基于主成分分析与Fisher判别分析法的矿井突水水源识别方法

为有效地预防矿井突水事故,及早识别突水水源是关键工作之一。根据矿井各含水层水化学成分的差异性,选取7种水化学成分指标作为突水水源识别的样本变量。在此基础上,采用主成分分析(PCA)与Fisher判别分析相结合的方法建立突水水源判别模型。以新庄孜煤矿不同水层的水化学特征资料中的33个为学习样本,12个为预测样本,对该模型进行检验和应用,并与传统Fisher判别分析模型的结果进行比较。研究结果表明:利用PCA与Fisher突水水源判别模型能够有效地消除样本变量指标间的相互影响,使突水水源判别结果更加准确。     

煤矿瓦斯涌出时序预测的自组织数据挖掘方法

为分析煤矿瓦斯涌出复杂系统时间序列预测方法,提出自组织数据挖掘(SODM)与相空间重构(PSR)相结合的预测建模方法。首先应用C-C方法计算时间序列的最佳嵌入维数和延迟时间后进行PSR;然后以二元二次方程为传递函数,以嵌入维数变量为自变量,以延迟时间后的时间序列为因变量,通过内准则确定传递函数系数和外准则选择最优传递函数,并以最优传递函数的输出为下层迭代传递函数的输入,最后获得最优复杂度预测模型。算例结果表明:该方法对煤矿瓦斯涌出量预测的相对误差为-5.751 7% ~6.049 3%,平均相对误差2.145 7%,预测结果能满足煤矿安全生产实际工程应用要求。     

基于AHP与重要性指标筛选的神经网络评价模型与应用

以对评价目标有影响的所有评价指标作为神经网络的输入,会导致网络模型复杂、降低其性能和影响计算精度的问题,因而提出基于层次分析法和重要性指标筛选法的神经网络评价建模方法即首先运用层次分析法对评价指标进行重要度排序,然后利用重要性指标筛选法过滤出对评价目标有重要影响的指标,以其结果作为神经网络的输入。该法不仅简化网络模型,而且提高网络的性能和计算精度。运用该法对企业安全工作评价,结果证明,不仅是可行的,而且达到了预期的目的。     

基于KPCA-ALO-WLSSVM的埋地管道外腐蚀速率预测北大核心CSCD

为提高埋地油气管道外腐蚀速率预测精度,建立了一种基于KPCA-ALO-WLSSVM的埋地管道外腐蚀速率预测模型。以沿川气东送管线所做埋片试验获取的数据为例,首先利用核主成分分析(KPCA)对管道外腐蚀影响因素进行处理,以重构的综合指标作为模型的输入值;然后利用加权最小二乘支持向量机(WLSSVM)对外腐蚀因素和速率进行仿真建模,并利用蚁狮优化算法(ALO)对WLSSVM建模中的参数进行寻优。结果表明:KPCA提取了累计贡献率为97.84%的3个主元,减化了建模过程的复杂性;所构建的ALO-WLSSVM外腐蚀速率预测模型的平均相对误差为4.390%,均方根误差为0.276,各项指标均优于其对比模型,证明了本模型具有更好的学习性和更高的拟合效果。     

基于物元分析与PCA的部队汽车分队安全评价模型

为改善部队汽车分队的安全状况,建立了基于主成分分析与BP神经网络的部队汽车分队安全评价模型。在利用层次分析法建立分队系统的安全评价指标体系的基础上,将专家作为样本,进行物元分析,两者联合确定指标权重,进而得到相对客观的评价样本。对样本提取主成分,使输入变量降维且相互独立,以提高网络训练和预测效果。结果表明,其预测精度优于不采用主成分分析的BP网络模型,且相对误差在4%以内,模型具有可行性。因此,结合了物元分析与主成分分析的BP网络耦合模型能更加客观、准确地评价和预测被评价对象的实际安全状况。     

基于PCA-BP融合的边坡稳定性评价模型

针对边坡岩土体物理力学性质复杂、边坡稳定性影响因素众多等特点,提出将主成分分析(PCA)和BP神经网络结合起来进行边坡稳定性评价的方法。若BP神经网络训练误差一定,则网络信息容量与样本数成正比。当样本数较少时,就必须减少样本维数,以达到较好的匹配效果,为此,引入主成分分析法(PCA)对影响边坡稳定的众多变量进行降维处理,以消除输入数据间的相关性,有效地减少预测模型的输入量,优化网络的输入节点数,提高网络的运行效率。针对BP算法容易落入局部最小、收敛速度慢等缺点,引入粒子群优化算法(PSO)优化神经网络的连接权重与阀值,从而克服了BP神经网络的固有缺陷。在此基础上,建立基于PSO优化算法的PCA-BP融合的边坡稳定性评价模型。模型分为3个层次,第一层次为输入层,即经过PCA分析之后获得的主成分;第二层次为隐含层;第三层次为输出层,即安全系数。应用该评价模型进行算例分析,结果表明,安全系数的模型计算值与参考值的绝对误差均很小,相对误差均控制在6%以内,吻合程度较高。     

基于改进极端学习机的混沌时间序列瓦斯涌出量预测

为更准确地预测瓦斯涌出量,预防瓦斯灾害,有必要建立和应用基于改进极端学习机(IELM)的混沌时间序列预测模型。首先,对瓦斯涌出量监测数据构成的多变量时间序列进行相空间重构,采用互信息法与虚假邻点法得到每一变量的延迟时间和最佳嵌入维数;然后,通过最小二乘方法和误差反馈原理计算出最优的网络输入层到隐含层的学习参数,对极端学习机(ELM)进行改进;最后,借助IELM建立瓦斯混沌时间序列的预测模型。通过仿真试验,运用该预测模型预测的最大相对误差为3.290 2%,最小相对误差为0.898 2%,平均相对误差为1.952 8%。     

高速公路交通事故严重程度与交通流特征的关系研究

为研究交通事故发生前后交通流特征对事故严重程度的影响,以JT高速公路作为研究对象,长期观测和采集交通流及事故数据。将交通事故发生时段的交通流主要衡量指标与事故信息进行数据匹配,形成交通事故与事故小时交通流匹配数据集,并分析流量、速度、大车比例等交通流表征指标与不同等级事故数的分布规律。通过分析发现:在某些流量、速度或大车比例区段,交通事故数及其严重程度处于较高的水平。在此基础上,利用主成分分析(PCA)技术对衡量交通流特征的初始指标进行降维处理,用交通流主成分指标综合反映交通流特征,并建立事故严重程度与交通流主成分指标的统计分析模型。结果表明:交通流主成分指标趋于零的区段的事故严重程度明显高于其他区段。     

集成PCA和LSTM神经网络的浸润线预测方法

为预防尾矿库溃坝事故,挖掘尾矿库在线监测系统的有效信息,提高浸润线预测精度,构建基于主成分分析(PCA)和长短期记忆(LSTM)神经网络的浸润线预测模型;以陈坑尾矿库为例,引入皮尔森(Pearson)相关系数和变量组合法,确定模型输入为预测前3天的待测点浸润线位置、相邻周边2点浸润线位置、库水位、坝体纵向位移和降雨量等18个特征量;利用PCA消除输入变量间的数据冗余,并采用LSTM神经网络预测未来3天的浸润线位置。结果表明:基于PCA和LSTM神经网络的浸润线预测方法具有较高的预测精度,平均绝对误差为0. 011,决策系数为0. 805,且能实现不同降雨工况下尾矿库浸润线的稳定预测。     

基于PCA的有限空间作业事故分析

为探究不同行业有限空间作业事故致因差异性,本文以2015-2020年发生的200起有限空间作业事故为研究对象,将统计数据划分为12类,构建基于主成分分析的有限空间作业事故致因指标体系,运用分析软件SPSS对统计得到的样本数据进行主成分分析(PCA),揭示不同行业有限空间作业事故致因潜在规律和分类特征.根据分析结果,通过...     

基于主成分分析法的危险货物运输企业安全评价

为更准确地评估危险货物运输企业安全等级以降低其运输风险,提出基于主成分分析法(PCA)的危险货物运输企业BP神经网络安全评价模型;在从人-机-物-环境-管理角度构建危险货物运输企业安全评价指标的基础上,分别利用该模型和其他3种模型对3家实例企业进行仿真评价和对比分析。结果表明,该模型的评价结果与期望值间的相对误差约为0.5%～1.2%,计算精度优于其他模型,且具有计算量小等特点。     

深部矿山锚杆腐蚀失效风险评估研究

为解决地下矿山锚杆腐蚀失效问题,提出一种基于预测锚杆腐蚀失效速率的数学模型。收集矿山腐蚀失效锚杆相关数据,采用主成分分析法和梯度提升树方法,从原始数据中提取有用信息,并结合支持向量机(SVM)模型,预测复杂矿山环境中锚杆的腐蚀失效概率,利用具有连续特征和空间数据的数据集测试该模型,分析各环境因素对腐蚀失效影响权重,并与SVM、GTB-SVM这2种模型进行对比分析。研究结果表明：基于主成分分析的特征变换是可靠的风险预测方法,PCA-SVM模型在预测精度和结果的稳健性方面表现优越,训练集AUC值达到0.84、测试集达到0.83。该模型作为一个有用的在线工具,能够支持过程系统的安全和数字化。文中提出的主成分分析SVM模型,能够准确预测锚杆腐蚀失效的腐蚀概率。     

岩溶塌陷倾向性等级的KPCA-SVM预测模型

为了快速、有效地预测岩溶塌陷倾向性等级,在统计分析大量观测实例的基础上,选取岩性系数、岩体结构系数、地下水系数、覆盖层系数、地形地貌系数和环境条件系数作为特征指标。利用核主成分分析(KPCA)方法在高维空间提取岩溶塌陷影响因子的主成分,将获取的主成分作为支持向量机(SVM)的特征向量,建立基于KPCA的岩溶塌陷倾向性等级的SVM预测模型。将12组观测数据作为学习样本对模型进行训练。采用回代估计法进行回检,误判率为0。利用训练好的模型对2组待判样本进行预测。结果表明:经KPCA后指标个数减少,相关性降低,SVM运算的复杂度降低。用该模型所得预测结果的准确率为100%。     

基于FA-BAS-ELM的海洋油气管道外腐蚀速率预测

为提高海洋油气管道外腐蚀速率预测的精度和效率,建立基于因子分析(FA)和天牛须搜索算法(BAS)的极限学习机(ELM)腐蚀速率预测模型。利用FA对影响因素数据集进行降维处理,确定预测模型的输入变量;建立ELM预测模型,并采用BAS对ELM模型的参数进行优化,避免参数取值随机性对模型预测性能的影响;以实海挂片试验为例,通过建模仿真评价模型的预测性能,并与其他模型进行对比分析。结果表明:FA-BAS-ELM预测模型的平均绝对误差(MAPE)仅为1.92%,决定系数R²高达0.9949,相比于其他模型,该模型具有更优的预测性能。     

基于SKPCA与NEAT算法的煤与瓦斯突出危险性预测

针对煤与瓦斯突出预测精度不足的问题,为了减少突出灾害的危害,提出了基于稀疏核主成分分析法(SKPCA)与增强拓扑神经进化算法(NEAT)的煤与瓦斯突出危险性预测方法.通过核主成分分析法对突出非线性数据进行降维,然后对主成分数据进行稀疏化,减少原始数据中不重要元素对降维后主成分的影响.搭建增强拓扑神经进化网络(NEAT)预测模型,采用进化算法同时优化神经网络的权值和拓扑结构,得到最佳神经网络预测模型.将处理后的主成分数据输入模型预测突出危险指数,结果表明,该方法危险等级预测准确度达到98％,SKPCA-NEAT模型在煤与瓦斯突出预测上相比PCA和BP神经网络具有优势.     

煤矿冲击地压预测的PCA-GRNN方法

为更合理有效地解决煤矿开采引起的冲击地压危险性预测问题,以忻州窑煤矿冲击地压事故为工程背景,采用一种数据降维算法—主成分分析法(PCA),对广义回归神经网络(GRNN)的输入样本进行信息压缩,构建冲击地压危险性预测的PCA-GRNN模型。通过PCA法提取影响冲击地压强度的煤层厚度、倾角等9个因素,得到冲击地压危险性影响因素的前4个主成分因子表达式,并构建BPNN,GRNN和PCA-BP等另外3种模型,验证PCA-GRNN法预测冲击地压危险性的智能性和泛化能力。结果表明,所建PCA-GRNN模型平均训练误差为3.5%,平均预测误差为3.6%,有很好的预测能力和泛化能力。     

主元分析-神经网络岩爆等级预测模型

为准确可靠地预测岩爆灾害,构建结合主元分析法(PCA)的径向基神经网络(RBFNN)、概率神经网络(PNN)和广义回归神经网络(GRNN)岩爆预测模型。选取6个常用的参数构成岩爆预测指标体系,采用PCA消除各指标间的相关性并降维,得出3个线性无关的主元即岩爆综合预测指标Y1、Y2和Y3,构成RBFNN、PNN、GRNN这3种神经网络的输入向量。研究结果表明:这3种PCA-神经网络模型,其岩爆预测结果优于对应的RBFNN、PNN、GRNN模型,提高预测准确率并缩短运算时间。从局部准确率、整体准确率及运算时间这3个方面综合比较,各模型的预测能力从强到弱依次为:PCA-GRNN> PCA-PNN> PCA-RBFNN> PNN> GRNN> RBFNN。     

基于PCA-GA-BP神经网络的瓦斯含量预测分析

为提高煤层瓦斯含量预测的效率和准确率,提出了先采用主成份分析（PCA）方法来降低变量间的相关性,然后将遗传算法（GA）与BP神经网络相结合的煤层瓦斯含量预测的新方法。为了避免BP神经网络收敛速度慢、易陷入局部极小值等问题,算法采用GA对BP神经网络的权值和阈值进行优化,利用Matlab软件进行编程,建立了BP神经网络和GA-BP神经网络瓦斯含量预测模型。选取淮南某矿瓦斯含量及其影响因素作为实验数据对该模型进行了实例分析,将主成份回归和BP网络算法预测结果与该模型进行了对比分析。结果表明:PCA-GA-BP网络预测模型平均相对误差为2.759%,预测效果明显优于主成份回归和BP网络预测模型,可以准确的预测煤层瓦斯含量。     

基于灰色支持向量机的湿天然气集输管道腐蚀研究

湿天然气集输管道系统运行时间长,管道腐蚀严重,失效泄漏事故频发,其系统风险评价面临诸多问题,因而研究其腐蚀率预测有重要意义。基于灰色支持向量机(GSVM)方法,综合考虑管道材质及其各种影响因素,对其进行灰色相关分析,并根据结果选取有较高相关度的影响因子作为输入变量,将腐蚀率作为目标输出函数,建立湿天然气集输管道腐蚀预测模型。并通过实证分析比较,发现用该模型计算出的管道腐蚀率平均相对误差较小,其预测结果与实际值吻合程度较高,使预测精度得到提高。     

基于PCA-ELM的地震死亡人数评估

地震往往会在短时间内造成巨大的人员伤亡和财产损失,为了震后救援工作能够快速高效的展开,建立了主成分分析(Principal Components Analysis,PCA)和极限学习机(Extreme Learning Machine,ELM)相结合的地震死亡人数预测模型。综合考虑影响地震死亡人数的多种因素,选取震级、震源深度、震中烈度、抗震设防烈度、人口密度、发生时间和预报水平7项主要因素作为评价指标。首先,利用主成分分析对原始变量进行降维处理,并计算出主成分得分,作为ELM的输入;其次,对构建的ELM地震死亡人数预测模型进行训练;最后,对选取的32组地震样本进行算例仿真,并与未经PCA处理的ELM算法和BP神经网络算法进行对比。结果表明,基于主成分分析的极限学习机算法对地震死亡人数预测具有较高的预测精度,验证效果良好。