基于粒子群优化支持向量机的矿井涌水量预测.pdfVIP

第 28卷第 6期 凯里学院学报 Vo1．28 NO．6 2O1O年 12月 JournalofKaitiUniversity Dee．2010 基于粒子群优化支持向量机的矿井涌水量预测 臧大进 ，刘增 良 ，曹云峰。 (1．铜陵学 院电气工程系 ，安徽 铜陵 244000；2．中国矿业大学 ，江苏 徐州 221008； 3．上海交通大学电子信息与电气工程学院，上海 200240) 摘 要：矿井涌水量预测是一项复杂而有难度的技术，受到很多因素的影响．提 出基于粒子群优 化支持 向量机 (PS0一SVM)的矿井涌水量预测方法，即将粒子群优化算法 (PS0)用于SVM 参数优化．它不仅具有很强的全局搜索能力，而且容 易实现．经实验结果证 明，PS0～SVM 的预 测输 出与实测数据基本一致，其预测精度高于普通的SVM，所有的预测误差都远小于5 的工 程许 可误差 ． 关键词：粒子群优化支持向量机 ；粒子群优化算法；支持向量机 ；矿井涌水量；预测 论文编码 ：Doi：10．3969／j．issn．1673—9329．2010．06．09 0 弓I言 问题．故本文融合了粒子群优化算法和支持向量机 矿井涌水系统[1 是 由输入 、输 出、水文地质 二者的优点 ，应用 PSO进行 SVM 参数优化 ，以达 结构体和时间组成的具有四维性质的极其复杂的 对矿井涌水量的准确预测． 系统 ，加上人们对于矿井水文地质条件勘查工作量 1 支持向量机分类器原理及参数选择 的有限性及勘查技术手段 的局限性 ，只能获得矿井 1．1 支持向量机原理 涌水系统的部分信息．多年来 ，人们虽建立 了多种 最小二乘支持 向量机 (1eastsquaresupport 矿井涌水量预测的数学模型，不少智能算法也应用 vectormachine，LS—SVM)l893是在 支持 向量机 于矿井涌水量预测．但是 ，仍经常会出现不能识别 (supportvectormachine，SVM)的基础 上改进 的 或者漏判 、误判等情况．因此 ，寻找新的智能算法和 一 种学习方法，采用二次损失函数，将 SVM 中的 手段应用于矿井涌水量预测无疑对于防止矿井突 二次规划的难题转化为线性方程组求解 ，在保证 水、淹井等恶性事故 ，保障煤矿井下作业工人的人 精度的同时大大降低 了计算复杂性 ，在故障诊断、 身安全和国家财产的安全 ，保障煤炭资源的稳定供 流型识别和 电能质量分类 中得到了广泛应用． 应都有着非常重要的意义．而支持向量机是在统计 对于 LS—SVM，其寻优 目标函数为 学习理论基础上发展起来 的一种新的学习方法 ，它 1 ^， ” 采用结构风险最小化原则 ]，具有很强的泛化 能 minJ(叫，)一寺 llw lI+告∑ ， (1) II．Pb，￡ 厶 一 1 力 ，并克服了神经 网络中存在 的过拟合 、收敛速度 S．t． YL训 (z)+6]一 1一 ￡，i一