基于MPA-SVM的煤矿抛掷爆破爆堆形态预测

为提高爆堆形态预测精度，提出了一种海洋捕食者算法（MPA）优化支持向量机（SVM）的方法，结合黑岱沟露天煤矿爆破工程数据，选取其中8个参数作为影响爆堆形态的输入参数，松散系数ξ和Weibull函数的2个控制变量α、β为输出参数，建立基于MPA-SVM的爆堆形态预测模型，并与同期使用的5个模型进行比较。结果表明:MPA-SVM的预测效果优于其他5个模型，相对误差未超过5%，3个评价指标分别为R₂（0.955,0.978,0.946），R_MSE（0.063,0.075,0.116），R_MAE（0.046,0.056,0.067），证明了MPA-SVM对爆堆形态预测的适用性，且在小样本数据条件下更具有精度优势。     

基于BP神经网络模型的爆破飞石最大飞散距离预测研究

首先将BP神经网络模型引入爆破飞石距离的预测研究,以最小抵抗线、炸药单耗、单孔最大药量作为影响爆破飞石最大距离的主要因素,建立了爆破飞石预测的BP神经网络模型,然后以某露天矿山深孔台阶松动爆破为例,利用爆破施工过程中收集的原始资料和爆破飞石监测数据,对建立的BP神经网络模型进行了训练,最后应用经训练的BP神经网络模型对爆破飞石距离进行了预测.与实测值比较后发现,BP网络模型的预报结果非常接近实测值,能够满足工程实践的要求,是一种有效的预测爆破飞石最大距离的方法.     

基于高斯过程回归矿山爆破飞石距离预测模型

为了提高矿山爆破飞石距离预测结果的精度，首先，根据马来西亚某矿山52次爆破作业记录的飞石距离相关参数，建立由6个输入(炮孔孔径、炮孔长度、最小抵抗线/孔距、炮孔填塞长度、最大一段装药量、炸药单耗)和1个输出(飞石距离)组成的数据库。然后，基于高斯过程回归机器学习算法，建立爆破飞石距离的预测模型，将其应用于马来西亚某矿山中，并与2种主流的机器学习方法(支持向量回归和神经网络)的预测结果进行对比。结果表明：从实际图-预测值图和残差分析看，基于双层神经网络构建的飞石距离预测模型的预测效果最差；从回归评价指标看，基于二次有理高斯过程回归建立的飞石距离预测模型的预测效果最优，其R-平方(R²)值为0.9、均方根误差(RMSE)值为24.67、均方误差(MSE)值为608.61、平均绝对误差(MAE)值为21.42。由此可知，基于高斯过程回归预测矿山爆破飞石距离更精确。可为类似矿山爆破安全警戒范围计算提供理论基础。     

基于PCA-BP神经网络的岩石爆破平均粒径预测

岩石爆破平均粒径的预测对岩石采装及二次破碎具有重要意义,然而常规的神经网络预测岩石爆破平均粒径存在较大的误差。为更加合理准确预测岩石爆破粒径分布,选取台阶高度与钻孔荷载比(H/B),间距与荷载比(S/B),荷载与孔径比(B/D),炮泥与荷载比(T/B),粉因数(Pf),弹性模量(E)和现场块度大小(XB)7个主要影响岩石爆破粒径的因素,并结合BP神经网络较好的预测性,以及主成分分析(PCA)能消除自变量间的相关性和减少BP神经网络输入数据的特点,建立了基于PCA-BP神经网络的岩石爆破粒径预测模型。以48组实测数据为例,对7个影响因素进行主成分分析,最终降为4个主成分,进而将其作为BP神经网络的输入因子,对岩石爆破粒径进行了预测。结果表明:BP神经网络与最小二乘法预测的平均误差分别为15.71%、27.32%,而PCA-BP神经网络预测平均误差仅为9.21%,实现了对岩石爆破粒径的较准确预测。综上所知,PCA-BP神经网络模型为岩石爆破平均粒径预测提供了一种科学、可靠的方法。     

基于PCA-GA-SVM的露天矿爆破振动速度预测模型研究

露天矿爆破振动速度受很多因素的影响,传统的经验公式和单一的神经网络模型无法满足现代爆破安全的要求。为提高预测爆破振动速度的精度,利用主成分分析(PCA)提取4个影响爆破振动速度的主成分作为模型的输入变量;结合遗传算法(GA)寻优获得支持向量机(SVM)惩罚系数c和核函数参数g为1.899 1和1.971 2,建立了基于PCA-GA-SVM的露天矿爆破振动速度预测模型,并成功应用于现场爆破工程。结果表明:该模型的平均相对误差为14.60%,建模时间为3.12 s,均方误差为0.131 5,与BP神经网络、传统SVM和GA-SVM对比,此模型具有更快的收敛速度和更高的准确率,为多因素影响下爆破振动速度预测提供了一种新的方法。     

基于PCA-GA-SVM的露天矿爆破振动速度预测模型研究

露天矿爆破振动速度受很多因素的影响,传统的经验公式和单一的神经网络模型无法满足现代爆破安全的要求。为提高预测爆破振动速度的精度,利用主成分分析(PCA)提取4个影响爆破振动速度的主成分作为模型的输入变量;结合遗传算法(GA)寻优获得支持向量机(SVM)惩罚系数c和核函数参数g为1.899 1和1.971 2,建立了基于PCA-GA-SVM的露天矿爆破振动速度预测模型,并成功应用于现场爆破工程。结果表明:该模型的平均相对误差为14.60%,建模时间为3.12 s,均方误差为0.131 5,与BP神经网络、传统SVM和GA-SVM对比,此模型具有更快的收敛速度和更高的准确率,为多因素影响下爆破振动速度预测提供了一种新的方法。     

关于在梯段爆破上飞石的飞行性实验研究

在爆破现场，由于飞石所发生的灾害事故占百分之七，为了防止爆破灾害，最重要的是要解释清楚飞石的发生性及飞行性。在本文研究中，我们利用碎石场的梯段爆破，实施改变了最小电阻线，装药量、炸药比（率）等的爆破折现实规模爆破实验，研究了关于飞石的飞行性实验。通过高速摄象机，从结果所发生的飞石来看，尽管飞石是在抛物线上产生飞行，但在飞石的飞行速度及飞行距离上可以判明，最小电阻线的距离是最重要的因素。另外，作为数     

基于灰色关联分析及GA BP模型的岩体爆破块度预测

在土石坝筑坝材料的爆破开采过程中,准确预测岩体爆破块度并进行块度控制,可保证土石坝的填筑质量。结合长河坝工程的过渡料现场爆破试验,采用灰色关联分析法分析影响爆破块度的主要因素,以此选取孔距、不均匀系数等分别作为预测模型的输入、输出参数,并采用遗传算法(GA)优化反向传播(BP)神经网络,建立了预测爆破块度的GA-BP模型。该模型的工程应用结果显示,不均匀系数C_u、曲率系数C_c、分形维数D预测值的平均相对误差分别为5.918%、8.862%、2.867%,且预测级配曲线的线形及走向均与实际结果较为接近,表明预测效果良好。对比GA-BP模型与BP网络的预测结果发现,GA-BP模型预测值的平均相对误差更小,表明总体上GA-BP模型优于BP网络。     

双基火药储存过程中安定剂含量的快速检测技术

为解决传统检测方法耗时长、操作复杂等问题,研究了近红外光谱法快速定量检测双芳 3双基火药中安定剂含量的可行性。通过分析安定剂的特征光谱区间,得到合适的建模波段。采用不同的光谱预处理方法和选取最佳主因子数优化模型,使用偏最小二乘法建立安定剂的定量校正模型,对模型进行了外部验证。结果表明:使用1 100~ 1 248 nm、1 323~ 1 515 nm波段,采用标准正态变量变化（SNV）预处理原始光谱,主因子数为7时建立的定量校正模型的预测准确性和稳定性较高。校正模型决定系数(R²_C)以及交互验证的决定系数(R²_CV)分别为0.991和0.987;校正标准偏差（R_MSEC）和交互验证的标准偏差（R_MSECV）分别为0.065和0.077。使用预测集样品对建立的最佳校正模型进行外部验证,安定剂含量预测值与参考值的平均误差为0.044%。该方法可用于双芳-3双基火药中安定剂含量的快速检测。维也里试验证明,近红外光谱法可以用于评估双芳-3双基火药安定性的好坏。     

爆破飞石预测公式的量纲分析法

在爆破飞石距离的研究方面,目前还没有一个普遍接受的爆破飞石预测公式。量纲分析法不涉及物理问题的数量方程,可以简化数学分析过程,减少相关参数,因此特别适合用于爆破理论分析。用量纲分析法对爆破飞石的产生过程进行了研究,将其分为炸药爆炸和飞石抛掷两个过程,得出特定情况下爆破飞石抛掷距离的通用预测公式。     

基于灰色 Elman 神经网络的爆破飞石距离预测研究

针对单一神经网络预测方法存在一些不足,将建立灰色关联分析法与 Elman 神经网络的耦合模型,对爆破飞石最大飞散距离进行预测研究。首先,利用灰色关联分析方法对数据进行预处理,确定各影响因素与爆破飞石距离之间的关联度;然后,根据关联度的大小,选择关联度较大的影响因素作为 Elman 神经网络的输入层数据;最后,用神经网络的功能对数据进行训练和预测。研究结果表明：利用灰色关联分析方法确定主要影响因素作为输入层,比单一使用 Elman 神经网络的预测精度更高,达到95％以上。     

基于KPCA-SVM模型的电力负荷最大值短期预测方法

电力负荷最大值预测是电网企业调度工作的重要组成部分,其预测结果的准确度将对电能的配送、有效利用率、供电服务的质量以及电力系统的发展产生重要影响。以安徽某市81天的电力负荷最大值数据为基础,选取影响当天电力负荷最大值的10个因素,并采用核主成分分析（kernel principal component analysis,KPCA）算法将10维的影响因素降为5维,其累计贡献率可达93.70%。以降维后的5维数据为输入,以径向基函数为核函数,并采用交叉验证选择支持向量机（support vector machine,SVM）回归的最佳参数,随机选取54组数据训练SVM预测模型,最后进行27组数据的拟合预测,拟合预测的均方误差为0.004 1,相关系数为0.963 1。研究结果表明,应用KPCA结合的SVM预测模型对电力负荷最大值具有很好的预测能力。     

KAEA: A Novel Three-Stage Ensemble Model for Software Defect Prediction

Software defect prediction is a research hotspot in the field of software engineering. However, due to the limitations of current machine learning algorithms, we can’t achieve good effect for defect prediction by only using machine learning algorithms. In previous studies, some researchers used extreme learning machine (ELM) to conduct defect prediction. However, the initial weights and biases of the ELM are determined randomly, which reduces the prediction performance of ELM. Motivated by the idea of search based software engineering, we propose a novel software defect prediction model named KAEA based on kernel principal component analysis (KPCA), adaptive genetic algorithm, extreme learning machine and Adaboost algorithm, which has three main advantages: (1) KPCA can extract optimal representative features by leveraging a nonlinear mapping function; (2) We leverage adaptive genetic algorithm to optimize the initial weights and biases of ELM, so as to improve the generalization ability and prediction capacity of ELM; (3) We use the Adaboost algorithm to integrate multiple ELM basic predictors optimized by adaptive genetic algorithm into a strong predictor, which can further improve the effect of defect prediction. To effectively evaluate the performance of KAEA, we use eleven datasets from large open source projects, and compare the KAEA with four machine learning basic classifiers, ELM and its three variants. The experimental results show that KAEA is superior to these baseline models in most cases.     

基于PSO-LSSVM算法的地下储气库洞室群爆破振动预测

超大断面小净距地下储气库洞室群开挖爆破工程中涉及到众多的影响因素,传统人工智能方法难以对爆破峰值振动速度准确预测。为了提高预测精度,引入粒子群算法,对传统的最小二乘支持向量机模型(LS-SVM)进行优化并建立粒子群最小二乘支持向量机爆破峰值振动速度预测模型(PSO-LSSVM)。以某地下储气库洞室群开挖爆破工程为研究对象,应用PSO-LSSVM模型,将PSO-LSSVM模型与LS-SVM模型、萨道夫斯基经验公式的预测结果进行对比,得到三种预测的结果平均绝对相对误差分别为:5.50%、8.56%、23.45%。由此可见,PSO-LSSVM模型的预测结果与实测数据拟合度更高,精确度更满足工程需求,可为多因素作用下类似工程爆破峰值振动速度预测提供借鉴。     

PCA-BP算法在地面爆破振动中的应用

为了更加准确地预测地面爆破的质点峰值振动速度,提出应用一种PCA-BP算法,该算法首先利用主成分分析对爆心距、高程差、总药量、炮孔深度、单段最大药量等地面爆破振动影响因素进行研究,然后结合BP神经网络算法对其爆破质点峰值振动速度进行预测。结果显示:利用PCA-BP算法的预测结果更接近工程实测值,平均相对误差为7.748%,远小于用传统萨道夫斯基经验公式进行预测的平均相对误差32.654%,说明将PCA-BP算法应用到爆破振动工作中是比较可行的,对评估地面振动危害有一定的指导意义。