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KPCA-GA-BP的煤矿瓦斯爆炸风险模式识别

为了能够准确识别煤矿开采中瓦斯爆炸事故的风险类别,以提升对瓦斯爆炸事故的应急防范能力,提出了一种高效准确的风险识别模型.考虑到瓦斯爆炸涉及特征指标之间并非单纯的线性关系,采取核主成分提取方法(KPCA)对涉及的煤层瓦斯含量、瓦斯涌出量、风量供需比等19种特征指标进行属性约简,从而消除信息重叠,并使用遗传算法(GA)对BP神经网络的权值和阈值进行全局寻优,避免了过拟合状况的出现,在降低模型预测损失值的同时提高模型运算准确率.采用KPCA-GA-BP模型对83组实例数据进行分析,选取其中62组数据进行训练,其余21组数据进行测试.预测结果中20组风险等级分类正确且用时较短,识别准确率为95.24％,表明模型对瓦斯爆炸灾害风险等级具有高识别精度和高效率.     

基于GSK-AdaBoost-LightGBM的交通事故死亡人数预测研究

交通事故预测研究有助于降低交通事故发生的概率。为提高交通事故预测模型的精度,首先应用网格搜索法获得LightGBM模型的最优超参数,并进行5折交叉验证提升模型的抗拟合能力,建立优化的LightGBM(GSK-LightGBM)模型;然后基于AdaBoost算法训练多个GSK-LightGBM模型,加权组合得到AdaBoost-LightGBM增强集成模型,并采用网格搜索法结合5折交叉验证,实现了AdaBoost-LightGBM模型的参数优化,构建了GSK-AdaBoost-LightGBM模型;最后基于采集到的1953—2018年我国道路交通事故死亡人数相关样本数据训练模型,得到基于GSK-AdaBoost-LightGBM的交通事故死亡人数预测模型,并引入均方误差、平均绝对误差和平均绝对百分误差3项评估指标评估了模型的预测性能,探究了模型的优化效果。结果表明:GSK-AdaBoost-LightGBM模型的3项评估指标值分别为0.014、0.00035和0.077,低于LightGBM模型、GSK-LightGBM模型和AdaBoost-LightGBM模型的评估指标值,说明该模型的预测精度较高,且明显优于LightGBM模型、GSK-LightGBM模型和AdaBoost-LightGBM模型。     

基于链式多重插补的WOA-ELM煤与瓦斯突出预测模型*

为了提高缺失数据下煤与瓦斯突出预测准确率,提出1种基于链式支持向量机多重插补（MICE_SVM）的鲸鱼优化算法（WOA）-极限学习机（ELM）预测模型,以淮南朱集矿区为例,选取5个煤与瓦斯突出影响指标作为模型特征,采用提出的MICE_SVM算法插补突出事故数据中缺失值,利用WOA优选ELM输入层权值及隐含层阈值,构建煤与瓦斯突出预测模型,将插补后数据用于WOA-ELM模型的训练与测试,并与其他模型的预测效果对比。研究结果表明:MICE_SVM插补前、后的有突出数据预测准确率分别为83.02%,90.41%,MICE_SVM显著提高了有突出预测准确率,对无突出和整体的预测准确率提高不明显;数据插补后WOA优化ELM对无突出、有突出和整体的预测准确率分别为97.94%,96.25%,96.48%,较优化前分别提高了5.79%,5.84%,5.55%,数据插补后WOA-ELM为最佳预测模型。     

基于PCA-ELM模型的露采爆破振动对民房破坏的预测分析

针对露天采矿爆破振动对民房破坏的预测问题,采用主成分分析(PCA)和极限学习机(ELM)方法,选取爆破振幅、主频率、主频率持续时间、灰缝强度、砖墙面积率、房屋高度、屋盖形式、圈梁立柱、施工质量、场地条件10个主要影响因素。引入相关性分析在主成分分析过程中,对相关性高的指标进行降维,把得到的3个综合因子和爆破振幅、主频率、主频率持续时间、砖墙面积率作为输入变量,构建露天煤矿PCA-ELM预测模型。选取露天矿实际爆破过程中测量的100组数据作为模型训练样本,用另外20组数据作为测试样本进行预测。结果表明:对民房破坏影响因素中灰缝强度、房屋高度、屋盖形式、圈梁立柱、施工质量、场地条件之间具有较高的关联度。该模型处理高维数据时较传统的ELM算法具有预测精度高、稳定性好等特点,可准确预测爆破振动对民房的破坏程度,误判率为1/20。     

基于RF-ELM模型的边坡稳定性预测研究

为实现对边坡稳定性的有效预测,将极限学习机算法与旋转森林算法相结合,并依据影响边坡稳定性的六项重要因素,建立了边坡稳定性预测的RF-ELM预测模型。该模型是以极限学习机算法为基分类器,以旋转森林算法为框架的集成学习模型,利用UCI数据库中三组数据集验证了该集成模型确实提高了ELM的预测性能。将RF-ELM模型应用于边坡稳定性的预测问题中,结合39组工程实例数据进行预测实验,结果表明该模型具有较高的预测精度,可有效的对边坡稳定性进行预测。     

煤与瓦斯突出预测的QGA-LSSVM模型

为快速、有效地对煤与瓦斯突出类型作出预测,运用灰色关联和因子分析模型对所选主要的判别指标进行分析提取,利用量子遗传算法(QGA)对最小二乘支持向量机(LSSVM)的参数作寻优处理,最终建立QGA-LSSVM煤与瓦斯突出预测模型。选取从砚石台矿区历史实测的数据,以96∶20的比例对该模型进行训练与测试,并将预测结果与其他预测模型的预测效果进行了比较。研究结果表明:对判别指标进行灰色关联分析可以有效去除对煤与瓦斯突出影响作用小的指标;用因子分析进行公共因子提取,可以有效减少数据信息冗余;利用QGA优化的LSSVM模型能使结果避免陷入局部最优解,用该模型可以有效预测煤与瓦斯突出类型,误判率为0。     

基于PCA_Fuzzy_RF模型的煤层底板突水预测

针对煤层底板突水问题,提出了基于主成分分析、模糊数学和随机森林的一种新预测模型。首先通过主成分分析将6个影响因素(水压、采高、隔水层厚度、断层落差、煤层倾角、断层距工作面距离)进行降维,提取4个主成分因子,其次对主成分因子进行模糊化,作为随机森林模型的输入变量,建立基于PCA_Fuzzy_RF的煤层底板突水预测模型。利用华北矿区实测资料的50组数据作为PCA_Fuzzy_RF模型的训练数据,10组数据作为测试数据,并将预测结果与BP神经网络及Fisher模型进行对比分析,结果表明,PCA_Fuzzy_RF模型的误判率为0,适用于解决煤层底板突水问题。