硫化矿石自燃倾向性等级划分的支持向量机模型及应用.pdfVIP

第33卷第2期 湖南有色金属 2017年4月 HUNANNONFERROUSMETALS 5 硫化矿石自燃倾向性等级划分的支持向量机模型及应用 郭 峰 (中国建筑材料工业地质勘查中心浙江总队，浙江杭州310012) 摘要：为准确判定硫化矿石的自燃倾向性等级，提出一种硫化矿石自燃倾向性等级划分预测模 Vector 型——支持向量机(SupportMachine，SVM)模型。结合已有的研究成果，选取表征硫化矿石 自燃倾向性本质特性的自热点温度、室内低温氧化质量增加率和自燃点温度3项指标作为硫化矿 自燃倾向性等级划分的基本判别因子。使用典型高硫矿山的18组矿样的实测数据作为训练样本， 6组硫化矿井矿样的自燃倾向性作为预测样本。分别采用网格参数寻优、遗传算法(Genetic Algo— Swarm rithm，GA)参数寻优、粒子群(Particle Optimization，PSO)寻优算法来计算SVM模型的参数， 分析比较三种算法得到的预测结果，确定最适合硫化矿石自燃倾向性等级划分的SVM回归模型的 参数寻优算法。研究结果表明，网格寻优算法、GA算法取得了良好的预测效果，预测正确率为 100％。因此，支持向量机模型可以用于指导高硫矿山矿石自燃倾向性等级的划分。 关键词：硫化矿石；自燃倾向性；支持向量机；等级划分 中图分类号：TD75+2．2文献标识码：A 文章编号：1003—5540(2017)02—0005—03 高硫矿山生产过程中容易遭遇硫化矿石自燃这 高，需要优化的参数少。此次使用典型高硫矿山的 一严重自然灾害，给矿山的生产运营带来严重的影 18组矿样的实测数据作为训练样本，分别用网格寻 响，对高硫矿山硫化矿自燃倾向性等级正确预测就 显得异常重要，硫化矿自燃倾向性等级正确预测可 化矿井矿样的自燃倾向性进行了分级预测，寻找合 以为高硫矿床开采设计和防火技术提供理论依据。 适的SVM模型算法。结果显示，网格寻优算法、GA 目前，对硫化矿自燃倾向性等级预测研究较少，阳富 算法的SVM具有较高的预测精度，预测准确率达 强等运用GA—BP神经网络模型对硫化矿自燃倾向100％。 性等级进行预测，平均预测误差2．5％，预测效果较 1 SVM的基本思想 好…。GA—BP预测拥有较高的精度，但是网络参 数的选择复杂，比如种群规模、选择概率、交叉概率 SVM包括两类分类和多类分类，此次研究将硫 等的选择，合适的参数选择才能得到较高精度的预 化矿自燃倾向性等级划分3类。SVM原理是将一个 测结果。神经网络预测精度较高，需要较多样本数 非线性的特征空间通过映射中映射到更高维的线性 量，且容易陷入局部极小值旧1；谢正文等用信息熵理 特征空间进行线性分类。因此，对于数据集Y= 论引入硫化矿自燃倾向性等级预测，克服了权重选 {(戈i，Yi)}，可以用下式进行分类估计： 择的主观性¨’41；此外统计回归模型、Fiser判别分析 ／戈)=W·戈+b (1) 法、距离判别分析理论等也应用到硫化矿自燃倾向 即分类问题变成最优分类函数： n 性等级预测H娟1；赵军等一1基于网格寻优算法利用 1