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。     

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。     

露天煤矿边坡稳定性预测的PSO-LSSVM模型

边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。针对煤矿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,选取煤矿边坡工程中岩石重度、粘聚力、内摩擦角、边坡角、边坡高度、孔隙水压力和振动系数等七项因素为边坡稳定性的影响因素,建立了PSO-LSSVM的煤矿边坡稳定性预测模型。利用煤矿实测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在煤矿边坡稳定性预测中有较高的准确度。     

改进的粒子群支持向量机预测瓦斯涌出量

提出一种基于改进的粒子群参数优化的支持向量回归机算法(IPSO-SVR),该方法引入混沌映射及网格分区寻参思想,能避免粒子群算法(PSO)陷入局部最优解。使用IPSO-SVR算法建立瓦斯涌出量预测模型,结果表明基于IPSO算法寻优参数建立的瓦斯涌出量支持向量回归预测模型具有良好的预测效果。与粒子群优化参数的支持向量回归机(PSO-SVR)模型、广义回归神经网络(GRNN)模型进行比较,IPSO-SVR模型预测效果明显优于PSO-SVR和GRNN模型,可用于瓦斯涌出量的实际预测,表明所提出的IPSO算法是选取SVR参数的有效方法。     

巷道围岩稳定性分类的GSM-SVM预测模型

为准确预测巷道围岩稳定性类别,提出了基于网格搜索法(GSM)优化支持向量机(SVM)的巷道围岩稳定性预测模型。选取22组巷道围岩数据作为学习样本,以水平地应力与巷道夹角、顶板岩性、水的影响和巷道断面积4个指标作为模型输入,巷道围岩稳定程度作为模型输出,同时为增强模型的泛化性能和预测精度,采用改进的网格搜索方法优化支持向量机参数,最终构建基于GSM-SVM的巷道围岩稳定性预测模型。然后运用该模型对8组巷道围岩数据进行预测,并同BP神经网络模型的结果进行对比。结果表明,GSM-SVM模型的预测结果与实际结果吻合,正确率达98%,具有比BP神经网络模型更高的精度。     

基于SVR的煤矿安全资源与安全状态作用机理模型

针对煤矿安全资源与安全状态的强非线性特征,划分了煤矿系统安全资源和安全状态级别,确定了输入向量集合和输出向量集合,建立了基于支持向量回归机(SVR)的安全资源与安全状态的作用机理模型,并分别利用网格搜索算法(GS)和粒子群算法(PSO)对模型进行了参数寻优,确定了支持向量回归机模型,通过实例分析验证了模型的有效性及适用性。研究结果表明:PSO算法得到的最优参数作为模型,较好地拟合了安全资源与安全状态间的非线性复杂关系,且模型有效性和推广能力更强。     

基于GA-LSSVR的露天矿边坡稳定性预测

针对露天矿边坡稳定性问题的小样本、非线性等特点,利用遗传算法的全局搜索能力优势,提出了基于遗传算法的最小二乘支持向量回归参数寻优方法,并建立基于遗传最小二乘支持向量回归(GA-LSSVR)的露天矿边坡稳定性预测模型。通过遗传算法对LSSVR进行优化,提高了预测精度和速度。实验结果表明,与BP神经网络、LSSVR模型相比,GA-LSSVR的精度更高,基于GA-LSSVR的露天矿边坡稳定性预测模型更有效。     

基于GA-LSSVR的露天矿边坡稳定性预测

针对露天矿边坡稳定性问题的小样本、非线性等特点,利用遗传算法的全局搜索能力优势,提出了基于遗传算法的最小二乘支持向量回归参数寻优方法,并建立基于遗传最小二乘支持向量回归(GA-LSSVR)的露天矿边坡稳定性预测模型。通过遗传算法对LSSVR进行优化,提高了预测精度和速度。实验结果表明,与BP神经网络、LSSVR模型相比,GA-LSSVR的精度更高,基于GA-LSSVR的露天矿边坡稳定性预测模型更有效。     

基于改进PSO优化LS-SVM参数的煤与瓦斯突出预测研究

为提高最小二乘支持向量机的预测精度,拓展其应用范围,采用改进后的粒子群优化算法对最小二乘支持向量机进行参数寻优,并应用于芦岭煤矿煤与瓦斯突出危险性类型预测。结果表明优化后的模型比神经网络预测的结果精度高,总体效果良好。     

基于IPSO-ELM的边坡稳定性分析

边坡稳定性受多种复杂因素影响,传统算法很难得到高精度预测结果,为了及时准确地对边坡稳定性做出可靠性分析,提出了改进粒子群优化极限学习机(IPSO-ELM)模型并应用于边坡稳定性预测实例中.首先在粒子群算法(PSO)的基础上,为克服在寻优过程中易出现局部最优的问题,引入自适应权重法,将改进粒子群算法(IPSO)对极限学习...     

基于PSO-SVR预测模型的综采工作面周期来压研究

为了准确预测综采工作面基本顶周期来压规律,采用灰度系统理论提取了影响综采工作面周期来压的八个显著因素。针对支持向量机(SVR)预测模型过分依赖主观选择的参数问题,建立了粒子群算法优化参数选择的支持向量机(PSO-SVR)预测模型。试验结果得出：PSO-SVR比SVR模型在周期来压强度和步距的均方误差分别降低为47.7%、74.3%,决定系数分别提升为45.7%、44.6%。为突显PSO-SVR模型性能的优越性,与应用最广泛的BP普通神经网络进行了对比试验,粒子群算法对标准支持向量机模型性能优化效果明显,较普通BP神经网络优势显著。可见,PSO-SVR对于多种因素影响的非线性耦合预测具有较高的精度和较强的泛化性。     

基于PSO-LSSVM的矿井冲击地压分级预测研究

为准确预测煤矿冲击地压灾害,提出一种基于粒子群算法(PSO)优化最小二乘支持向量机(LSSVM)预测方法,即冲击地压分级预测的PSO-LSSVM方法。该方法综合考虑煤矿开采深度、地质构造、煤的坚固性系数、最大主应力、煤层倾角变化、煤厚变化、顶板岩层厚度、开采工艺、顶板和底板岩石强度共10项指标因素,构建冲击地压预测指标体系。利用PSO搜索方法对LSSVM模型的核参数σ和惩罚因子f快速寻优,再将优化参数输入LSSVM模型中,构建基于PSO-LSSVM方法的冲击地压危险性分级预测方法,并进行工作面实例预测。研究结果表明:与其他预测方法相比,PSO-LSSVM方法具有计算效率高、准确性高、操作简便等特点,现场应用效果良好。     

基于PSO-BP神经网络的边坡稳定性模型研究

为了对边坡的稳定性进行分析,以黏聚力、内摩擦角、边坡倾角、坡体的容重、边坡高度、孔隙压力比6个主要影响因素作为边坡稳定性的判别指标,利用粒子群算法优化BP神经网络的权值和阀值,建立边坡稳定性的PSO-BP模型,并对5个边坡的稳定性进行分析,预测的平均误差达到1.98%,预测效果较好。结果表明,PSO-BP神经网络模型较传统的BP神经网络模型精度更高,收敛速度更快。     

基于随机权重法改进PSO-ELM的露天矿边坡稳定性分析

为提高极限学习机(ELM)模型在弓长岭露天矿边坡稳定性预测中的精度,有效解决ELM模型在训练过程中随机产生的连接权值和隐含层阈值而导致模型稳定性差的问题,引入基于随机权重法改进的粒子群算法(IPSO)进行优化,提出了改进粒子群算法优化极限学习(IPSO-ELM)模型,将该模型应用到弓长岭露天矿边坡监测的数据中,把预测结果与ELM模型和PSO-ELM模型的预测值进行对比分析,结果表明：IPSO-ELM模型预测值接近于实测值,预测精度高、预测速度快,模型构建合理,在露天矿边坡预测中具有较高的可行性,可作为露天矿边坡预测的一种参考方法。     

基于改进PSO-ELM的尾矿坝稳定性分析

为了更准确地对尾矿坝稳定性进行预测,采用训练速度快、参数设置简单、准确度较高的极限学习机（ELM）模型,针对ELM模型在训练过程中随机产生的连接权值和隐含层阈值,导致泛化能力不足、模型稳定性差的问题,引入基于线性递减权重法改进的粒子群算法（IPSO）对其进行优化,提出了尾矿坝稳定性预测的改进粒子群优化极限学习机（IPSO-ELM）模型。将该模型运用到尾矿坝实例预测中,在选取的35个样本数据中,将前30组作为训练样本,后5组作为测试样本,以内摩擦角、边坡角、尾矿坝材料重度、孔隙压力比、内聚力和边坡高度6个尾矿坝稳定性影响因素为输入参数,以尾矿坝稳定性安全系数为输出参数,将预测结果与ELM模型和PSO-ELM模型对比,结果表明,IPSO-ELM模型有较高的预测精度,预测值逼近于实际值,验证了IPSO-ELM模型在尾矿坝稳定性评价中的可靠性和有效性。     

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。     

生物氧化预处理过程中溶氧量的预测研究

溶氧量作为影响生物氧化速率的重要因素之一,精准地预测溶氧量对生物氧化冶金工艺有着十分重要的意义,为提高模型预测的精度,本文提出一种基于鲸鱼算法-最小二乘支持向量机（WOA-LSSVM）的矿浆溶氧量预测建模方法,用鲸鱼算法对最小二乘支持向量机的核函数宽度和惩罚因子进行寻优,然后建立WOA-LSSVM溶氧量预测模型,最后输出预测结果,并与LSSVM和(粒子群算法)PSO-LSSVM模型对比。研究表明,WOA-LSSVM模型的预测结果更接近于实际值,其相对误差也比另外两种模型低,该模型可以很好地预测溶解氧,具有预测精度高的优势,可应用于之后对于溶氧量的预测研究。     

基于SVM的煤与瓦斯突出预测模型及应用

为有效预测矿井内煤与瓦斯突出的危险程度,对其影响因素做了分析与探讨,分别构建了基于粒子群优化算法以及遗传算法支持向量机的煤与瓦斯突出预测模型,并且通过实例对两种模型预测的准确性进行了验证。分别利用单项以及综合指标、BP神经网络以及PSO-SVM模型、GA-SVM模型,对寺河煤矿二号井的突出区域进行预测比较。结果表明,PSO-SVM的预测模型不仅可以在小样本数据中预测出煤与瓦斯突出程度的大小,而且综合预测结果更加精确,其在解决矿井内煤与瓦斯突出的小样本数据中显示出更加强大、通用的性能。