(04)北大核心
【文章页数】：8 页
【部分图文】：
IPSO-Powell优化
鲅?驹げ獠馐约?掷嘟峁??3，实际测试集分类结果为2，其余47个预测结果正确，准确率为95．9%．(a)算法参数和预测准确率关系(b)预测结果图6IPSO-Powell优化SVM算法仿真结果Fig．6SimulationresultsofIPSO-PowelloptimizedSVMalgorithm(2)利用PSO-SVM算法进行仿真，结果如图7所示．当最优参数组合中C=0．35355，σ=0．5时，49个样本中有6个样本预测测试集分类结果为2，实际测试集分类结果为1，其余43个预测结果正确，准确率为87．8%．(a)算法参数和预测准确率关系(b)预测结果图7PSO-SVM算法仿真结果Fig．7SimulationresultsofPSO-SVMalgorithm(3)利用GA-SVM算法进行仿真，结果如图8所示．当最优参数组合中C=0．5，σ=1时，49个样本中有7个样本预测测试集分类结果为2，实际测试集分类结果为1，有2个样本预测测试集分类结果2020年第4期吴雅琴等:基于IPSO-Powell优化SVM的煤与瓦斯突出预测算法·15·
结果为1，其余39个预测结果正确，准确率为95．1%．从图5可看出，第4组20个样本中，有1个样本预测测试集分类结果为2，实际测试集分类结果为1，其余19个预测结果正确，准确率为95%．4组预测结果准确率均超过95%．上述结果表明:选取不同比例的训练样本与预测样本对预测结果影响较小，准确率相差1%左右，基本符合算法预期效果．图2第1组测试样本的预测结果Fig．2Predictionresultsofthefirstsettestsamples图3第2组测试样本的预测结果Fig．3Predictionresultsofthesecondsettestsamples图4第3组测试样本的预测结果Fig．4Predictionresultsofthethirdsettestsamples图5第4组测试样本的预测结果Fig．5Predictionresultsofthefourthsettestsamples2．3煤与瓦斯突出预测步骤(1)将运用灰色关联分析提取的煤与瓦斯突出主控因素(瓦斯放散初速度、瓦斯压力、开采深度、瓦斯含量和煤体破坏类型)作为算法的输入样本．(2)利用IPSO-Powell优化SVM算法中的惩罚系数C和核函数参数σ，利用最优参数组合(C，σ)建立的SVM算法进行仿真实验．(3)利用流行的UCI数据库中的Wine数据集·05·工矿自动化第46卷
【参考文献】：
期刊论文
[1]基于LLE-FOA-BP模型的煤与瓦斯突出强度预测[J]. 隆能增,袁梅,敖选俊,李鑫灵,张平. 工矿自动化. 2019(10)
[2]基于双耦合算法的煤与瓦斯突出预测模型[J]. 付华,丰胜成,高振彪,杨玉岗. 中国安全科学学报. 2018(03)
[3]煤与瓦斯突出能量条件及突出强度影响因素分析[J]. 王刚,武猛猛,程卫民,陈金华,杜文州. 岩土力学. 2015(10)
[4]煤与瓦斯突出预测的QGA-LSSVM模型[J]. 温廷新,孙红娟,张波,邵良杉,孔祥博. 中国安全生产科学技术. 2015(05)
[5]基于支持向量分类机的煤与瓦斯突出危险性预测[J]. 周爱桃,王凯,杜锋,韦彩平. 煤炭技术. 2015(04)
[6]模糊支持向量机在煤与瓦斯突出预测中的研究[J]. 杨力,耿纪超,汪克亮. 中国安全生产科学技术. 2014(04)
[7]基于褶皱构造的突出主控因素研究[J]. 解振,孙矩正,张子敏,闫江伟,王蔚. 安全与环境学报. 2013(05)
[8]基于RS-SVM模型的煤与瓦斯突出多因素风险评价[J]. 刘俊娥,曾凡雷,郭章林. 中国安全科学学报. 2011(07)
[9]支持向量机法在煤与瓦斯突出分析中的应用研究[J]. 孙玉峰,李中才. 中国安全科学学报. 2010(01)
博士论文
[1]鹤壁八矿煤与瓦斯突出危险性预测研究[D]. 杨恒.辽宁工程技术大学 2010
硕士论文
[1]基于支持向量机的电力变压器故障诊断与预测研究[D]. 易超人.武汉理工大学 2018
[2]煤与瓦斯突出IGSA-SVM预测模型及其应用[D]. 李杰.太原理工大学 2016
[3]基于PCA的PSO-DE混合算法优化BP神经网络在煤与瓦斯突出预测中的应用研究[D]. 任少伟.太原理工大学 2015
[4]基于神经网络和粒子群优化SVM的煤与瓦斯突出预测模型研究[D]. 朱政江.太原理工大学 2014
[5]遗传算法与神经网络相结合在煤与瓦斯突出危险预测中的应用研究[D]. 陈全秋.太原理工大学 2010
本文编号：3236620
本文链接：https://www.wllwen.com/kejilunwen/anquangongcheng/3236620.html
