金属矿采空区危险性判别的PCA-SVM模型研究.pdfVIP

第 34卷第 4期 矿 冶 工 程 Vo1．34 №4 2014年 08月 MINING AND METALLUP-GICAL ENGINEERING August2014 金属矿采空区危险性判别的 PCA—SVM模型研究① 刘志祥 ，郭虎强，兰 明 中南大学 资源与安全工程学院，湖南 长沙410083 摘 要：为了有效合理地判别金属矿采空区的危险性，引入主成分分析法 PCA 及支持向量机 SVM ，建立 了PCA-SVM判别模 型。搜集国内金属矿40组采空区失稳资料 ，首先利用主成分分析法对采空区失稳因素进行降维处理，消除各 因素之间的冗余 ，获 取样本集主要信息。然后利用支持向量机对保留的主成分数据进行建模 ，并引人遗传算法对SVM模型参数进行优化，改善SVM模 型的判别效果。对判别模型进行训练及检验，结果表明，该模型对训练样本和检验样本的判别精度分别达到100％及90％。最后将 该模型运用于工程实际中，其判别结果与实际情况相符，表明该模型在工程实际中具有一定的应用价值。 关键词：采空区；危险性判别；主成分分析；支持向量机 中图分类号：TD325 文献标识码：A doi：10．3969／j．issn．0253-6099．2014．04．OO4 文章编号：0253—6099 2014 40—0016—04 StudyonPCA-SVM M odelforEvaluation ofGobHazardsinM etalM ine LIU Zhi—xiang，GU0 Hu—qiang，LAN Ming SchoolofResourcesandSafetyEngineering，CentralSouthUniversity，Changsha410083，Hunan，China Abstract：APCA—SVMmodelwasestablishedbyintroducingprincipalcomponentanalysis PCA andsupportvector machine SVM foreffectivelyevaluatinggobhazardsinmetalmines．With40setsofdataaboutunstablegobin domesticmetalmines，factorscontributingtotheinstabilityofmind—outareawerefirstlytreatedwithprincipalcomponent analysisofrdimensionalityreduction，SO astoeliminateredundanciesamongfactorsandobtainmain information of sampleofdataset．ThenSVM wasusedtobuildmodelofrtheremainingdateafterPCA，andparametersoftheSVM modelwasoptimizedbyintroducinggeneticalgorithm，resultingin animprovementinevaluation effectofSVM mode1． Basedon the trainingand testingofsuch evaluationmodel，itisfound thatthe evaluation accuracy ofthetraining samplesandtestingsampleshadrespectivelyreached100％ and90％．Finally，itspracticalapplicationinprojects showedtheevaluationresultinaccordancewithpracticalresult，verifyingitsapplicationvalue． Keywords：gob；hazardsassessment；principalcomponentanalysis PCA ；suppo~vectormachine SVM 我国金属矿山在不断进行地下开采过程中形成了 得到了广泛的应用，取得了不错的效果。但是，神经网 大量采空区。采空区的长期存在会带来一系列的安全 络具有易陷入局部最优，出现局部极小以及泛化能力 问题，如采场顶部的岩石冒落及地表的开裂、塌陷等， 差等问题 。支持 向量机 SVM 是一种基于结构风险 严重影响矿山安全生产 。因此，有必要对采空区 最小化的机器学习方法，其模型结构简单，能够较好地 的危险性做出一个合理、有效的分析判别。相关学者 解决小样本、非线性、过拟合、维数灾难及局部极小等