為準(zhǔn)確判別礦井突水水源,建立了一種FOA-LSSVM的礦井突水水源判別模型,利用果蠅算法（fruit fly optimization algorithm,FOA）對(duì)最小二乘支持向量機(jī)（least square support vector machines,LSSVM）的參數(shù)尋優(yōu)。針對(duì)礦井突水這種非線性、小樣本問題,綜合考慮水化學(xué)特征,選取Na⁺+K⁺,Ca²⁺,Mg²⁺,CI^-,SO^2-₄,HCO^-₃六種離子的質(zhì)量濃度作為礦井突水水源判別的主要依據(jù)。選取35組礦井?dāng)?shù)據(jù)作為訓(xùn)練數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練,另用4組礦井?dāng)?shù)據(jù)作為測(cè)試數(shù)據(jù),用該模型進(jìn)行預(yù)測(cè)。結(jié)合實(shí)例將該模型的性能與LSSVM模型和FOA-SVR模型的性能進(jìn)行對(duì)比,結(jié)果表明:該模型在判別突水水源的精度上比LSSVM模型和FOA-SVR模型更高,具有一定的應(yīng)用價(jià)值。 

【文章來源】：北京信息科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,35(03)

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

FOA-LSSVM模型運(yùn)行流程

FOA-LSSVM模型的適應(yīng)度變化曲線

FOA-SVR模型的適應(yīng)度變化曲線

【參考文獻(xiàn)】：
期刊論文
[1]ACPSO-BP神經(jīng)網(wǎng)絡(luò)在礦井突水水源判別中的應(yīng)用[J]. 徐星,李垣志,田坤云,張瑞林.  重慶大學(xué)學(xué)報(bào). 2018(06)
[2]礦井突水水源識(shí)別的RS-LSSVM模型[J]. 邵良杉,李印超,徐波.  安全與環(huán)境學(xué)報(bào). 2017(05)
[3]采用改進(jìn)果蠅優(yōu)化算法的最小二乘支持向量機(jī)參數(shù)優(yōu)化方法[J]. 司剛?cè)?李水旺,石建全,郭璋.  西安交通大學(xué)學(xué)報(bào). 2017(06)
[4]礦井突水水源識(shí)別的QGA-LSSVM模型[J]. 溫廷新,張波,邵良杉.  中國(guó)安全科學(xué)學(xué)報(bào). 2014(07)
[5]基于改進(jìn)的FOA-SVM導(dǎo)水裂隙帶高度預(yù)測(cè)研究[J]. 張宏偉,朱志潔,霍丙杰,宋衛(wèi)華.  中國(guó)安全科學(xué)學(xué)報(bào). 2013(10)
[6]果蠅算法和5種群智能算法的尋優(yōu)性能研究[J]. 吳小文,李擎.  火力與指揮控制. 2013(04)
[7]非線性方法在礦井突水水源判別中的應(yīng)用研究[J]. 楊永國(guó),黃福臣.  中國(guó)礦業(yè)大學(xué)學(xué)報(bào). 2007(03)
[8]數(shù)量化理論在礦井突(涌)水水源判別中的應(yīng)用[J]. 張?jiān)S良,張子戌,彭蘇萍.  中國(guó)礦業(yè)大學(xué)學(xué)報(bào). 2003(03)



本文編號(hào)：3371790