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。
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;
