矿井突水水源判别的FOA-LSSVM模型

发布时间：2021-08-30 01:34

　　为准确判别矿井突水水源,建立了一种FOA-LSSVM的矿井突水水源判别模型,利用果蝇算法（fruit fly optimization algorithm,FOA）对最小二乘支持向量机（least square support vector machines,LSSVM）的参数寻优。针对矿井突水这种非线性、小样本问题,综合考虑水化学特征,选取Na⁺+K⁺,Ca²⁺,Mg²⁺,CI^-,SO^2-₄,HCO^-₃六种离子的质量浓度作为矿井突水水源判别的主要依据。选取35组矿井数据作为训练数据对模型进行训练,另用4组矿井数据作为测试数据,用该模型进行预测。结合实例将该模型的性能与LSSVM模型和FOA-SVR模型的性能进行对比,结果表明:该模型在判别突水水源的精度上比LSSVM模型和FOA-SVR模型更高,具有一定的应用价值。 

【文章来源】：北京信息科技大学学报(自然科学版). 2020,35(03)

【文章页数】：5 页

【部分图文】：

FOA-LSSVM模型运行流程

FOA-LSSVM模型的适应度变化曲线

FOA-SVR模型的适应度变化曲线

【参考文献】：
期刊论文
[1]ACPSO-BP神经网络在矿井突水水源判别中的应用[J]. 徐星,李垣志,田坤云,张瑞林.  重庆大学学报. 2018(06)
[2]矿井突水水源识别的RS-LSSVM模型[J]. 邵良杉,李印超,徐波.  安全与环境学报. 2017(05)
[3]采用改进果蝇优化算法的最小二乘支持向量机参数优化方法[J]. 司刚全,李水旺,石建全,郭璋.  西安交通大学学报. 2017(06)
[4]矿井突水水源识别的QGA-LSSVM模型[J]. 温廷新,张波,邵良杉.  中国安全科学学报. 2014(07)
[5]基于改进的FOA-SVM导水裂隙带高度预测研究[J]. 张宏伟,朱志洁,霍丙杰,宋卫华.  中国安全科学学报. 2013(10)
[6]果蝇算法和5种群智能算法的寻优性能研究[J]. 吴小文,李擎.  火力与指挥控制. 2013(04)
[7]非线性方法在矿井突水水源判别中的应用研究[J]. 杨永国,黄福臣.  中国矿业大学学报. 2007(03)
[8]数量化理论在矿井突(涌)水水源判别中的应用[J]. 张许良,张子戌,彭苏萍.  中国矿业大学学报. 2003(03)



本文编号：3371790