基于主成分分析和支持向量机的矿井水源判别

针对传统支持向量机法判别矿井水源准确率较低的问题,选取7种水化学成分指标作为矿井水源判别的指标,采用主成分分析(PCA)和支持向量机(SVM)相结合的方法建立PCA-SVM矿井水源判别模型。以山东盛泉矿业有限公司矿井太原组灰岩含水层和奥灰含水层的水化学特征中的27个样本进行训练和检验,并与传统的支持向量机模型结果进行比较,利用PCASVM模型对矿井水源进行判别,分类准确率由66.67%提高到83.40%。研究结果表明,利用PCA-SVM矿井水源判别模型能有效消除判别指标间的相关影响,判别率较高,引进主成分分析算法是必要的。     

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.     

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。     

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LS-SVM的边坡稳定性预测研究

针对边坡工程稳定性估计的复杂性,将最小二乘支持向量机引入到边坡稳定性估计的研究中,分别建立了边坡安全系数预测的最小二乘支持向量机模型和边坡稳定状态预测的最小二乘支持向量机模型,以实例数据为学习样本和测试样本,讨论了基于最小二乘支持向量机的边坡稳定性分析方法及其可行性．该方法具有一定的工程参考和实用价值．     

煤矿采空区积水水源的识别研究

为了能够准确判别采空区积水水源,以陕西黄陵二号煤矿为例,在各含水层水质分析的基础上,运用模糊综合评判法和水化学特征分析法准确判别出采空区积水的水源。研究认为,在每个含水层采集了3个水样,共计18个,并对各含水层水样的K~+、Na~+、Ca~(2+)、Mg~(2+)、Cl~-、SO_4~(2-)、HCO~-_3、CO_3~(2-)、Fe~(3+)、Fe~(2+)各种阴阳离子进行了水质分析化验,在此基础上,选取各水样阴阳例子浓度指标作为分类因素进行模糊综合评判,依据最大隶属度原则来确定积水水源,其结果为采空区积水来自侏罗系延安组含水层。对各含水层水样进行水化学特征分析,并绘制水化学背景Piper三线图和水源判别Piper三线图,发现采空区积水水源以侏罗系直罗组和延安组含水层为主。再者,顶板导水裂隙带是采空区充水的主要途径,导水裂隙带绝大部分在延安组发育,少数区段发育至直罗组底部。立足模糊综合评判法和水化学特征分析法,结合导水裂隙带发育高度,得出采空区积水主要水源是侏罗系延安组含水层,次要水源是侏罗系直罗组含水层底部。     

基于相空间重构和支持向量机的小麦条锈病预测方法

小麦条锈病预测对小麦灾害的预防和控制具有十分重要的意义.本文使用相空间重构和最小二乘支持向量机相结合的方法对成都市小麦条锈病发病率进行预测.实验中使用成都地区的气象数据作为模型的输入参数,发病率作为模型的输出参数,对20例发病病例样本进行预测,得到了比较好的预测效果.实验中还与简单最小二乘支持向量机预测结果作了对比,结果表明,相空间重构和最小二乘支持向量机结合的模型预测准确率明显高于简单最小二乘支持向量机,因此本模型对小麦条锈病预测是十分有效的.     

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。     

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.     

最小二乘支持向量机鲁棒回归算法研究

最小二乘支持向量机因模型学习过程中以二次损失函数为经验风险,造成学习结果对噪声特别敏感。鉴于实际问题中噪声不可避免、不可预测,且分布规律难寻,该文主要研究最小二乘支持向量机的鲁棒性增强算法,以提高其抵抗噪声与异常值的能力。通过分析得知,样本的局部异常因子与噪声大小间具有很大的相关性,因此提出了用于非线性回归问题的局部异常因子概念;并将其应用于最小二乘支持向量机模型学习时最优损失函数的确定中,提出了基于样本局部异常因子的直接加权最小二乘支持向量机鲁棒回归算法。为验证所提出算法的性能,该文最后以2个典型非线性对象为例,将其与原最小二乘支持向量机、文献中已有的基于预估噪声分布的加权最小二乘支持向量机进行了对比。对比结果表明,所提出的直接加权最小二乘支持向量机算法具有更好的鲁棒性。     

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。     

煤矿地下水化学特征分析及涌水水源判别模型建立

在煤矿的开采过程中,矿井水害是常见的煤矿地质灾害之一,准确掌握地下水化学特征对指导煤矿防治水工作具有重要的实际意义。基于袁店二井煤矿各含水层水质化验资料(离子含量、pH值和矿化度),绘制出各含水层的Piper三线图、Durov图,得出了各含水层的水质类型以及各水化学参数的变化规律。对各离子进行谱系聚类分析,明确了各离子的来源。在上述研究基础上,建立了相应的涌水水源判别模型。研究结果表明:袁店二井煤矿地下水阴离子主要为HCO_3~-和Cl~-,阳离子主要为K~++Na~+,水化学类型以HCO_3~-·Cl--Na~++K~+型为主;其离子主要来源于可溶的钠钾盐以及难溶的碳酸盐岩。比对建立的水源判别模型,对1022工作面集中风巷处水样进行判别,得出1022工作面集中风巷涌水水源为煤系砂岩水。通过此项研究,为以后的矿井防治水工作提供一定的指导作用。     

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...     

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。     

基于自适应最小二乘支持向量机的预测函数控制

提出一种基于最小二乘支持向量机在线建模的自适应函数预测控制算法.该方法提出一种新样本与模型节点的相似性计算方法,结合预测误差与过程先验知识给出控制模型节点的加入准则,使其自适应调整模型的复杂度,保证模型系数的稀疏性,有效地提高建模的精度和速度;给出增加节点和删除最早节点时最小二乘支持向量机模型更新的在线递推形式;基于局部在线最小二乘支持向量机的线性化模型,给出了自适应预测函数控制算法.以pH中和控制作为仿真实例,结果表明该算法的有效性.     

哈姆林甜橙叶片锰锌缺乏症状的高光谱识别

柑橘树锰、锌等缺乏问题普遍存在,但其症状有时不易识别,不利于对这些微量元素丰缺与否的诊断和有针对性的矫治．采用高光谱成像技术,研究了哈姆林甜橙叶片不同程度缺锰、缺锌症状的光谱响应特征及差异,对Fisher线性判别分析和最小二乘支持向量机两种识别模型的识别精度进行了比对分析．结果表明,利用高光谱原始全光谱反射率,结合最小二乘支持向量机建立叶片缺锰、缺锌症状识别模型,其建模集识别精度达91.88％,预测集识别率可以达到90.00％;利用连续投影算法筛选的40个特征波长,建立最小二乘支持向量机判别模型,其建模集识别精度为90.00％,预测集识别精度也达82.50％．表明基于高光谱成像技术对柑橘树缺锰、缺锌的准确识别是可行的,为高光谱成像技术应用于柑橘树缺素症的快速无损识别奠定了基础．     

爆破振动对边坡稳定性影响的FA-IGA-LSSVM模型

为对矿山开采爆破过程中边坡的稳定性进行预测,将因子分析、免疫算法及最小二乘支持向量机相结合,共提取爆破振幅、主频率、主频率持续时间、岩石重度、粘聚力、边坡角、边坡高度7个影响指标.通过因子分析对样本数据进行降维,提取出一个公共因子.利用实际测量的29组样本数据对模型进行训练,构建基于因子分析和IGA-LSSVM的边坡稳定性预测模型;采用回代估计法对模型进行检验,误判率为3/29.使用其他5组样本检验模型的泛化能力,同时与基本最小二乘支持向量机进行对比,结果表明:所得模型的预测精度高于基本最小二乘支持向量机,预测结果的误判率为0.     

基于UGM-ULSSVM的导弹制导控制系统状态预测方法

针对基于特征参数的导弹制导控制系统状态预测存在的状态数据不等间隔、小样本的问题,并考虑各性能特征参数间的相互影响、相互关联的关系,提出了一种基于非等间距灰色联合最小二乘支持向量机(UGM-ULSSVM)的退化状态预测方法.在UGM-ULSSVM模型的训练阶段,根据特征参数序列建立其非等间距灰色预测模型(UGM(1,1)),将UGM(1,1)的拟合值作为输入,原始数据序列作为输出,分别训练得到时间型最小二乘支持向量机(TLSSVM)与空间型最小二乘支持向量机(SLSSVM);在模型的预测阶段,由建立的UGM(1,1)模型和通过证据理论融合TLSSVM和SLSSVM建立的ULSSVM模型组合得到UGM-ULSSVM状态预测模型.以导弹制导控制系统为例,实现了关键参数预测,结果验证了方法的合理性与有效性.