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...     

用Fisher判别法确定矿井突水水源

运用Fisher判别分析(FDA)理论,根据含水层的标型组分和涌水点水样的化学成分,针对简单的两类和复杂的多类突(涌)水水源识别,分别建立Fisher的线性判别函数模型和典则判别的函数模型,并对它们进行判别分析,将所建的矿井突(涌)水水源识别的Fisher判别模型应用于华北某矿井予以验证.研究结果表明:该模型利用回代估计法所得到的误判率小,并具有较强的判别能力.运用该模型进行判别分析,简易方便,分类效率高,对研究矿井突(涌)水水源的快速、有效判别意义明显;该模型适用性强,有广阔的应用前景.     

基于可拓模型判别矿井突水水源

快速准确判别矿井突水水源是解决矿井水害关键性问题之一,可以保证煤矿的财产与生命安全。通过利用主成分分析对突水水源评价指标进行处理分析,采用熵权法对突水水源评价指标赋权重,再结合可拓模型确定各验证样本的综合权重,最后根据最大隶属度原则对验证样本进行归类,从而建立突水水源判别模型。结果显示煤系水、太灰水及奥灰水判别结果正确率分别为83.33%、83.33%、66.67%,整体判别结果正确率为80%,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.     

Fisher方法在矿井突水水源判别中的应用

快速且准确地判定突水水源是有效预防矿井突水事故的关键工作之一。本文以淮北矿区海孜煤矿为例,选取6大常规离子作为突水水源识别的样本变量,运用Fisher判别分析法建立突水水源判别模型。并与Q型聚类分析法判别的结果进行比较。研究结果表明:Fisher判别模型能够有效地判别突水水源,比Q型聚类分析有更高的准确性,实现对突水水源快速有效的判别。     

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。     

Bayes逐步判别法在邢台煤矿突水水源判别中的应用

快速有效地判别突水水源是矿井安全生产的重要保障。文章以邢台煤矿为研究对象,选取各含水层多项水质指标,应用Bayes逐步判别法建立矿井突水水源快速判别模型。结果表明:Bayes逐步判别模型以其计算过程简单、模型结构稳定而优于其它模型,既提高判别准确率又提高判别速度,实现对突水水源快速有效判别,为防治水工作提供有力依据。     

基于Fisher判别法和质心距理论的突水水源识别

快速准确的判别矿井突水水源对煤矿安全开采而言是至关重要的。通过对张集矿水文地质资料的研究,并在此基础上根据不同含水层中水化学离子成分不同的特性,选用Ca~(2+)、Mg~(2+)、K~++Na~+、HCO~-_3、SO_4~(2-)、Cl~-六大常规离子,且增加pH和总溶解固体(total dissolved solids,TDS)共8个因素作为判别因子,基于Fisher判别法和质心距分析理论,利用SPSS软件,建立对张集矿突水水源判别的函数模型,并对随机抽取的8个水样进行判别分析。结果表明:因子分析对模型训练样本的建立具有一定的有效性;增加判别因子后,样本误判率降低,准确率从90.625%提高到96.875%;由于构造条件等因素的影响,待判水样存在一定的误差。因建立函数模型方法简单,且准确率较高,对突水水源类型的判别具有可行性。     

矿井突水水源的SVM识别方法

为解决在有限监测信息下,矿井突水水源识别中原始指标众多,识别矩阵呈现出的高维、稀疏性问题,采用相关性理论和支持向量机(SVM),提出了矿井突水水源识别方法.计算训练样本相关性及单指标误判个数.依据误判数对各指标进行重要性排序.构建指标组合并约简出测试正确率最高的指标组合,再利用构建的基于相关性理论的矿井突水水源SVM识别模型,实现高维小样本评价.结果表明:Ca~(2+),Mg~(2+),K~++Na~+彼此间相关性较高;K~++Na~+和CL~-,HCO_3~-和SO_4~(2-)相关性均较低;Ca~(2+)较重要,SO_4~(2-)和CL-较不重要;约简评价体系的冗余指标,可节约监测成本,且能够在有限监测信息下,保证识别正确率.     

基于遗传BP神经网络的矿井突水水源识别

为了快速有效识别矿井突水水源,消除矿井水害,综合考虑各种水化学离子在水源识别中的重要性,选择Na~++K~+、Ca~(2+)、Mg~(2+)、Cl~-、SO_4~(2-)、HCO_3~-等6种水化学离子作为识别因子,提出了一种基于遗传算法优化BP神经网络的矿井突水水源识别方法.在同样的训练样本和待测样本下,将该方法的识别效果与BP神经网络、距离判别法、Bayes判别法等方法的识别效果进行比较.仿真结果表明该方法收敛速度更快,识别精度更高.     

基于灰色支持向量机的矿山安全事故预测研究

为了提高矿山安全事故预测的可靠性,在灰色预测模型GM(1,1)和支持向量机SVM的基础上,提出了矿山安全事故次数的灰色支持向量机G-SVM的组合预测模型.首先采用GM(1,1)进行数据趋势预测,然后对于残差序列采用支持向量机预测进行捕获,最后将两种模型的结果进行融合,得到组合预测结果.结果表明,组合模型比单一的GM(1,1)模型和SVM模型具有更高的预测精度.     

通过PET-CT图像纹理特征预测软组织肉瘤转移性

提出了一种针对软组织肉瘤转移性预测的辅助诊断方法,该方法通过对患者的FDG-PET和CT诊断图像进行纹理特征分析,共提取了105个特征,其中包括灰度共生矩阵的24个特征和其他81个灰度等级的特征,分别利用支持向量机、K近邻和随机森林等机器学习算法建立预测模型,并采用网格搜索法对其参数进行优化.最后使用留一交叉验证法对各...     

基于SVM降雨充水矿井涌水量预测

为了准确预测降雨充水矿井涌水量,将SVM算法应用于降雨充水矿井涌水量预测,通过对SVM算法分析,确定了合适的核函数及其参数,提出了基于SVM算法的降雨充水矿井涌水量预测模型,并根据所选矿区自然地理情况,确定了预测输入因子和输出因子。通过MATLAB语言编程,结果显示:预测值与实际测量值具有较好的一致性,验证了矿井涌水预测模型是有效的。     

基于神经网络的多参数矿井火灾识别方法

针对矿井火灾早期预测预报研究了新的方法,将矿井火灾图像与温度、烟雾、CO、CO2、O2等多个参数相结合,进行综合分析,对矿井火灾进行判断。依据神经网络建立的数学模型,采用神经网络的学习算法,对矿井火灾进行识别。通过仿真分析结果表明,矿井火灾正确识别率很高,特别是采用RBF神经网络,正确识别率达到98%以上,从而为神经网络实际用于矿井火灾识别成为可能,该方对矿井火灾早期预测预报具有重要的理论意义和实用价值。     

GA-SVM和神经网络组合模型预测充填钻孔寿命

 充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,因此对矿山充填钻孔使用寿命进行预测十分重要。通过建立支持向量机（SVM）和BP神经网络组合预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为SVM适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型进行预测,并结合BP神经网络进行残差修正,最终得到预测结果。以某矿为例,通过GA得到SVM模型最优参数：适应值（均方误差mse）=0.0111,惩罚系数C=47.0768,核函数参数σ=2.2638。通过优化的SVM模型,对预测集充填钻孔寿命进行预测,经BP神经网络残差修正,预测结果的相对误差均控制在3%左右。对比单一预测模型,组合预测模型预测结果更加理想,精度更高,在类似的预测工程中有良好的推广价值。     

基于ELM新方法的LF终点温度软测量混合模型

针对LF精炼炉冶炼过程中物理化学反应过程及传热过程的复杂性,采用混合模型对钢水温度进行软测量,将传统的机理模型与ELM新方法相结合,利用ELM智能算法校正机理模型中难以准确获得的参数,再用机理模型进行预测.这种混合模型既克服了传统机理模型难以准确实现的不足也避免了"黑箱"模型过分依赖数据的缺陷.同时ELM新方法也克服了传统BP算法的不足,使预测精度得到了提高.仿真结果表明,此混合模型具有较好的预测结果,终点温度预测误差不大于±5℃的炉次大于90%.     

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。     

新型教与学优化算法及其在需水预测中的应用

针对教与学优化(teaching learning based optimization, TLBO)算法解决复杂优化问题易陷入局部最优且解的精度低的不足,提出一种高效的教与学优化算法(efficient TLBO, ETLBO)以提升标准TLBO的全局优化性能。在ETLBO中,通过双种群混洗策略将种群分成两组,通过老师单独对最差学生进行教学过程,加快算法快速收敛到全局最优。通过求解4个典型的数值函数,仿真结果验证了ETLBO算法的有效性。通过ETLBO算法优化选择极限学习机(extreme learning machine, ELM)模型参数,并构建ETLBO-ELM模型,将其应用于城市需水量预测中。仿真结果表明,ETLBO优化的ELM模型具有良好的预测精度和泛化能力。     

基于改进狼群算法-深度置信网络(IGWO-DBN)模型的旋风分离器压降预测

针对目前旋风分离器压降计算模型在准确性和实用性上的不足,为更好地指导旋风分离器的结构设计和性能优化,采用深度学习方法对其压降进行了预测。选取了影响压降的7个几何参数,采用深度学习中的深度置信网络（deep belief network,DBN）对旋风分离器压降数据进行预测,并利用改进的狼群算法（improved grey wolf optimizer,IGWO）对DBN模型的初始化权重和偏置参数进行寻优,构建IGWO-DBN组合模型,同时与几种传统计算模型和机器学习模型的预测结果进行对比。结果表明,IGWO-DBN模型在计算精度上优于Shepherd-Lapple模型、Casal模型等传统计算模型,并优于反向传播神经网络（back propagation neural network,BPNN）、支持向量机（support vector machine,SVM）、极限学习机（extreme learning machine,ELM）等机器学习模型,计算效率大幅提升,且具有较好的泛化性和鲁棒性,可用于旋风分离器压降参数的预测。     

露天煤矿边坡稳定性的随机森林预测模型

 边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。边坡稳定性预测是边坡防治工作的前提,针对煤矿边坡工程稳定性预测的复杂性,为了快速、有效地判别煤矿边坡稳定性,利用随机森林算法建立煤矿边坡稳定性预测模型。通过选取与煤矿边坡工程密切相关的岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6 个指标作为边坡稳定性的影响因素,即为随机森林预测模型的输入,边坡稳定性状态作为随机森林预测模型的输出,通过随机森林算法建立边坡稳定性影响因素与边坡稳定状态之间的非线性关系。利用煤矿实测30 组边坡稳定性数据作为随机森林预测模型的训练数据集,进行模型的学习训练;另用12 组边坡稳定性数据作为预测模型的测试数据,通过训练好的边坡稳定性预测模型进行测试;为了验证随机森林预测模型的准确率,同时与SVM 和BP 神经网络的测试数据进行比较。结果说明,选取煤矿边坡稳定性的6 个指标建立的随机森林预测模型,人工控制参数较少、结构简单、容易实现,且具有较高的准确度,边坡稳定状态预测结果与煤矿边坡工程实际状态相吻合,能有效预测边坡稳定性状态,指导煤矿边坡防治工作的开展。