基于IPSOSVM瓦斯突出危险程度预测.docVIP

基于IPSOSVM瓦斯突出危险程度预测 　　摘 要： 煤与瓦斯突出事故危及矿工生命，破坏生产现场。通过现场监测瓦斯突出的相关数据，对瓦斯突出的危险程度进行预测，提前做好防范措施，减少瓦斯突出事故的危害。为此，提出支持向量机算法与改进粒子群算法相结合的瓦斯突出危险程度预测模型：首先对容易陷入局部最优的粒子群进行改进；接着应用改进粒子群算法求解影响支持向量机分类预测性能的最佳参数；然后把最佳参数应用于擅长模式识别的支持向量机算法，进行瓦斯突出样本数据的训练，构建瓦斯预测模型；最后使用瓦斯预测模型对新的瓦斯突出数据进行预测。实验结果表明，采用该方法进行瓦斯突出预测的准确率，比纯支持向量机算法提高了5%。 　　关键词： 改进粒子群； 支持向量机； 参数优化； 瓦斯突出预测 　　中图分类号： TN911?34； TP391 文献标识码： A 文章编号： 1004?373X（2016）04?0021?05 　　Abstract： Coal and gas outburst accident endangers miners lives and damages production site. The risk degree of gas outburst is predicted with the relevant data of gas outburst to make precautionary measure and reduce the gas outburst hazard. Therefore， a gas outburst risk prediction model based on combination of vector machine （SVM） algorithm and improved particle swarm optimization （PSO） algorithm is proposed in this paper. Firstly， the particle swarm being easy to trap in local optimum is improved， and the improved particle swarm optimization （PSO） algorithm is used to solve the optimal parameters which affects the classification prediction performance for SVM. Secondly， the solved optimal parameters are used in SVM algorithm being good at pattern recognition to train the gas outburst sample data and build gas outburst risk prediction model. At last， the gas outburst risk prediction model is adopted to predict the new gas outburst data. The experimental results show that the gas outburst prediction accuracy of the method is increased by 5%， which is higher than that of the pure SVM algorithm. 　　Keywords： particle swarm improvement； support vector machine； parameter optimization； gas outburst risk prediction 　　0 引 言 　　煤与瓦斯突出事故是煤炭生产过程中的重大安全事故，危及矿工生命，所引起的爆炸还严重破坏煤炭生产现场[1]。煤与瓦斯突出的预测方法研究，尤其是提高预测的精度，为瓦斯突出防范措施提供有价值的依据，进而减少瓦斯突出事故的所造成的危害。因此，瓦斯突出危险的预测具有重要的研究价值。 　　近年来，智能算法建模与预测成为预测领域的重要研究内容之一，目前，人工神经网络、支持向量机、遗传算法、灰色理论等智能算法被应用于瓦斯突出预测[2?3]。但是这些算法也存在一些不可避免的问题：基于神经网络的分类预测方法虽然分类能力强，但是神经网络的自身结构导致在权值学习过程中存在会深陷于局部极小点、收敛过程慢、参数设置复杂等问题，传统的智能检测技术还存在着算法单一的缺点[4?5]。因此，如何低成本地提高预测的准确率也