針對基于支持向量機(jī)（SVM）的煤與瓦斯突出預(yù)測算法存在預(yù)測精度和可靠性不高,選擇核函數(shù)時未考慮非線性數(shù)據(jù)的分類,對非線性分布的煤與瓦斯突出影響因素提取效果較差的問題,提出了一種將改進(jìn)的粒子群（IPSO）算法與Powell算法相結(jié)合（IPSO-Powell）優(yōu)化SVM的煤與瓦斯突出預(yù)測算法.首先通過灰色關(guān)聯(lián)分析提取出煤與瓦斯突出主控因素,即瓦斯放散初速度、瓦斯壓力、開采深度、瓦斯含量和煤體破壞類型,作為算法的輸入樣本;然后運(yùn)用IPSO算法改善粒子群算法（PSO）的早熟收斂性,結(jié)合Powell算法進(jìn)行局部搜索得到最優(yōu)解,對SVM算法的懲罰系數(shù)和高斯核函數(shù)參數(shù)進(jìn)行尋優(yōu),得到SVM的最優(yōu)參數(shù)組合;最后將煤與瓦斯突出的主控因素輸入到SVM中進(jìn)行分類,并將其與實(shí)際測試集分類結(jié)果進(jìn)行對比,實(shí)現(xiàn)煤與瓦斯突出預(yù)測.仿真結(jié)果表明:與SVM算法、GA-SVM算法、PSO-SVM算法相比,利用IPSO-Powell優(yōu)化SVM算法進(jìn)行煤與瓦斯突出預(yù)測,具有更高的預(yù)測精度,同時提高了SVM求解過程的運(yùn)算效率,能同時滿足煤與瓦斯突出預(yù)測的精度和可靠性要求,準(zhǔn)確率達(dá)到95.9%. 

【文章來源】：工礦自動化. 2020,46(04)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

IPSO-Powell優(yōu)化

鲅?駒げ獠饈約?擲嘟峁??3，實(shí)際測試集分類結(jié)果為2，其余47個預(yù)測結(jié)果正確，準(zhǔn)確率為95．9%．(a)算法參數(shù)和預(yù)測準(zhǔn)確率關(guān)系(b)預(yù)測結(jié)果圖6IPSO-Powell優(yōu)化SVM算法仿真結(jié)果Fig．6SimulationresultsofIPSO-PowelloptimizedSVMalgorithm(2)利用PSO-SVM算法進(jìn)行仿真，結(jié)果如圖7所示．當(dāng)最優(yōu)參數(shù)組合中C=0．35355，σ=0．5時，49個樣本中有6個樣本預(yù)測測試集分類結(jié)果為2，實(shí)際測試集分類結(jié)果為1，其余43個預(yù)測結(jié)果正確，準(zhǔn)確率為87．8%．(a)算法參數(shù)和預(yù)測準(zhǔn)確率關(guān)系(b)預(yù)測結(jié)果圖7PSO-SVM算法仿真結(jié)果Fig．7SimulationresultsofPSO-SVMalgorithm(3)利用GA-SVM算法進(jìn)行仿真，結(jié)果如圖8所示．當(dāng)最優(yōu)參數(shù)組合中C=0．5，σ=1時，49個樣本中有7個樣本預(yù)測測試集分類結(jié)果為2，實(shí)際測試集分類結(jié)果為1，有2個樣本預(yù)測測試集分類結(jié)果2020年第4期吳雅琴等:基于IPSO-Powell優(yōu)化SVM的煤與瓦斯突出預(yù)測算法·15·

結(jié)果為1，其余39個預(yù)測結(jié)果正確，準(zhǔn)確率為95．1%．從圖5可看出，第4組20個樣本中，有1個樣本預(yù)測測試集分類結(jié)果為2，實(shí)際測試集分類結(jié)果為1，其余19個預(yù)測結(jié)果正確，準(zhǔn)確率為95%．4組預(yù)測結(jié)果準(zhǔn)確率均超過95%．上述結(jié)果表明:選取不同比例的訓(xùn)練樣本與預(yù)測樣本對預(yù)測結(jié)果影響較小，準(zhǔn)確率相差1%左右，基本符合算法預(yù)期效果．圖2第1組測試樣本的預(yù)測結(jié)果Fig．2Predictionresultsofthefirstsettestsamples圖3第2組測試樣本的預(yù)測結(jié)果Fig．3Predictionresultsofthesecondsettestsamples圖4第3組測試樣本的預(yù)測結(jié)果Fig．4Predictionresultsofthethirdsettestsamples圖5第4組測試樣本的預(yù)測結(jié)果Fig．5Predictionresultsofthefourthsettestsamples2．3煤與瓦斯突出預(yù)測步驟(1)將運(yùn)用灰色關(guān)聯(lián)分析提取的煤與瓦斯突出主控因素(瓦斯放散初速度、瓦斯壓力、開采深度、瓦斯含量和煤體破壞類型)作為算法的輸入樣本．(2)利用IPSO-Powell優(yōu)化SVM算法中的懲罰系數(shù)C和核函數(shù)參數(shù)σ，利用最優(yōu)參數(shù)組合(C，σ)建立的SVM算法進(jìn)行仿真實(shí)驗(yàn)．(3)利用流行的UCI數(shù)據(jù)庫中的Wine數(shù)據(jù)集·05·工礦自動化第46卷

【參考文獻(xiàn)】：
期刊論文
[1]基于LLE-FOA-BP模型的煤與瓦斯突出強(qiáng)度預(yù)測[J]. 隆能增,袁梅,敖選俊,李鑫靈,張平.  工礦自動化. 2019(10)
[2]基于雙耦合算法的煤與瓦斯突出預(yù)測模型[J]. 付華,豐勝成,高振彪,楊玉崗.  中國安全科學(xué)學(xué)報. 2018(03)
[3]煤與瓦斯突出能量條件及突出強(qiáng)度影響因素分析[J]. 王剛,武猛猛,程衛(wèi)民,陳金華,杜文州.  巖土力學(xué). 2015(10)
[4]煤與瓦斯突出預(yù)測的QGA-LSSVM模型[J]. 溫廷新,孫紅娟,張波,邵良杉,孔祥博.  中國安全生產(chǎn)科學(xué)技術(shù). 2015(05)
[5]基于支持向量分類機(jī)的煤與瓦斯突出危險性預(yù)測[J]. 周愛桃,王凱,杜鋒,韋彩平.  煤炭技術(shù). 2015(04)
[6]模糊支持向量機(jī)在煤與瓦斯突出預(yù)測中的研究[J]. 楊力,耿紀(jì)超,汪克亮.  中國安全生產(chǎn)科學(xué)技術(shù). 2014(04)
[7]基于褶皺構(gòu)造的突出主控因素研究[J]. 解振,孫矩正,張子敏,閆江偉,王蔚.  安全與環(huán)境學(xué)報. 2013(05)
[8]基于RS-SVM模型的煤與瓦斯突出多因素風(fēng)險評價[J]. 劉俊娥,曾凡雷,郭章林.  中國安全科學(xué)學(xué)報. 2011(07)
[9]支持向量機(jī)法在煤與瓦斯突出分析中的應(yīng)用研究[J]. 孫玉峰,李中才.  中國安全科學(xué)學(xué)報. 2010(01)

博士論文
[1]鶴壁八礦煤與瓦斯突出危險性預(yù)測研究[D]. 楊恒.遼寧工程技術(shù)大學(xué) 2010

碩士論文
[1]基于支持向量機(jī)的電力變壓器故障診斷與預(yù)測研究[D]. 易超人.武漢理工大學(xué) 2018
[2]煤與瓦斯突出IGSA-SVM預(yù)測模型及其應(yīng)用[D]. 李杰.太原理工大學(xué) 2016
[3]基于PCA的PSO-DE混合算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)在煤與瓦斯突出預(yù)測中的應(yīng)用研究[D]. 任少偉.太原理工大學(xué) 2015
[4]基于神經(jīng)網(wǎng)絡(luò)和粒子群優(yōu)化SVM的煤與瓦斯突出預(yù)測模型研究[D]. 朱政江.太原理工大學(xué) 2014
[5]遺傳算法與神經(jīng)網(wǎng)絡(luò)相結(jié)合在煤與瓦斯突出危險預(yù)測中的應(yīng)用研究[D]. 陳全秋.太原理工大學(xué) 2010



本文編號：3236620