基于KPCA-PSO-RBF-SVM的矿井突水水源识别模型

发布时间：2021-08-07 14:42

　　为对矿井突水水源进行识别以减少矿井突水事故的发生,提出了粒子群（PSO）结合RBF核参数优化的SVM模型,并使用核主成分分析法（KPCA）对选取水源特征指标进行高效降维.根据水源离子敏感性选取了8种水化学指标(K⁺、Na⁺、Mg²⁺、Ga²⁺、HCO₃^-、Cl^-、F^-、SO₄^2-)作为突水水源识别特征参数.使用基于最大方差关联度准则的核参数选择方法并结合粒子群算法构造参数优化算法,使用参数优选后的支持向量机模型对90组突水水源识别训练数据进行模型训练,用其余32组数据进行测试,模型实测效果与Logistic模型、PCA-Fisher模型以及PSO-SVM模型进行对比,结果表明:采用径向基核函数优化的支持向量机模型能够选取较优参数,模型实测平均准确率为93.75%,误差明显低于其他模型,证明了该模型能精准且高效地识别矿井突水水源. 

【文章来源】：辽宁工程技术大学学报(自然科学版). 2020,39(01)北大核心

【文章页数】：6 页

【部分图文】：

优化流程

解释度累计占比

使用权值矩阵对原始数据进行降维变换，变换后得到了4维特征（V1,V2,V3,V4）的样本数据集，提取的主成分信息见表3，将4种类别样本集依照4个特征指标绘制分布直方图见图3，从图中可知约简出的4种特征对于4类突水含水层的区分效果较好，例如V3和V4特征常出现在第四系含水层，使用约简后的特征指标可以加快模型的运行效率，防止误判现象发生.3.2 突水水源预测

【参考文献】：
期刊论文
[1]基于KPCA-FDA方法的矿井突水水源判别研究[J]. 成荣秋,吴燕清.  煤炭技术. 2018(11)
[2]有机-无机联合矿井突水水源判别方法[J]. 杨建,刘基,靳德武,王强民.  煤炭学报. 2018(10)
[3]基于MIV-PSO-SVM模型的矿井突水水源识别[J]. 邵良杉,李相辰.  煤炭科学技术. 2018(08)
[4]矿井突水水源识别的GA-SVM方法研究[J]. 张帝,孟磊,董飞,刘晓文,邵强.  煤炭技术. 2018(04)
[5]基于PSOBP-AdaBoost模型的瓦斯涌出量分源预测研究[J]. 温廷新,孙雪,孔祥博,田洪斌.  中国安全科学学报. 2016(05)
[6]矿井突水水源Logistic识别及混合模型[J]. 冯亚娟,崔宁,王丹.  辽宁工程技术大学学报(自然科学版). 2015(11)
[7]模糊综合评判法的改进及在水源判别中的应用[J]. 李凤莲,冯琳,张雪英,王子中.  太原理工大学学报. 2015(04)
[8]RBF-SVM的核参数选择方法及其在故障诊断中的应用[J]. 周绍磊,廖剑,史贤俊.  电子测量与仪器学报. 2014(03)
[9]水化学综合识别模式在矿井水源判别中的应用[J]. 连会青,刘德民,尹尚先.  煤炭工程. 2012(08)
[10]基于主成分分析与Fisher判别分析法的矿井突水水源识别方法[J]. 鲁金涛,李夕兵,宫凤强,王希然,柳皎.  中国安全科学学报. 2012(07)



本文编号：3327986