基于粒子群优化支持向量机的煤矿水位预测模型.pdfVIP

CN43—1258／TP 计算机工程与科学 2012年第 34卷第 7期 ISSN 1007—13OX COMPUTERENGINEERING SCIENCE Vo1．34．No．7．2012 文章编号：1007—130X(2012)07—0177—05 基于粒子群优化支持向量机的煤矿水位预测模型 TheForecastModelofM ineW aterDischarge BasedonParticleSwarm Optimization andSupportVectorMachines 郭凤仪 ，郭长娜 ，王爱军 ，王洋洋 。刘 丹 GUOFeng-yi，GUOChang-na，WANGAi-jun 。WANGYang-yang。LIUDan (1．辽宁工程技术大学电气与控制工程，葫芦岛 125105；2．开滦钱家营矿业公司，河北 唐山063301) (1．SchoolofElectricalandControlEngineering，LiaoningTechnicalUniversity，Huludao125105； 2．KailuanQianjiayingMineCompany，Tangshan063301。China) 摘 要：支持向量机算法(SVM)具有可靠的全局最优性和 良好的泛化能力，适用于有限样本的学 习，而该算法的成功与否很大程度上取决于其参数的选择，而常规经验选取方法往往不能获得满意效果。 利用粒子群算法(PSO)随机搜索策略对支持向量机参数进行优选 ，建立基于粒子群算法参数优化的支持 向量机模型(PSO—SVM)。仿真结果表明，该优化模型比传统的人工神经网络 (BP)模拟效果要好，在拟合 精度方面有很大的提高，且具有较好的泛化能力。 Abstract：Thesupportvectormachine (SVM )algorithm isofreliableglobaloptimalityandgood generalization，suitableforthelearningoffinitesamples．However，theresultsconsiderablydependon theSVM modelparametersandtheconventionalparameterchoosingmethodbyexperienceisunsatisfac— tory．Usingtheparticleswarm optimization (PSO)random searchstrategy，wecanestablishtheoptimi— zationparametersofsupportvectormachine．ItisshownthatACO—SVM ismuchbetterinthesimula— tionresultsthantheartificialneuralnetwork，whichgreatlyimprovesinfittingprecision，andithasgood generalizationability． 关键词 ：支持向量机 ；粒子群优化 ；参数优选；水仓水位 Keywords：supportvectormachine；particleswarm optim ization；parameteroptim ization；waterware- housewaterlevel doi：10．3969／i．issn．1007—13OX．2012．07．033 中图分类号：TP39 文献标识码 ：A 足煤矿生产的安全性和经济性 ，能够更加准确地预 引言 测出未来某一时刻的水位 ，对于排水节能有着重要 的意义。 近些年来 ，随着矿井开采条件的复杂化 ，特别