基于PCA-BBO-SVM的尾矿坝变形预测模型与性能验证研究*

为准确预测尾矿坝变形趋势,通过主成分分析法（PCA）对尾矿坝变形影响因子进行优选,基于生物地理学优化算法（BBO）对支持向量机（SVM）参数进行寻优,建立PCA-BBO-SVM尾矿坝变形预测模型,并以杨家湾尾矿坝为例对模型性能进行验证。研究结果表明:PCA-BBO-SVM模型在4个测点的RMSE为0.139 6,0.274 2,0.317 0,0.530 6;MAE为0.112 5,0.213 5,0.269 0,0.412 9;MAPE为0.525 0%,0.692 3%,2.621 2%,1.311 2%;预测精度及对局部波动的预测能力均高于BP、GS-SVM、GA-SVM和PSO-SVM模型,研究结果可为尾矿坝变形预测提供模型支撑。     

露天矿边坡变形预测的协同进化多核相关向量机模型

为提高露天矿边坡变形预测精度,利用协同进化粒子群(CEPSO)优化多核相关向量机(MK-RVM)的参数,构建协同进化多核相关向量机(CEPSO-MK-RVM),并将此模型应用于露天矿边坡变形预测。将CEPSO-MK-RVM的结果与协同进化多项式核函数相关向量机(CEPSO-PolyRVM)、协同进化高斯核函数相关向量机(CEPSO-Gauss-RVM)及修正果蝇优化下的支持向量回归(MFOA-SVR)的结果进行对比,并分析CEPSO对MK-RVM参数的优化效果。结果表明,CEPSO比标准粒子群优化(PSO)算法具有更好的优化效率及最优解;用CEPSO-MK-RVM模型得到的结果,4个精度指标均优于其余3种方法,边坡变形预测的精度得到有效提高。     

尾矿坝变形规律的灰色Verhulst预测

尾矿坝变形规律预测是矿山尾矿库安全技术管理的重要内容.尾矿坝的变形受多种因素的影响,其中有些因素是可知的,但有部分因素是不确定的,因此尾矿坝本身实际上是一个灰色系统.为了实现对尾矿坝变形趋势的预测,在充分认识尾矿库工程系统及坝体变形数据特性的基础上,采用灰色Verhulst模型对尾矿坝的变形进行预测,并结合某铁矿尾矿坝变形监测实际数据进行预测,模型精度满足要求,表明灰色Verhulst模型用于尾矿坝变形规律预测具有很好的适用性.     

种族鱼群优化支持向量机序列理论监测尾矿坝

为监测预警尾矿坝的变形位移,提出基于结构风险最小化理论的支持向量机进行学习预测。通过采集有效数据,对时间序列数据进行归一化序列处理,然后采取种族鱼群选择向量机参数,对处理后的数据进行支持向量机回归预测。将该理论应用到某尾矿坝监测系统,得到了较为准确的预测结果,表明该理论充分利用了数据的统计特性,精度和泛化能力都得到了明显提高,可作为尾矿坝监测系统的有效指导。     

基于组合赋权的混合粒子群优化支持向量机的岩爆倾向性预测

为有效预测岩爆灾害发生烈度,提出一种基于组合赋权的混合粒子群优化支持向量机(H-PSO-SVM)岩爆倾向性预测模型。根据岩爆发生机制,在分析岩爆发生的主要影响因素的基础上确定出评判指标;综合考虑模糊层次分析法(FAHP)所得主观权重和熵权法所得客观权重,应用调和平均数概念,构建组合赋权准则;引入遗传算法交叉、变异操作改进传统粒子群(PSO)极值跟踪和粒子更新方法,建立H-PSO-SVM岩爆倾向性预测模型。利用国内外已有工程实例数据进行50次随机抽样试验,对比分析H-PSO-SVM模型和PSO-SVM模型等预测结果。结果表明:H-PSO-SVM模型应用于岩爆工程实例预测具有可行性和适应性,模型预测的准确率高于其他模型,且预测结果更稳定。     

基于MPSO-WLS-SVM的矿井瓦斯涌出量预测模型研究

为有效预防瓦斯灾害,以预测矿井瓦斯涌出量为研究目的,提出经改进的粒子群算法(MPSO)优化的加权最小二乘支持向量机(WLS-SVM),并用其预测非线性动态瓦斯涌出量。算法通过对WLS-SVM的正则化参数C和高斯核参数σ寻优,建立基于MPSO优化的WLS-SVM的瓦斯涌出量预测模型,并利用某矿井监测到的各项历史数据进行实例分析。试验结果表明:该预测模型预测的最大相对误差为5.99%,最小相对误差为0.43%,平均相对误差为2.95%,较其他预测模型有更强的泛化能力和更高的预测精度。     

基于改进烟花优化算法的三维空间气体源定位

为探究三维空间中气体源定位及其源强反算问题,提出1种改进烟花爆炸算法(GWOFA)。将定位过程分为全局定位过程和局部定位过程。全局定位过程即结合灰狼优化算法和莱维飞行在三维空间中的全局搜索过程;局部定位过程是在全局定位的结果上的进一步开发过程,其通过引入边界条件的爆炸半径选取方式和选择策略更加高效地改进烟花优化算法实现。研究结果表明：本文算法相比于支持向量机回归模型(LinearSVR)、GWO算法和粒子群算法具有更高精确度,相比于GWO算法和粒子群算法具有更高稳定性和更低随机性;在气体源定位问题上,本文算法整体表现优于LinearSVR、GWO算法和粒子群算法。研究结果可为解决三维空间中气体源定位问题和相关参数估计问题提供新的思路方法。     

基于PCA-AHPSO-SVR的煤层瓦斯含量预测研究

为了提高煤层瓦斯含量预测的准确性和科学性,通过主成分分析方法对影响煤层瓦斯含量的7个因素进行特征提取,消除影响因素之间的相关性,减少维度;用支持向量回归机对提取的因素进行训练,并用改进的自适应混合粒子群算法对SVR的参数进行优化,提出PCA-AHPSO-SVR模型;与PCA-PSO-SVR,PSO-SVR这2个模型在相同环境下进行30次运行比较。研究结果表明:研究提出的PCA-AHPSO-SVR模型较其他2种模型平均准确率分别提高5.51%和9.32%,稳定性更佳,可满足工程实际需求。     

基于支持向量机的铁路周边地表沉降变形量预测

为了保护既有运营线路安全,准确预测既有铁路周边地表沉降变形量,针对JCD01和JCD02监测点分别采用网格搜索法和粒子群算法进行参数寻优,建立了基于支持向量机的变形量预测模型。结果表明:对于监测点JCD01,以粒子群算法进行寻优建立SVM变形量预测模型所得均方误差最低,值为0.046 896;对于监测点JCD02,以网格搜索法进行寻优建立SVM变形量预测模型所得均方误差最低,值为0.117 65。利用该模型可以对铁路周边地表沉降变形量进行准确预测,降低事故危害。     

基于MFOA-SVR露天矿边坡变形量预测研究

为实现边坡危险性及时预警预报,以露天矿边坡变形量为研究对象,提出采用七项影响指标作为边坡位移变形量的响应参数,建立支持向量机回归预测模型(SVR)。引入修正的果蝇优化算法(MFOA)对模型参数进行优化,构建基于MFOA-SVR露天矿边坡变形量协同预测模型,并以实际监测数据进行模型仿真预测。结果表明:该模型平均绝对误差为0.9167mm,平均相对误差为4.2737%,较其他模型预测精度高,综合性能好,将其运用于露天矿边坡变形量预测研究具有较好的适用性和可靠性。     

基于粒子群-支持向量机(PSO-SVM)的苯储罐泄漏事故风险预测

将支持向量机(SVM)模型运用于事故前苯储罐泄漏事故风险预测,为使模型性能最优, 用粒子群算法PSO优化SVM模型参数,建立了PSO-SVM风险预测模型。为验证模型风险预测性能,分别采用遗传算法(GA)和网格搜索法(GS)优化SVM参数,并比较测试集与PSO-SVM、GA-SVM、GS-SVM三种模型预测结果的均方误差及相关系数。然后进一步探讨模型中权重调整方式、种群规模对PSO-SVM模型预测性能的影响。研究发现,权重线性递减所建PSO-SVM预测值与测试集相关系数更高、均方误差更小、预测效果更好,种群规模没有影响PSOSVM模型预测值但会影响计算时间,这为危化品泄漏事故的风险预测提供了一种新的方法。     

基于PSO-SVM模型的隧道水砂突涌量预测研究

复杂工程地质条件下,隧道水砂混合物突涌的预测防控是隧道安全建设的基础,准确预测水砂混合物突涌量,为工程提供安全保障至关重要。为提高预测准确性,提出一种基于粒子群算法优化的支持向量机(PSO-SVM)的隧道水砂突涌量预测模型。综合考虑地质构造、气象条件、施工影响三类因素,选取七个因子,结合某公路隧道,利用PSO-SVM建立隧道水砂突涌量预测模型,并对该隧道水砂突涌量进行预测,结果与实际突涌量一致。证实综合粒子群算法和支持向量机优势的PSO-SVM方法预测精度高,且易于实现,为类似隧道工程突涌预测提供参考与借鉴。     

尾矿坝浸润线数据挖掘预测模型的样本选取研究

本文分别应用时间序列功能模型和回归模型，在原始数据的基础上建立样本，并运用支持向量回归机算法对样本进行训练，得出了尾矿坝浸润线埋深预测模型并进行了实例应用。研究证明，运用时间序列模型选取训练样本能够得出更为精确的预测结果。     

基于改进多种群遗传算法的尾矿坝形变预测

针对遗传神经网络(GA-BP)建立的尾矿坝形变预测模型易出现早熟现象、预测结果不稳定、容易陷入局部最优值的不足,引入一种具有混沌局部搜索的多种群自适应遗传算法。该算法以双种群寻优为基础,改进了遗传参数的计算方式,分别以种群进化中染色体适应度值的集中程度和空间距离的分布作为自适应交叉率、变异率的计算依据应用于不同种群中,提高了种群的多样性和遗传算法全局搜索的能力;同时引入混沌局部搜索技术(CLS),完善了遗传算法局部搜索能力的不足。采用改进的遗传神经网络模型对贵州省白岩尾矿坝三维变形数据进行预测,并与传统的GA-BP和AGA-BP模型预测结果进行比较。结果表明:改进后的模型预测精度更高,结果更加稳定,具有良好的预测效果。     

基于小波和混沌优化LSSVM的周期来压预测

采煤工作面的液压支架是承受顶板压力的主体结构,选择支架的主要根据是其将要承受的周期来压荷载。为预测周期来压,构建了基于小波和混沌优化的最小二乘支持向量机(LSSVM)方法。该方法利用小波分解技术将所选的样本集数据分解成不同频率的分量,基于混沌理论对分量相空间进行重构。各重构分量分别使用LSSVM模型进行训练,其中LSSVM预测模型的参数由混沌粒子群算法进行优化。最后,将各LSSVM模型得到的预测分量进行小波重组得到完整的周期来压荷载预测波形。通过在重构时的计算发现,在某周期下,荷载的时序序列有一定的混沌性。与其他3种模型进行比较,基于小波和混沌优化LSSVM的预测模型得到的最终荷载波的精度更高,收敛性也较好。     

基于属性约简的绝缘节破损预测

准确的绝缘节破损预测能够保证铁路运输安全和经济效益。支持向量机算法能够处理轨道电路测试数据,对其进行分类,预测可能存在隐患的绝缘节,但支持向量机预测模型的原始样本多有冗余,基于此,提出了一种基于粗糙集和支持向量机的绝缘节破损预测模型。通过改进主分量启发式属性约简算法,降低样本维数,同时选用模拟退火算法完成SVM自动参数选优。实例分析和仿真结果表明,与单一支持向量机算法相比,属性约简后的粗糙集-支持向量机算法提高了分类器的分类性能,与采用网格搜索技术的SVM预测方法相比,模拟退火算法有效提高了SVM的预测精度。     

PSO-SVM模型在化工事故风险预测中的应用研究

为了减少化工事故的发生,提高化工生产过程中事故风险预测的准确性,研究了粒子群优化算法与支持向量机(PSO-SVM)模型在事故风险预测中的应用.首先,统计分析近5年化工生产安全事故致因因素,得出化工事故风险因素统计特征,结合层次分析法,建立化工事故风险预测指标体系并确定各指标因素的权重值;然后,基于MATLAB计算生成的...     

数据驱动的油田污水处理水质预测研究

为实时掌控油田的污水处理站生产工况，结合桩西污水处理站的监测数据，使用改进的支持向量机模型对油田污水水质进行预测。通过归一化方法将收油和收悬浮操作记录转化为数值特征，实现预测模型对外部介入操作的及时响应。利用差分进化算法对预测模型进行超参数寻优，实现模型超参数全局最优值的快速确定，采用最优模型对含油量和含悬浮量进行预测和验证。结果表明，基于差分进化算法的支持向量机模型(DE-SVM)在2个水质指标的预测中，均能取得最高的决定系数(R²)和最低的平均绝对百分比误差(MAPE)，显著优于其他预测方法，对实现油田污水处理流程的主动控制具有重要意义。     

咪唑类离子液体捕集CO_2性能的定量结构-性质相关性(QSPR)研究

CO_2是主要的温室气体,大量CO_2的存在严重影响着人类的生存环境和生态平衡,而咪唑型离子液体具有独特的气体溶解性,在CO_2的捕集分离中有很好的应用前景。基于定量结构-性质相关性(QSPR)原理,研究了咪唑类离子液体捕集CO_2的性能与其结构参数之间的内在定量关系。应用遗传算法获得与捕集量最为密切相关的一组描述符作为输入参数,随后,分别采用多元线性回归算法及支持向量机结合粒子群优化算法建立了咪唑类离子液体捕集CO_2的性能与其描述符之间的线性和非线性模型。多元线性回归算法得出训练集和测试集的复相关系数分别为0.765和0.814,支持向量机算法得出训练集和测试集的复相关系数分别为0.987和0.933。对预测模型进行了评价验证以及稳定性分析,结果表明,2种模型具有良好的稳定性能和预测能力。     

支持向量机在边坡稳定性预测中的应用

针对离子型稀土原地浸矿边坡稳定性问题的小样本、非线性等特点,采用一种边坡稳定性预测模型——支持向量机(SVM)模型,分别使用网格参数寻优、遗传算法(GA)参数寻优、粒子群(PSO)寻优算法来计算SVM模型的参数,分析比较3种算法得到的参数,确定最适合离子型稀土原地浸矿边坡稳定性预测的SVM回归模型的参数寻优算法。