基于鲸鱼算法优化支持向量机的露天煤矿边坡稳定性预测

边坡的稳定性对露天矿山的安全影响重大,为了快速地对露天煤矿边坡稳定状态进行判断,提出了一种基于鲸鱼算法(WOA)优化支持向量机(SVM)的露天煤矿边坡稳定性预测模型,该方法使用WOA对SVM模型的惩罚系数及核函数参数的取值进行了优化,解决了SVM模型的初始参数值选取困难的缺点。利用WOA优化后的SVM模型对收集到的边坡数据进行预测,并与RF、BP、SVM模型的预测结果进行对比。结果表明,WOA优化后的SVM模型具有更高的预测精度,该模型对确定露天煤矿边坡稳定状态有一定的参考价值。     

基于IGWO-SVM的露天矿边坡变形预测

为了克服露天矿边坡变形预测时传统算法精度低的问题,利用改进灰狼算法(IGWO)和支持向量机(SVM)建立了露天矿边坡变形IGWO?SVM模型.引入非线性递减的收敛因子策略和惯性权重策略改进灰狼优化算法,用来确定SVM参数,以达到提高模型精度的目的,并将露天矿边坡变形观测数据输入模型进行验证.结果表明,与SVM和BP模型...     

基于SVR组合模型的边坡位移预测研究

为解决传统支持向量机预测模型的不足,造成矿山边坡位移预测精度低的问题。提出了一种基于自适应惯性权重PSO算法的支持向量回归机(SVR)组合预测模型。将其运用到某矿边坡滑坡位移预测中,并与基于灰色预测模型、基于传统SVR预测模型预测结果对比,结果表明:基于SVR组合预测模型的矿山边坡位移预测的精度更具优势。     

基于PCA-PSOSVM的煤自燃程度预测研究

针对煤自燃程度指标多且与气体产物之间存在复杂非线性关系的特点,将主成分分析理论(PCA)和支持向量机算法(SVM)相结合,建立了煤自燃程度的预测模型。对表征煤自燃程度的10个指标进行主成分分析,提取其中3个主要成分作为支持向量机的输入,利用MATLAB实现回归预测,运用粒子群算法(PSO)对支持向量机的参数寻优,并与遗传算法(GA)参数寻优进行了对比。预测结果显示,PCA-PSOSVM模型的预测精度相对较高,其相对误差绝对值的平均值为4.26%,而PSOSVM、GASVM和PCA-GASVM的相对误差绝对值的平均值分别为8.16%、10.62%和7.81%,表明经PCA降维处理后的SVM预测准确率高于未经PCA降维处理的SVM预测结果,PSOSVM比GASVM具有更好的预测效果。     

基于GWO优化的CS-SVM轴承故障诊断

灰狼算法(GWO)作为新型寻优算法,可用于轴承故障诊断。提出了采用GWO优化代价敏感支持向量机(CS-SVM)的诊断模型。通过经验模态分解(EMD)及主成分分析(PCA)进行特征提取并实现特征的降维,GWO优化CS-SVM参数来提升故障分类的准确率。以西储大学轴承数据为例,将比例为4∶1的训练样本和测试样本带入GWO优化的CS-SVM模型,诊断测试的准确率为96.67%,相比于传统PSO算法的准确率有所提升,收敛速度更快,表明了GWO优化的CS-SVM具有优越性。由此可以得出,GWO可用于轴承故障诊断的研究,验证了该算法模型的有效性。     

基于VMD与GWO优化SVM的轴承故障诊断

针对传统振动信号特征提取方法与支持向量机(SVM)分类方法的缺陷,提出一种基于变分模态分解(VMD)故障特征提取方法与灰狼优化器(GWO)优化SVM的诊断模型。首先,将滚动轴承的原始振动信号采用VMD得到若干本征模态分量(IMF);其次,将IMF的多尺度加权排列熵作为特征向量并使用t-sne方法做降维处理;最后,使用GWO对SVM进行优化并对样本数据进行分类判别。实验结果表明,该方法相比于其他传统算法能够有效提高故障分类精度。     

基于改进DE-LSSVM模型的边坡变形预测

针对目前最小二乘支持向量机(LSSVM)在预测算法中存在的不足,通过改变差分演化算法(DE)中的缩放因子个数、杂交概率的个数和变异策略来建立改进DE-LSSVM预测模型,利用某矿山的边坡观测数据。结果表明,基于改进DE-LSSVM预测模型有较优的预测能力。     

露天煤矿边坡稳定性预测的PSO-LSSVM模型

针对边坡工程稳定性预测的复杂性,将粒子群算法和最小二乘支持向量机结合,使用粒子群优化算法寻找最小二乘支持向量机的最优参数,选取七项因素(岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数)作为边坡稳定性的影响因素,建立PSO-LSSVM的边坡稳定性预测模型。利用矿山实测30组边坡稳定性数据进行学习训练,另用12组数据进行测试,同时与LSSVM测试数据进行比较,验证了PSO-LSSVM模型在矿山边坡稳定性预测中有较高的准确度。     

江西盘古山钨矿区开采沉陷预计的GA-SVA算法

传统矿山开采沉陷监测方法存在耗时较多且精度不高等不足,且难以对矿区开采沉陷发展趋势进行准确预计。以江西盘古山钨矿区为例,将遗传算法(Genetic algorithm,GA)与支持向量机(Support vector machine,SVM)算法相结合,提出了一种基于GA-SVM算法的开采沉陷预计方法。首先利用遗传算法(GA)对支持向量机(SVM)进行选择、变异和交叉,生成精度符合要求的数据集群;然后采用GA-SVM算法对概率积分法开采沉陷预计参数进行了训练,对矿区开采沉陷进行了预计。研究表明:基于GA-SVA算法的开采沉陷预计值与实测值的误差小于5%,基于该算法的预计值构建的矿区数字高程模型(Digital elevation model,DEM)与基于实测数据构建的数字高程模型(DEM)具有高度的一致性,表明利用所提算法预计矿山开采沉陷具有较高的精度。     

基于多因素位移时序PSO-SVM的边坡变形预测

由于复杂工程地质条件和环境因素的综合影响,边坡变形呈现复杂非线性演变特征。针对位移时间序列未能完全考虑环境因素对边坡变形的影响,故将影响边坡变形的有效降雨量加入监测位移时序,组成多因素位移时间序列。引入粒子群算法(PSO)对支持向量机(SVM)的模型参数寻优,结合滚动预测方法,建立了适合边坡变形预测的多因素位移时间序列PSO-SVM模型。以华光潭一级厂房后边坡表面观测位移为例进行预测分析,研究表明,新模型预测结果科学可靠,有效弥补了传统PSO-SVM后期预测泛化能力的不足,提高了模型的预测精度。新模型在边坡位移时序预测中具有一定的工程应用价值。     

基于PCA-SVM的岩爆预测

岩爆是深部地下工程开挖掘进过程中常见的地质灾害,具有显著的随机性、突发性和复杂性,随着深埋工程的增多,岩爆预测的重要性日益凸显。根据岩爆的影响因素、特点及成因,选取了围岩切向应力σθ,单轴抗压强度σc、单轴抗拉强度σt、脆性系数σc/σt、应力系数σθ/σc和冲击倾向性指数Wet等6个主要预测指标。首先用主成分分析法(PCA)对原始数据预处理,不仅消除了指标之间的相关性,而且降低了维度;然后使用粒子群算法(PSO)去优化支持向量机的惩罚c和核函数参数g,建立基于主成分分析和粒子群支向量机(PCA-PSOSVM)的岩爆预测模型,并将PCA-PSOSVM的预测结果与支持向量机(SVM)模型和人工神经网络(ANN)模型的预测结果进行比较。结果表明:PCA-PSOSVM模型的判别准确率比SVM模型和ANN模型高。     

基于SVM算法的地震小断层自动识别

为了提高小断层解释的准确率,构建基于支持向量机(SVM)算法的断层自动识别方法。通过分析构造部位和非构造部位地震属性特征,建立SVM两分类的断层识别模型。首先,研究支持向量机两分类算法的基本原理和结构,表明支持向量机在两分类问题上具有准确率高的优点;然后建立断层正演模型,分析不同地震属性的断层响应特征,表明断层分布与属性值变化趋势相关;通过对支持向量机算法和正演模型的分析,表明利用地震属性作为支持向量机的输入,预测小断层具有可行性。从叠后地震数据中提取方差、曲率等与断层相关的属性集合;通过相关性分析和聚类分析评估属性,确定4种互相关性低的地震属性。利用14口钻井、3条巷道的地震属性和断层信息共606个数据,选取400个作为训练样本,构造SVM断层识别模型;206个数据作为测试样本,进行断层识别,识别正确率达到98%。利用地震属性建立的SVM断层自动识别模型,能够有效识别小断层,降低人为主观因素的影响,缩短了解释周期;钻孔分布越均匀、数目越多,解释精度就越高。     

基于GS-PSO-SVM模型的边坡稳定性预测模型

针对传统边坡稳定性预测模型的不足,提出一种基于网格搜索和粒子群优化的支持向量机模型(GS-PSO-SVM model)。为了解决支持向量机参数选取问题,首先利用网格搜索法粗略寻优,确定参数范围,然后利用粒子群二次寻优。利用该模型对边坡实例预测,39个实例样本中,30个为训练样本,9个为预测样本,以岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力等6个边坡稳定性影响因素作为输入,边坡稳定性状态作为输出,预测结果与单独的网格搜索法、粒子群算法和遗传算法优化的支持向量机模型对比。结果表明,GS-PSO-SVM模型分类准确率100%,有更高的预测精度和预测效率,该模型能有效地对边坡稳定性状态进行预测。     

基于PCA-RVM的露天矿边坡稳定性预测模型

针对当前露天矿边坡稳定性预测模型精度不高、效率低等问题,提出一种将主成分分析法(PCA)和相关向量机(RVM)相结合的露天矿边坡稳定性预测模型。该模型运用PCA对影响边坡稳定性的多个影响因素变量进行降维,筛选出4个相互独立的主成分变量;借助RVM映射边坡稳定性安全系数与主成分变量之间的非线性关系,建立基于PCA-RVM的露天矿边坡稳定性预测模型。将该模型应用于露天矿边坡工程实例,结果表明:在相同样本下,PCARVM模型预测结果的最大相对误差仅为1.26%,平均相对误差为0.95%,均方差为0.011,远低于RVM模型和GEP模型的预测结果;PCA-RVM模型具有预测精度高、离散性小、可靠度高等优点,为准确预测露天矿边坡稳定性提供了一条新途径。     

支持向量机预测高边坡爆破质点振动速度

基于泉州某工程高岩石边坡爆破振动数据,选择单段最大药量、水平距离、高程差作为影响因子,采用支持向量机（SVM）与传统方法相结合的预测方法进行训练、交叉验证、最后预测。证明支持向量机理论能较好地预测爆破振动合速度。研究成果为改善岩石高边坡爆破振动预测精度提供了一种方法。     

基于支持向量机模型的地表下沉系数计算参数寻优

为准确快速地对地表下沉系数进行预测分析,提出基于支持向量机(SVM)的地表下沉系数的SVM预测模型,结合我国典型的地表移动观测站实际案例,分别采用网格参数寻优算法、遗产算法(GA)、粒子群算法(PSO)对SVM模型进行参数寻优,并采用考虑交叉概率的改进GA算法对地表下沉系数进行预测.结果表明,改进的GA算法预测回归系数可达到0.95271,适合地表下沉系数预测分析,预测准确率最高.     

基于GAPSO-SVM的煤层底板破坏程度预测

为了对煤层底板破坏程度进行正确预测,分析遗传算法(GA)和粒子群优化(PSO)算法存在优化支持向量机(SVM)易陷入局部最优解和分类精度相对较低的问题,提出了GAPSOSVM优化算法。综合考虑GA和PSO算法的优点对SVM的参数进行了优化,优化后的算法能够较好地调整算法的全局与局部搜索能力之间的平衡。通过对曹庄煤矿底板破坏程度的预测表明,该方法不仅能够取得良好的分类效果,分类精度高于GA-SVM和PSO-SVM,而且有较好的鲁棒性。     

基于GS-PSO-SVM的边坡稳定性预测模型

针对传统边坡稳定性预测模型的不足，提出一种基于网格搜索和粒子群优化的支持向量机模型（GS-PSO-SVM）。为了解决支持向量机参数选取问题，先利用网格搜索法粗略寻优确定参数范围，然后利用粒子群二次寻优。利用该模型对边坡实例预测，39个实例样本中，30个为训练样本，剩下9个作为预测样本，以岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6个边坡稳定性影响因素作为输入，边坡稳定性状态作为输出，预测结果与单独的网格搜索法、粒子群算法和遗传算法优化的支持向量机模型对比。结果表明，GS-PSO-SVM模型分类准确率100%，有更好地预测精度和更高的预测效率，该模型能有效的对边坡稳定性状态预测。     

改进的模糊多类支持向量机算法在瓦斯预警中的应用

煤与瓦斯危险性的准确预测一直是矿山安全领域的关键技术难题和重大研究课题。支持向量机是在瓦斯预警中广泛使用的一种技术,以统计学习理论和支持向量机为基础,通过研究基于模糊支持向量机的多类分类方法,对原算法进行改进,采用模糊多类支持向量机,并构造模糊隶属函数,同时使用序列最小最优化算法进行求解,以期提高算法的精度和速度。     

煤自燃极限参数的支持向量机预测模型

建立了基于支持向量机 (Support Vector Machine, SVM)的煤自燃极限参数预测模型;经过与多项式函数及Sigmoid核函数的对比,选用径向基函数作为SVM核函数;提出了一种SVM参数优化的变步长搜索方法,先在一个大区域根据训练样本均方差的值改变参数搜索步长,找到一个性能好的小区域,在这个小区域中应用网格搜索法找到最优参数,可提高参数搜索速度.实验表明,与人工神经网络模型相比,在样本有限的情况下,基于支持向量机的煤自燃极限参数预测模型预测精度更高、速度更快,说明支持向量机技术在煤自燃极限参数预测中具有实用价值. 