柠条塔煤矿水化学特征及水源识别模型

为了快速准确区分矿井涌水的来源,以柠条塔煤矿为例,通过对萨拉乌苏组含水层、直罗组风化基岩含水层、烧变岩含水层以及采空区积水进行水质化验,分析了不同含水层的水化学特征,选取Na~++K~+,Ca~(2+),Mg~(2+),Cl~-,SO_4~(2-),HCO~-_3,TDS的浓度作为水源识别的判别指标;利用逐步回归分析(SR)筛选出HCO~-_3,TDS和Mg~(2+)这3个指标作为模型的判别因子,最大化的保留分类信息;运用最小二乘支持向量机算法对20组训练样本进行学习训练,以剩余8组数据作为验证样本,建立基于SR-LSSVM的矿井涌水水源识别模型,并将模型的实测结果与支持向量机、最小二乘支持向量机模型的结果进行对比。结果表明:利用SR-LSSVM模型预测的矿井涌水水源的准确率为100%,显著高于其他模型的预测结果,说明该方法可以对矿井涌水水源进行准确识别;将该模型应用到4个待测样本的识别预测中,判别结果与实际情况完全吻合。研究认为基于SR-LSSVM法的水源识别模型与水化学分析法相比能够有效排除干扰因素的影响,精确识别矿井涌水的类型,该方法为矿井水害防治提供一定的依据和参考。     

基于PCA-SVM算法在岩性识别中的应用

针对岩性识别中传统方法识别率低且信息冗余的问题,建立PCA-SVM(主成分分析与支持向量机组合)岩性识别模型,即先利用主成分分析(PCA)进行参数处理,整合冗余,降低维数,后将处理得到的主成分作为支持向量机(SVM)测量模型输入的分类方法。在此过程中,优化主成分分析和支持向量机的参数,使模型具有较高的训练精度。结果表明,与传统的基于主成分分析的判别分析方法相比,预测结果与实际结果相比具有较好的一致性,识别准确率达100%。     

矿井涌水水源的主成分分析和BP神经网络判别

为准确判别矿井涌水水源,针对矿井各主要含水层的水化学特征数据样本,利用主成分分析法消除变量中的重复信息,采用BP算法对网络进行训练,实现对随机挑选样本的判别,并与Bayes判别结果进行比较.结果表明：主成分分析与BP神经网络相结合的方法判别涌水水源的正确率为82.35％,优于Bayes判别法.该研究为有效开展矿井防治水工作提供了参考.     

基于KPCA-PSO-RBF-SVM的矿井突水水源识别模型

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~+、Mg~(2+)、Ga~(2+)、HCO_3~-、Cl~-、F~-、SO_4~(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.     

基于PCA与KPCA的基因数据的特征简约

采用支持向量机方法（ SVM）对上千维的基因表达数据分析时,算法的运行时间比较长。为了解决这种情况,本文采用了基于主成分分析的支持向量机（ PCA-SVM ）和基于核主成分分析的支持向量机（ KPCA-SVM ）两种算法对数据进行降维和分类,既可以整合基因数据的特征信息又可以缩短计算时间。本文比较了累计贡献率不同时两种算法的分类准确率,实验结果表明,PCA-SVM分类准确率与累计贡献率二者之间没有明确规律,KPCA-SVM分类准确率随累计贡献率的降低存在降低或者保持不变的趋势。     

矿井突水水源判别的改进ESN神经网络模型

针对水化学特征相似的水源类型,采用传统的预测模型难以准确判别。运用水化学成分分析法和FCM聚类分析法对26个典型的水源样本进行相似度分析,并提取了4个相似度较高的水源样本作为待测样本,将其载入一种基于阻尼最小二乘正则化方法的GA_ESN判别模型,并与改进的GA_BP和标准GA_ESN模型的判别结果进行对比。结果表明:改进的GA_BP判别模型效果最差,预测准确率只有50%;标准GA_ESN模型的回判准确率和预测准确率均达到100%,但其判别精度对模型的复杂程度要求较高,且易出现过拟合问题;而改进的GA_ESN判别模型能够弥补上述模型的不足,不仅简化模型训练过程,还能提高水源的判别精度。因此,该模型可作为一种快速有效判别矿井突水来源的新方法。     

KPCA-CS-SVM下的矿井突水水源判别模型

针对矿井水害的突水水源判别问题,采用KPCA方法对原始数据降维,通过布谷鸟搜索算法(CS)优化支持向量机(SVM)的惩罚因子C和核参数g,建立基于KPCA-CS-SVM的矿井突水水源判别模型,以淮南新庄孜矿各含水层共45个突水样本数据作为研究对象,选取7个主要影响因素作为突水水源的判别依据,对KPCA-CS-SVM水源...     

基于主成分分析和支持向量机分类模型的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确率,提出一种基于主成分分析(principal component analysis,PCA)和支持向量机(support Vector machine,SVM)模型的滚动轴承故障诊断方法.通过比较不同方法计算的标准差和拉依达准则对数据进行误差分析,利用MATLAB软件中的PCA函数对数据进行主成分分析,将8个原始变量降维成3个综合变量,分别从降维前和降维后的输入属性数据中随机选取70％的数据作为训练集来建立SVM分类模型和PCA-SVM分类模型,而把剩余的30％作为测试集来对模型的性能进行仿真测试.MATLAB仿真测试的结果表明,PCA-SVM模型的分类效果更好,其预测正确率对于绝大多数故障诊断来说是可以接受的,可以作为一种故障诊断的评价标准.     

计划生育新政策对深圳市人口数量的影响

本文利用主成分分析法(PCA)挖掘影响人口内部规律的4个主要因素并以此作为约束条件,利用支持向量机(SVM)算法建立PCA-SVM模型对深圳市未来人口数量进行预测,并讨论了计划生育新政策对其未来人口数量的影响。     

基于随机森林模型判别矿井涌(突)水水源

快速准确判别矿井涌(突)水水源对保障矿井安全生产有重要意义。近年来人类的活动对不同含水层的影响与日俱增,为提高矿井涌(突)水水源判别的准确性,提出选取地下水中7种常见离子浓度,和能够充分反映人类活动痕迹的硝酸根离子浓度及化学需氧量作为水化学判别指标,采用随机森林模型进行矿井涌(突)水水源判别。为验证选取指标和判别方法的有效性,以大孤山铁矿为例,将数据输入随机森林模型进行100次交叉验证,并将验证结果与支持向量机模型和极限学习机模型进行比较。结果表明,随机森林模型预测结果稳定性较强,预测正确率不容易波动;随机森林在建模过程中参数拥有宽广的适应范围。树的棵数为50时,训练误差趋于稳定,改变树的棵数对预测结果没有实际影响,而其余二者对参数选取较为敏感;随机森林的参数可以通过袋外数据(OOB)错误率简单地得到,而其余二者参数调整时需要通过交叉验证的方式才可以取得;随机森林对训练样本进行验证,正确率可达100%,对测试样本进行验证,正确率可达97.38%,两项精度均优于支持向量机与极限学习机;随机森林模型拥有更高的预测精度和鲁棒性,在矿井涌(突)水水源判定方面有较好的应用前景。     

基于水化学特征分析的矿井突水水源判别

为了能够准确并快速地判别煤矿突水水源位置,采用基于水化学特征的判别分析法,对矿井突水水源进行综合评判。即利用突水点的水化学分析指标离子的检测值与以往收集的各个主要含水层的水化学指标离子本底值,通过利用判别分析方法,建立各含水层的判别模型,再将突水点的水样离子浓度带入判别模型,判定突水水源。判别分析结果表明,采用这种方法判别突水水源,,判别精度较高、方法简单易操作、节省时间。     

基于不同判别准则的硬岩矿柱状态识别模型

基于162个硬岩矿柱样本,构建不同判别准则下矿柱状态识别的Fisher判别分析(FDA)模型、距离判别分析(DDA)模型和Bayes判别分析(BDA)模型,进而与多元逻辑回归(MLR)、极限学习机(ELM)、最小二乘支持向量机(LS-SVM)、支持向量机(SVM)、高斯过程分类(GPC)、分类回归树(CART)、神经网络(ANN)共7种常用的统计学习方法进行比较,同时探讨主成分分析(PCA)方法提高识别准确率的可行性,并对矿柱状态影响因子进行敏感性分析。研究结果表明:这10种统计学习方法中,GPC的准确率最高,FDA的准确率次之,然后是MLR,CART的准确率最低;对于3种判别分析方法,FDA的准确率最高,DDA与BDA的准确率几乎相当;增加判别指标,DDA和BDA的判别准确率显著降低,其他方法对判别指标增减不敏感;对某些方法,原始数据经PCA处理后不能提高其判别准确率;矿柱状态对矿柱应力最敏感,其次是矿岩单轴抗压强度,其对矿柱宽高比的敏感性较低。     

基于价值投资的PCA-SVM股票选择模型研究

为了顺应股市价值回归趋势和引导理性投资,在价值投资理论指导下,采用PCA-SVM方法建立了基于价值投资的股票选择模型.根据股票的价值特征集,采用主成分分析方法实现对股票价值特征的提取.采用多组不同的训练样本对支持向量机进行训练,并对训练成功的支持向量机进行样本内和样本外测试.利用该股票选择模型对上证180指数的成分股票进行识别.结果证明PCA-SVM股票选择模型具有良好的选股能力.     

基于超球面支持向量机的综合传动状态判别

以油液光谱分析数据为基础,建立了基于超球面支持向量机的综合传动状态判别模型。利用主成分分析法,对油液光谱分析数据进行预处理,并进行主成分提取的研究分析。研究了参数的变化和异常样本对模型性能的影响。实验研究表明,基于超球面支持向量机的状态判别模型准确可行,能实现综合传动的状态判别。     

许疃矿32块段出水水源Fisher识别分析

鉴于许疃矿32块段3222切眼持续突水,为了快速有效地判别出该矿出水点的水源类型,为该矿防治水措施的制定提供科学依据,通过利用所收集的许疃矿32块段不同含水层常规水化学数据和与其具有相同水质单元的任楼矿部分水化学数据,依据各含水层地下水化学组分情况,最终选取了7种能够区分各含水层类型的水化学指标,并借助SPSS软件建立了许疃矿突水水源的Fisher识别模型。训练水样的判别结果经回估后发现,该模型在许疃矿水源类型的判别中正确率高,表明此模型在许疃矿水源判别中效率较好,可作为许疃矿矿井突水时快速判别水源类型的一种依据,对该煤矿日后安全生产具有一定的实际意义。最后对许疃矿出水点待判水样进行科学判别,判别结果为:所有待判水样均为砂岩水。另外,论文中许疃矿水源判别模型建立时未考虑各含水层混合后的情况,因此该模型还可作进一步研究。     

基于水化学特征分析的象山矿井突水水源判别

为能够快速的、准确的识别矿井突水水源,减少煤矿人员伤亡和经济损失,以象山煤矿为例,应用Piper三线图法对井田内3组基岩含水层(奥陶系灰岩含水层、石炭系砂岩/灰岩含水层、二叠系砂岩裂隙含水层)中水质类型进行划分,采用水质分析对比和系统聚类分析相结合的方法,通过对井田内3组基岩含水层中28个水样进行的分析,获得了不同基岩含水层水的化学特征,根据水化学特征,将突水点处的待定水样和3组基岩含水层中的水样对比来判别矿井突水水源,同时提出了利用模糊聚类方法进一步确定矿井突水水源。研究结果表明,石炭系砂岩(灰岩)水和奥陶系岩溶水的水化学特征都与待定水样比较相似,不能轻易识别;聚类分析法能够排除干扰因素并最终精确判别矿井突水水源,即象山煤矿280排矸石门突水的水源为奥灰岩溶水,预测结果与实际相符,表明该方法针对矿井突水的水源判别具有较好的准确性。     

基于SVM分类算法的选股研究

采用稳健的改进主成分分析与支持向量机(PCA-SVM)算法进行特征提取,分析中国股票市场的股票选择问题,并采用中国沪、深A股市场中上市公司数据验证该方法的有效性.结果表明,运用PCA-SVM算法得到的组合回报率超过了市场基准.     

皖北矿区地下水稀土元素地球化学特征研究

矿井突水是煤矿开采中经常遇到的地质灾害,严重威胁着煤矿的安全生产。为了快速判别突水水源,利用皖北宿(县)—临(涣)矿区生产矿井地面水位长期观测孔、井下放水孔以及井下出水点等处分别取新生界第四含水层、煤系砂岩裂隙含水层、石炭系太原组岩溶含水层及奥陶系岩溶含水层的42个稀土元素水样。采用现代统计学中的因子分析方法对矿区稀土元素的水文地球化学特征进行研究。提取了两个特征值大于1的公因子,两个因子的累计方差贡献率达到了93.055%,能够较全面的解释宿-临矿区大部分含水层的水化学信息;建立了用稀土元素作为分析变量判别突水含水层水源的Bayes模型,判别率高达93%,判别结果与因子分析结果相符。研究成果为煤矿开采中的突水水源判别提供了新的科学依据。     

基于支持向量机的烟叶不同部位6种化学成分差异性分析

基于143个烟叶样品的6种化学成分(莨菪亭、芸香苷、苹果酸、柠檬酸、果糖、蔗糖)建立中部和上部烟叶的支持向量机分类判别模型,并利用该模型对独立的36个烟叶样品进行预报。结果表明,基于烟叶中6种化学成分建立的中部和上部烟叶的支持向量机分类模型的建模、留一法和预报准确率分别为89.51%、85.31%和83.33%。进一步考察了143个烟叶样品在主成分分析投影图中的空间分布及中部和上部烟叶的主要化学成分差异性,得出6种化学成分中蔗糖、莨菪亭和芸香苷是影响中部和上部烟叶差异的主要成分。研究结果表明,改变上部烟叶中的蔗糖、莨菪亭和芸香苷含量,可以扩大其在实际生产中的应用范围。     

基于支持向量回归机的气象观测站优化模型

在保证足够信息量的前提下,针对合理减少气象观测站的实际问题,首先利用主成分分析(PCA) 降低样本数据的维数,其次利用支持向量回归机(SVR)对样本进行有效的回归,然后结合优化软件lingo对凸二次规划问题(与支持向量回归机相对应)进行求解,最终得出基于主成分分析-支持向量机回归预测优化模型。