简介概要

基于MIV-PSO-SVM模型的矿井突水水源识别

来源期刊:煤炭科学技术2018年第8期

论文作者:邵良杉 李相辰

文章页码:183 - 190

关键词:矿井突水;水源识别;平均影响值;粒子群优化支持向量机;

摘    要:为减少及防治矿井突水事故的发生,迅速、准确地判别突水水源,提出一种基于MIV(Mean Impact Value)混合粒子群优化支持向量机PSO-SVM的识别水源算法,以更有效地消除地下水源指标间的信息重叠,筛选出更好的指标体系,从而进一步提高水源识别准确率。首先,利用包含全体特征变量的水样本训练PSO-SVM网络,其次将样本分别加减一定比例构成新样本输入已训练好的网络,根据识别结果获取各影响因子的平均影响值MIV。再按照优先选取高权重变量的原则,依次剔除低权重变量,通过判断均方根误差确立最优指标体系,反馈至PSO-SVM中进行训练与预测。选取新庄孜矿实测样本进行50次试验,并与传统PSO-SVM等其他模型比较,结果表明:MIV-PSO-SVM模型可以更科学、客观地考量特征变量对预测结果的权重影响,构建更为合理的指标体系。模型预测平均准确率为94.667%,均方根误差为0.196 3,平均绝对误差百分率为3.413%,与其他模型相比,预测平均准确率明显提高,均方根误差和平均绝对误差百分率明显降低。

详情信息展示

基于MIV-PSO-SVM模型的矿井突水水源识别

邵良杉,李相辰

辽宁工程技术大学系统工程研究所

摘 要:为减少及防治矿井突水事故的发生,迅速、准确地判别突水水源,提出一种基于MIV(Mean Impact Value)混合粒子群优化支持向量机PSO-SVM的识别水源算法,以更有效地消除地下水源指标间的信息重叠,筛选出更好的指标体系,从而进一步提高水源识别准确率。首先,利用包含全体特征变量的水样本训练PSO-SVM网络,其次将样本分别加减一定比例构成新样本输入已训练好的网络,根据识别结果获取各影响因子的平均影响值MIV。再按照优先选取高权重变量的原则,依次剔除低权重变量,通过判断均方根误差确立最优指标体系,反馈至PSO-SVM中进行训练与预测。选取新庄孜矿实测样本进行50次试验,并与传统PSO-SVM等其他模型比较,结果表明:MIV-PSO-SVM模型可以更科学、客观地考量特征变量对预测结果的权重影响,构建更为合理的指标体系。模型预测平均准确率为94.667%,均方根误差为0.196 3,平均绝对误差百分率为3.413%,与其他模型相比,预测平均准确率明显提高,均方根误差和平均绝对误差百分率明显降低。

关键词:矿井突水;水源识别;平均影响值;粒子群优化支持向量机;

<上一页 1 下一页 >

有色金属在线官网  |   会议  |   在线投稿  |   购买纸书  |   科技图书馆

中南大学出版社 技术支持 版权声明   电话:0731-88830515 88830516   传真:0731-88710482   Email:administrator@cnnmol.com

互联网出版许可证:(署)网出证(京)字第342号   京ICP备17050991号-6      京公网安备11010802042557号