為準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）對最小二乘支持向量機（least square support vector machines,LSSVM）的參數(shù)尋優(yōu)。針對礦井突水這種非線性、小樣本問題,綜合考慮水化學特征,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組礦井數(shù)據(jù)作為訓練數(shù)據(jù)對模型進行訓練,另用4組礦井數(shù)據(jù)作為測試數(shù)據(jù),用該模型進行預測。結合實例將該模型的性能與LSSVM模型和FOA-SVR模型的性能進行對比,結果表明: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,具有一定的應用價值。 

【文章來源】：北京信息科技大學學報(自然科學版). 2020,35(03)

【文章頁數(shù)】：5 頁

【部分圖文】：

FOA-LSSVM模型運行流程

FOA-LSSVM模型的適應度變化曲線

FOA-SVR模型的適應度變化曲線

【參考文獻】：
期刊論文
[1]ACPSO-BP神經(jīng)網(wǎng)絡在礦井突水水源判別中的應用[J]. 徐星,李垣志,田坤云,張瑞林.  重慶大學學報. 2018(06)
[2]礦井突水水源識別的RS-LSSVM模型[J]. 邵良杉,李印超,徐波.  安全與環(huán)境學報. 2017(05)
[3]采用改進果蠅優(yōu)化算法的最小二乘支持向量機參數(shù)優(yōu)化方法[J]. 司剛?cè)?李水旺,石建全,郭璋.  西安交通大學學報. 2017(06)
[4]礦井突水水源識別的QGA-LSSVM模型[J]. 溫廷新,張波,邵良杉.  中國安全科學學報. 2014(07)
[5]基于改進的FOA-SVM導水裂隙帶高度預測研究[J]. 張宏偉,朱志潔,霍丙杰,宋衛(wèi)華.  中國安全科學學報. 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用研究[J]. 楊永國,黃福臣.  中國礦業(yè)大學學報. 2007(03)
[8]數(shù)量化理論在礦井突(涌)水水源判別中的應用[J]. 張許良,張子戌,彭蘇萍.  中國礦業(yè)大學學報. 2003(03)



本文編號：3371790