粗集与支持向量机联合建模及在开采沉陷预计中的应用.pdfVIP

第28卷 第4期 西 安 科 技 大 学 学 报 Vol_28 No．4 2008年 12月 J0URNALOFXIANUNIVERS丌Y OFSCIENCEAN DTECHNOLOGY Dec．20o8 文章编号：1672—9315(2008)04—0702—05 粗集与支持向量机联合建模及在 开采沉陷预计中的应用 张安兵 ，高井祥 ，刘新侠 ，李喜盼 (1．中国矿业大学环境与测绘学院，江苏徐州220186；2．河北工程大学 资源学院，河北 邯郸056021) 摘 要：地表沉陷与地质采矿因素之间存在复杂的非线性关系，人们通常采用概率积分法、神经 网络等研究沉陷的规律性，但预计效果往往不够理想。本文采用粗集及支持向量机技术对其进 行研究，首先应用粗集理论进行了岩移影响因素分析，给出了各影响因素的支持度，然后运用支 持向量机预测技术构建了支持向量机预测模型。最后用实例进行 了预测分析并与传统方法进行 了对比，结论表明，本文建立的模型具有网络运行稳定、精度更高的优点。 关键词：粗集；支持向量机；沉陷预计 中图分类号：TD327 文献标识码：A 中国采矿界 自上世纪50年代起在全国各大矿区开展了开采沉陷的观测工作，目前己积累了大量观 测线的资料，这些资料中包含着许多以前尚未发现的岩移信息。以前对于这些数据的处理主要在两个层 次上：①由数据生成数据；②由数据产生模型。这是传统的开采沉陷数据处理方法，对数据的处理还有一 个更高的层次，即从数据到知识；这是一个从大量数据中提取出可信的、新颖的、有效的并能被人理解的 模式的非平凡过程，计算科学领域通常将其称为知识发现或数据挖掘 ¨J。文献 [10]基于开采沉陷领域 大量工程观测资料，探讨了运用粗集和神经网络相结合的方法，从己有的沉陷数据中探索地质采矿因素 与地表沉陷间的深层次关系，取得了较理想的效果。但神经网络算法存在现在仍未从根本上解决的两个 问题：收敛速度慢，目标函数存在局部极小。并且由于神经网络模型的结构较复杂并难以选择，需要估计 的参数多，以至其对数据过学习(泛化)能力不够，预测精度很难得到保证。支持向量机是一种基于小样 本的统计机器学习理论，具有比较完善的理论基础及 良好的学习性能¨。它能最大程度地提高其泛化能 力，且其算法的局部最优解就是全局最优解。该方法已在模式识别、信号处理、函数估计等领域得到了较 好的应用。在文献 [10]研究的基础上，尝试以粗糙集与支持向量机联合建模，探讨了其在开采沉陷预计 中应用的可行性，取得了较好的结论。 1 粗集理论及支持向量机 粗集理论是波兰数学家Z．Pawlak于 1982年提出的一种数据分析理论。具有很强的数据挖掘能力。 利用其可辩识矩阵和辨别函数 自动获取规则的算法，可将知识表示成决策表的形式，通过决策表 的计算得出约简的数据集，能有效的剔除冗余数据，提高数据质量和计算速度。 支持向量机(SupportVectorMachine，简称SVM)是20世纪90年代中期在统计学习理论的Vc维理论 和结构风险最小化原则的基础上提出的一种新型学习机器。SVM针对有限样本情况，它追求的是在现有 信息情况下的最优解而不仅仅是样本数趋于无穷时的最优解；SVM能尽量提高学习机的泛化能力，比经 验风险原理的神经网络学习算法具有更强的理论依据和更好的泛化性能；SVM算法是一个凸二次优化问 题，能够保证找到极值解是全局最优解。 ·收稿 日期：2008一O1一lO 责任编辑：杨忠民 基金项 目：国家 自然科基金项 目；地理空间信息工程国家测绘局重点实验室开放基金(200709) 作者简介：张安兵 (1978一)，男，山东郓城人，博士生，讲师，主要从事GPS数据处理、变形监测研究． 第4期 张安兵等：粗集与支持向量机联合建模及在开采沉陷预计 中的应用 703 2 应用粗集理论进行岩移影响因素分析 2．1 粗集理论下的开采沉陷问题 地表沉陷是地质与采矿因素综合作用的结果，这些因素包括煤层采厚 ，煤层倾角a，开采深度 或 深厚比H／M，开采长度 ￡，开采宽度D，覆岩岩性等，由此引起的地表沉陷如最大下沉 和最大水平移动 可