基于PSO_SVM_Adaboost的煤层底板突水预测研究*

煤矿突水是较为典型的矿井水害之一。为提高煤层底板突水预测的效率与准确率,提出基于PSO_SVM_Adaboost的煤层底板突水预测模型。在总结相关算法理论基础上,设计PSO_SVM_Adaboost算法流程。为验证模型的可行性及有效性,通过引入UCI经典分类数据集进行实验。综合考虑煤层底板突水主要影响因素,确定煤层底板突水预测的评判指标。选取华北矿区60组实测数据为实验样本,利用主成分分析消除原始指标变量间的相关性,将消除相关性的变量作为PSO_SVM_Adaboost模型的输入向量,并进一步对比分析样本数据处理前后应用模型的预测效果,比较PSO_SVM_Adaboost模型、PSO_SVM模型、SVM模型的预测准确率。结果表明：主成分分析能有效地消除样本中冗余信息,简化模型结构,提高模型预测准确率与运算效率;PSO_SVM_Adaboost模型应用于煤层底板突水预测的准确率明显优于其他模型。     

基于自适应鲁棒性证据理论的煤层底板突水预测

针对D-S证据理论应用于煤层底板突水预测时,因其鲁棒性差、证据源冲突概率过大时融合结果不佳等问题而导致预测准确性不高的问题,在其改进形式——鲁棒性证据理论基础上,提出了一种自适应鲁棒性证据理论,并将自适应鲁棒性证据理论与多神经网络相结合,建立了一种煤层底板突水预测模型,采用某煤矿工作面实测水文地质数据对该模型进行了实验研究。实验结果表明,该模型预测结果准确率较高,稳定性好。     

基于IWOASVM的煤矿突水预测模型

针对传统煤矿突水预测算法易陷入局部最优、预测结果准确率低及速度慢等问题,提出了一种基于改进鲸鱼优化算法(IWOA)-支持向量机(SVM)的煤矿突水预测模型。IWOA从鲸鱼种群初始化、调节因子非线性化及随机差分进化(DE)3个方面入手对鲸鱼优化算法(WOA)进行改进:使用Tent映射初始化鲸鱼种群,提高鲸鱼种群寻找到最优猎物的可能性;通过调节因子非线性变化策略,提升算法在迭代前期的全局搜索能力及迭代后期的局部搜索能力,从而加快收敛速度;引入DE算法的变异、交叉、选择操作,以增强WOA的全局搜索能力。利用IWOA对SVM模型进行参数优化,将影响煤矿突水的水压、隔水层厚度、煤层倾角、断层落差、断层与工作层距离、采高共6个影响因素作为模型的输入特征向量,突水与安全2种突水结果作为模型的输出向量,以突水预测结果与实际结果间的误差最小化为目标建立目标函数,得到基于IWOA-SVM的煤矿突水预测模型。实验结果表明:与粒子群优化算法、DE算法、WOA相比,IWOA的预测准确率最高,标准误差最小,且收敛速度快,鲁棒性好;IWOA-SVM的突水预测准确率达到100%,与传统的突水系数法、SVM、WOA-SVM相比,IWOA-SVM表现出更高的准确率和稳定性。     

山西省杨家湾勘查区充水因素分析

根据勘查区内的水文地质特征,经过分析认为,勘查区内的主要充水水源为新生界松散层孔隙水、主采煤层顶底板砂岩裂隙水和奥灰岩溶裂隙水。通过计算主采煤层导水裂隙带发现,8号煤层采空后续采13号煤层时,易沟通8号煤层的采空区,进而引起顶板突水。通过计算突水系数发现,开采13号煤层比开采8号煤层时更易引发底板突水事故。     

煤层底板突水的智能化监测

煤层底板突水的智能化监测系统能捕捉到突水前的重要信息，实时、准确地预测底板水情。本文介绍该系统的原理及实现方法。     

煤层底板突水监控系统的设计

针对现有煤矿突水防治方法存在的理论参数与实际环境参数差异大、超前预测和实时性差等问题,提出一种基于视频监控的煤层底板突水监控系统的设计方案;以某煤矿的一次突水事件为例,重点介绍了该系统的图像处理算法。该系统对摄像机采集的图像进行灰度化、图像增强、二值化、图像分割、边缘特征提取后得到突水图像边界坐标,对该边界坐标进行曲线拟合后得到突水区域的面积,并根据不同时刻所得突水面积的差值判断突水量变化趋势。试运行结果表明,该系统稳定可靠,视频画面清晰,图像处理算法有效,突水异常时能及时报警。     

基于PCA—ELM的煤矿突水预测方法研究

针对采用传统算法建立煤矿突水预测模型存在训练速度慢、泛化能力差、测试精度不高等问题,提出了一种将PCA与ELM相结合的煤矿突水预测方法,并利用该方法建立了煤矿突水预测模型。该方法以煤矿突水历史数据为样本,利用PCA得到煤矿突水主控因素,将仅包含主控因素的样本数据划分为训练集、验证集和测试集;然后把训练样本作为ELM的输入,对模型进行训练;最后利用样本数据验证模型。实验结果表明,相较于传统算法,该方法输入变量少,建模和运算时间短,模型的运行速度和预测精度较高。     

改进Adam优化器在瓦斯涌出量预测中的应用研究

目前对基于神经网络的瓦斯涌出量预测模型的研究主要集中在瓦斯涌出问题上的表现,对模型训练中优化器性质的关注与改进较少。基于神经网络的瓦斯涌出量预测模型的训练常采用Adam算法,但Adam算法的不收敛性易造成预测模型的最佳超参数丢失,导致预测效果不佳。针对上述问题,对Adam优化器进行改进,在Adam算法中引入一种随迭代更新的矩估计参数,在保证收敛速率的同时获得更强的收敛性。以山西焦煤西山煤电集团马兰矿某回采工作面为例,在相同的循环神经网络（RNN）预测模型下测试了改进的Adam优化器在瓦斯涌出量预测中的训练效率、模型收敛性与预测准确度。测试结果表明：(1)当隐藏层数为2和3时,改进的Adam算法较Adam算法的运行时间分别缩短了18.83,13.72 s。当隐藏层数为2时,Adam算法达到最大迭代数但仍没有收敛,而改进的Adam算法达到了收敛。(2)在不同隐藏层节点数量下,Adam算法都没有在最大迭代步长内收敛,而改进的Adam算法均达到了收敛,且CPU运行时间较Adam算法分别缩短16.17,188.83,22.15 s。改进的Adam算法预测趋势的正确性更高。(3)使用tanh函数时...     

基于Adaboost和CART结合的优化分类算法

提出了一种基于Adaboost算法和CART算法结合的分类算法。以特征为节点生成CART二叉树,用CART二叉树代替传统Adaboost算法中的弱分类器,再由这些弱分类器生成强分类器。将强分类器对数字样本和人脸样本分类,与传统Adaboost算法相比,该方法的错误率分别减少20%和86.5%。将分类器应用于目标检测上,实现了对这两种目标的快速检测和定位。结果表明,改进算法既减小了对样本分类的错误率,又保持了传统Adboost算法对目标检测的快速性。     

基于回归的软化水系统运行时间预测模型研究

基于钠离子交换器的软化水系统运行时间主要根据经验人工设置,在来水中钙镁离子含量变化较大时,很难保证生产的软化水质量。分析了软化水系统中各生产环节电导率数据的相关性,采用了岭回归、CART回归和多项式回归三种机器学习预测模型,对软化水的生产时间进行了建模分析,并通过预测误差、运行时间、误差下的预测准确率对模型进行了评估。实验的结果表明,Ridge回归的误差最小,运行时间少,误差允许范围内的准确率最高。     

直流电阻率法在煤层底板水害监测中的应用研究

目前针对直流电阻率法在煤层底板水害监测中应用的研究成果主要集中于底板变形与破坏的电阻率响应特征上,对导水通道动态发育过程的电阻率变化规律研究较少。针对华北型煤田面临的底板承压水害问题,采用直流电阻率法对采动影响下的底板含、导水异常构造进行监测。首先,介绍了采煤工作面直流电阻率监测系统工作原理和基于电阻率三维反演的监测数据自动处理解释方法;然后,构建了底板突水过程监测地质模型,对底板含、导水构造发育过程进行数值模拟研究;最后,在煤矿井下开展了底板直流电阻率监测试验。数值模拟结果表明:根据电阻率三维反演结果可识别含、导水异常构造在测线走向上的展布范围;根据电阻率随时间的变化趋势可推断异常构造的发育情况,随着含、导水异常构造向上发育,低阻异常响应逐渐增强,低阻异常在垂向的展布范围逐渐增大。井下试验结果表明:利用直流电阻率监测成功捕捉了采煤工作面底板出水过程,电阻率出现异常变化的时间早于工作面实际出水时间;工作面涌水量增加之前,低阻响应表现出逐渐增强的变化趋势,与数值模拟结果基本一致;工作面出水后,低阻异常逐渐减弱。研究结果表明可利用直流电阻率法进行工作面水害预警,但要准确判断异常构造的发育高度还需结合其他监测手段进行综合解释。     

基于含水煤岩声发射特性的矿井底板突水智能监测仪设计

为了提高矿井突水量的预测精度,依据在不同应力速率作用下、不同含水量煤岩破裂时声发射频谱存在差异的特性,介绍了一种基于声发射特性的矿井底板突水智能监测仪,给出了突水危险判断模型,详细介绍了该监测仪的硬件及软件设计,最后对该监测仪进行了实验测试。测试结果表明,该监测仪能为井下突水实时预测提供依据。     

基于非均衡样本集的煤矿突水预测模型

针对煤矿突水样本集呈非均衡分布的特点,提出基于集成学习分类的煤矿突水预测模型,重点研究基分类器的构建方法、性能衡量指标和权重分析,以及基于改进型Boosting的集成学习算法.实验结果表明,该算法以牺牲不突水样本的最小误判率为代价,实现突水样本100%的判别准确率,且计算量小,易于实现.     

决策树方法在气温预测中的应用

结合陕北某县30年的气象数据,利用决策树的CART分类方法,建立预测气温的决策树模型,为提高预测的正确率还尝试了分季节的温度预测模型。通过反复试验得到各个季节的最佳气温预测模型,为气象预测研究提供了一种参考方法。     

粒子群优化混合核极限学习机的构造煤厚度预测方法

在构造煤厚度的预测中,针对预测精度不高的问题,提出利用粒子群优化（PSO）算法优化极限学习机（ELM）的方法来对构造煤厚度进行预测。首先,利用主成分分析（PCA）对三维地震属性进行降维处理,在降低地震属性的维数的同时消除变量之间的相关性。然后,构建全局多项式核函数和局部高斯径向基核函数混合核极限学习机（HKELM）模型,并利用PSO算法优化HKELM的核参数。同时,针对PSO算法存在容易陷入局部最优的问题,在PSO算法中加入模拟退火的思想和随迭代次数减小的惯性权重,以及基于反向学习的变异操作,使PSO算法可以更容易跳出局部极小值点,得到更优结果。此外,为了增强模型的泛化能力,在核函数的基础上加入L2正则项,有效地避免了噪声和异常点对模型泛化性能的影响。最后,将预测模型应用到阳煤集团新景矿区芦南二采区中部15#煤层中,预测得到的采区构造煤厚度与实际地质资料具有较高的一致性。实验结果表明,利用改进PSO算法优化HKELM构建构造煤厚度预测模型的预测误差较小,可以推广用于实际采区的构造煤厚度预测。     

基于ELM的改进CART决策树回归算法

为提高CART(ClassificationAndRegressionTree)决策树回归算法的准确性,提出一种基于ELM(Extreme Learning Machine)的改进CART决策树回归算法——ELM-CART算法.所提算法主要是在CART回归树创建过程中,在每个叶节点使用极限学习机建模,可以得到真正意义上...     

煤与瓦斯突出预测的随机森林模型

煤与瓦斯突出是煤矿开采过程中主要的动力灾害之一,针对煤与瓦斯突出等级预测问题,提高突出预测的准确率,选取最大主应力、瓦斯压力、瓦斯含量、顶板岩性、距断裂距离、煤层厚度、开采垂深、绝对瓦斯涌出量和相对瓦斯涌出量9个影响因素作为煤与瓦斯突出等级预测的评价指标,同时对相关程度较高的评价指标进行因子分析,提取公共因子,用随机森林算法进行训练预测,建立了基于因子分析的煤与瓦斯突出预测的随机森林模型。通过煤矿实测19组煤与瓦斯突出的数据作为训练样本数据集进行模型的训练,5组数据作为该预测模型的测试数据,进行煤与瓦斯突出预测,同时通过其他预测模型预测结果的对比,验证了随机森林算法在煤与瓦斯突出预测中具有较高的准确度。     

基于改进三棱柱体元构建三维煤层模型的实现

现有三维煤层建模方法采用2次插值算法及传统三棱柱体构建煤层模型,导致误差较大。根据煤矿钻孔数据建立数据库,采用狄洛尼三角剖分算法及克里金插值法建立煤层二维曲面数据模型,形成三维煤层模型的上、下表面。结合三维钻孔模型,以改进的三棱柱体元为基本元组构建三维煤层模型,实现了三维煤层的可视化与煤层储量的自动计算。根据某煤矿的原始钻孔数据,采用基于改进三棱柱体元的三维煤层建模方法对该煤矿某工作面煤层进行建模并计算煤层储量,结果表明该方法较传统块段法的计算精度提高了4.82%。     

Using artificial neural networks to enhance CART

Accuracy is a critical factor in predictive modeling. A predictive model such as a decision tree must be accurate to draw conclusions about the system being modeled. This research aims at analyzing and improving the performance of classification and regression trees (CART), a decision tree algorithm, by evaluating and deriving a new methodology based on the performance of real-world data sets that were studied. This paper introduces a new approach to tree induction to improve the efficiency of the CART algorithm by combining the existing functionality of CART with the addition of artificial neural networks (ANNs). Trained ANNs are utilized by the tree induction algorithm by generating new, synthetic data, which have been shown to improve the overall accuracy of the decision tree model when actual training samples are limited. In this paper, traditional decision trees developed by the standard CART methodology are compared with the enhanced decision trees that utilize the ANN’s synthetic data generation, or CART+. This research demonstrates the improved accuracies that can be obtained with CART+, which can ultimately improve the knowledge that can be extracted by researchers about a system being modeled.