一種礦井突水水源層識(shí)別方法
【專利摘要】本發(fā)明涉及一種礦井突水水源層識(shí)別方法，是在獲取礦井主要含水層類別的基礎(chǔ)上，提取各含水層的水化學(xué)數(shù)據(jù)，建立水化學(xué)數(shù)據(jù)與含水層之間分類模型。本方法利用粒子群優(yōu)化分類器的方法來建立礦井突水水源層分類識(shí)別模型，再用建立好的礦井突水水源識(shí)別模型對(duì)測(cè)試樣本進(jìn)行檢測(cè)，比較了基于LSSVM的礦井水源識(shí)別和基于粒子群優(yōu)化的LS-SVM的礦井水源識(shí)別，檢測(cè)結(jié)果表明，本方法明顯優(yōu)于未采用PSO模型優(yōu)化的LS-SVM模型，較好地克服了現(xiàn)有的突水層水源判別方法都要預(yù)先假定模式或者主觀規(guī)定一些參數(shù)，導(dǎo)致評(píng)價(jià)結(jié)果主觀性較強(qiáng)的不足。本發(fā)明建模的方法更科學(xué)，所建立的PSO-LS-SVM模型具有非常好的泛化能力。
【專利說明】一種礦井突水水源層識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種礦井突水水源層識(shí)別方法。
【背景技術(shù)】
[0002]在煤礦生產(chǎn)過程中，礦井突水是一種發(fā)生頻率高且危害嚴(yán)重的自然災(zāi)害，礦井一旦突水，將會(huì)對(duì)煤礦安全開采造成威脅，造成巨大的經(jīng)濟(jì)損失，甚至?xí)＜暗V工人身安全。及時(shí)有效地識(shí)別礦井水源的變化可以為突水的判別和預(yù)測(cè)提供依據(jù)，是防治突水災(zāi)害的前提，而選擇合適的水源識(shí)別方法則是礦井水源識(shí)別的關(guān)鍵。
[0003]目前，有很多種判別突水水源的方法，如模糊評(píng)價(jià)法，模糊聚類分析，灰色關(guān)聯(lián)度法等，但這些方法都要事先假定模式或主觀規(guī)定一些參數(shù)，致使評(píng)價(jià)的主觀性很強(qiáng)?？梢钥紤]將SVM模型應(yīng)用到礦井突水水源識(shí)別研究中；同時(shí)可以利用水化學(xué)法來判別礦井的突水水源，其基本依據(jù)是:由于受到含水層的沉積期、地質(zhì)巖性、建造和地化學(xué)環(huán)境等諸多因素的影響，使存儲(chǔ)在不同含水層中的地下水主要化學(xué)成分有所不同。
[0004]獲取礦井水源信息的方法通常有水溫、同位素、地下水水位動(dòng)態(tài)、水化學(xué)分析法等，由于不同含水層的水化學(xué)成分復(fù)雜，為了準(zhǔn)確識(shí)別礦井水源，必須對(duì)獲取的多種水源信息進(jìn)行融合識(shí)別。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的是為了解決目前判別突水水源的方法中存在的評(píng)價(jià)方法的主觀性太強(qiáng)的問題，而提供了一種基于粒子群優(yōu)化LS-SVM模型的礦井突水水源層識(shí)別方法。
[0006]為了實(shí)現(xiàn)上述目的，本發(fā)明采取的技術(shù)方案是:提供一種礦井突水水源層識(shí)別方法，按如下步驟操作:
[0007]步驟一、獲取已知的礦井水源樣本數(shù)據(jù)及水源層信息，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；
[0008]將獲取的礦井水源層數(shù)據(jù)采用基于粒子群優(yōu)化LS-SVM分類模型進(jìn)行分類并編號(hào)，以礦井各個(gè)水源層的所有離子濃度作為判別因素，輸入為列向量，其輸出層為對(duì)應(yīng)的水源層編號(hào)；
[0009]步驟二、將獲取的數(shù)據(jù)分為兩部分，一部分作為LS-SVM訓(xùn)練樣本，另一部分作為測(cè)試樣本，并通過粒子群算法算法，即PSO算法對(duì)LS-SVM參數(shù)進(jìn)行優(yōu)化；將訓(xùn)練樣本用于支持向量回歸機(jī)，測(cè)試樣本用于驗(yàn)證模型的精度；
[0010](I)對(duì)數(shù)據(jù)預(yù)處理:將訓(xùn)練樣本和測(cè)試樣本分開進(jìn)行歸一化處理；
[0011 ] (2)通過 PSO 優(yōu)化 LS-SVM 參數(shù)；
[0012]步驟三、獲得LS-SVM最優(yōu)參數(shù)；
[0013]步驟四、采用支持向量機(jī)的最優(yōu)網(wǎng)絡(luò)模型對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練建模，建立礦井突水水源識(shí)別模型；
[0014]步驟五、采用建立的礦井突水水源識(shí)別模型對(duì)測(cè)試樣本進(jìn)行檢測(cè)；
[0015]步驟六、給出礦井突水水源識(shí)別結(jié)果。[0016]本發(fā)明的步驟二中所述的通過PSO算法對(duì)LS-SVM模型參數(shù)優(yōu)化，其具體步驟如下:
[0017]步驟①、對(duì)訓(xùn)練集樣本給定最大的迭代次數(shù)，最大、最小加權(quán)因子，隨機(jī)產(chǎn)生n個(gè)粒子，每個(gè)粒子分別代表SVM的參數(shù)Y和O ;
[0018]步驟②、根據(jù)當(dāng)前參數(shù)Y和O計(jì)算適應(yīng)度值；
[0019]步驟③、記憶個(gè)體和群體所對(duì)應(yīng)的最佳適應(yīng)度值的位置；
[0020]步驟④、更新粒子的位置，速度，搜尋更優(yōu)的Y和O ;
[0021]步驟⑤、重復(fù)步驟②直到達(dá)到最大的迭代次數(shù)；
[0022]步驟⑥、利用訓(xùn)練好的LS-SVM模型對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)；
[0023]步驟⑦、輸出最優(yōu)參數(shù)。
[0024]本發(fā)明上述步驟②中所述的根據(jù)當(dāng)前參數(shù)Y和0計(jì)算適應(yīng)度值，其具體步驟如下:
[0025]第一步:初始化粒子群，即隨機(jī)產(chǎn)生一組初始值，包括微粒的速度和位置；設(shè)定粒子群參數(shù)，在空間Rn中隨機(jī)產(chǎn)生n個(gè)粒子Xl，x2，…，Xn，組成初始種群X(t);隨機(jī)產(chǎn)生各粒子的初始速度V1, V2,…，vn,組成速度矩陣V(t);每個(gè)粒子的個(gè)體最優(yōu)值Pbesti的初始值為Xi的初始值；
[0026]第二步:根據(jù)粒子編碼方案將每個(gè)粒子的二進(jìn)制表達(dá)轉(zhuǎn)化為LS-SVM的參數(shù)Y，參數(shù)O2和特征子集，然后調(diào)用LS-SVM算法進(jìn)行學(xué)習(xí)和訓(xùn)練，測(cè)試并記錄分類
精度；根據(jù)
【權(quán)利要求】
1.一種礦井突水水源層識(shí)別方法，其特征在于:按如下步驟操作: 步驟一、獲取已知的礦井水源樣本數(shù)據(jù)及水源層信息，對(duì)數(shù)據(jù)進(jìn)行預(yù)處理； 將獲取的礦井水源層數(shù)據(jù)采用基于粒子群優(yōu)化LS-SVM分類模型進(jìn)行分類并編號(hào)，以礦井各個(gè)水源層的所有離子濃度作為判別因素，輸入為列向量，其輸出層為對(duì)應(yīng)的水源層編號(hào); 步驟二、將獲取的數(shù)據(jù)分為兩部分，一部分作為LS-SVM訓(xùn)練樣本，另一部分作為測(cè)試樣本，并通過粒子群算法，即PSO算法對(duì)LS-SVM參數(shù)進(jìn)行優(yōu)化；將訓(xùn)練樣本用于支持向量回歸機(jī)，測(cè)試樣本用于驗(yàn)證模型的精度； (1)對(duì)數(shù)據(jù)預(yù)處理:將訓(xùn)練樣本和測(cè)試樣本分開進(jìn)行歸一化處理； (2)通過PSO算法優(yōu)化LS-SVM參數(shù)； 步驟三、獲得LS-SVM最優(yōu)參數(shù)； 步驟四、采用支持向量機(jī)的最優(yōu)網(wǎng)絡(luò)模型對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練建模，建立礦井突水水源識(shí)別模型； 步驟五、采用建立的礦井突水水源識(shí)別模型對(duì)測(cè)試樣本進(jìn)行檢測(cè)； 步驟六、給出礦井突水水源識(shí)別結(jié)果。
2.根據(jù)權(quán)利要求1所述的礦井突水水源層識(shí)別方法，其特征在于:步驟二中所述的通過PSO算法對(duì)LS-SVM 模型參數(shù)優(yōu)化，其具體步驟如下: 步驟①、對(duì)訓(xùn)練集樣本給定最大的迭代次數(shù)，最大、最小加權(quán)因子，隨機(jī)產(chǎn)生n個(gè)粒子，每個(gè)粒子分別代表SVM的參數(shù)Y和O ; 步驟②、根據(jù)當(dāng)前參數(shù)Y和O計(jì)算適應(yīng)度值； 步驟③、記憶個(gè)體和群體所對(duì)應(yīng)的最佳適應(yīng)度值的位置； 步驟④、更新粒子的位置，速度，搜尋更優(yōu)的Y和0 ; 步驟⑤、重復(fù)步驟②直到達(dá)到最大的迭代次數(shù)； 步驟⑥、利用訓(xùn)練好的LS-SVM模型對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)； 步驟⑦、輸出最優(yōu)參數(shù)。
3.根據(jù)權(quán)利要求2所述的礦井突水水源層識(shí)別方法，其特征在于:步驟②中所述的根據(jù)當(dāng)前參數(shù)Y和O計(jì)算適應(yīng)度值，具體步驟如下: 第一步:初始化粒子群，即隨機(jī)產(chǎn)生一組初始值，包括微粒的速度和位置；設(shè)定粒子群參數(shù)，在空間Rn中隨機(jī)產(chǎn)生n個(gè)粒子Xl，x2，…，Xn，組成初始種群X(t);隨機(jī)產(chǎn)生各粒子的初始速度VpV2,…，Vn，組成速度矩陣V⑴；每個(gè)粒子的個(gè)體最優(yōu)值Pb…的初始值為Xi的初始值； 第二步:根據(jù)粒子編碼方案將每個(gè)粒子的二進(jìn)制表達(dá)轉(zhuǎn)化為LS - SVM的參數(shù)Y，參數(shù)O 2和特征子集，然后調(diào)用LS-SVM算法進(jìn)行學(xué)習(xí)和訓(xùn)練，測(cè)試并記錄分類精度；根據(jù)
【文檔編號(hào)】G06F17/50GK103617147SQ201310635450
【公開日】2014年3月5日 申請(qǐng)日期:2013年11月27日 優(yōu)先權(quán)日:2013年11月27日
【發(fā)明者】龔珍, 胡友健 申請(qǐng)人:中國地質(zhì)大學(xué)（武漢）