CN103617147A - 一种矿井突水水源层识别方法 - Google Patents

Abstract

本发明涉及一种矿井突水水源层识别方法，是在获取矿井主要含水层类别的基础上，提取各含水层的水化学数据，建立水化学数据与含水层之间分类模型。本方法利用粒子群优化分类器的方法来建立矿井突水水源层分类识别模型，再用建立好的矿井突水水源识别模型对测试样本进行检测，比较了基于LSSVM的矿井水源识别和基于粒子群优化的LS-SVM的矿井水源识别，检测结果表明，本方法明显优于未采用PSO模型优化的LS-SVM模型，较好地克服了现有的突水层水源判别方法都要预先假定模式或者主观规定一些参数，导致评价结果主观性较强的不足。本发明建模的方法更科学，所建立的PSO-LS-SVM模型具有非常好的泛化能力。

Description

一种矿井突水水源层识别方法

技术领域

本发明涉及一种矿井突水水源层识别方法。

背景技术

在煤矿生产过程中，矿井突水是一种发生频率高且危害严重的自然灾害，矿井一旦突水，将会对煤矿安全开采造成威胁，造成巨大的经济损失，甚至会危及矿工人身安全。及时有效地识别矿井水源的变化可以为突水的判别和预测提供依据，是防治突水灾害的前提，而选择合适的水源识别方法则是矿井水源识别的关键。

目前，有很多种判别突水水源的方法，如模糊评价法，模糊聚类分析，灰色关联度法等，但这些方法都要事先假定模式或主观规定一些参数，致使评价的主观性很强。可以考虑将SVM模型应用到矿井突水水源识别研究中；同时可以利用水化学法来判别矿井的突水水源，其基本依据是：由于受到含水层的沉积期、地质岩性、建造和地化学环境等诸多因素的影响，使存储在不同含水层中的地下水主要化学成分有所不同。

获取矿井水源信息的方法通常有水温、同位素、地下水水位动态、水化学分析法等，由于不同含水层的水化学成分复杂，为了准确识别矿井水源，必须对获取的多种水源信息进行融合识别。

发明内容

本发明的目的是为了解决目前判别突水水源的方法中存在的评价方法的主观性太强的问题，而提供了一种基于粒子群优化LS-SVM模型的矿井突水水源层识别方法。

为了实现上述目的，本发明采取的技术方案是：提供一种矿井突水水源层识别方法，按如下步骤操作：

步骤一、获取已知的矿井水源样本数据及水源层信息，对数据进行预处理；

将获取的矿井水源层数据采用基于粒子群优化LS-SVM分类模型进行分类并编号，以矿井各个水源层的所有离子浓度作为判别因素，输入为列向量，其输出层为对应的水源层编号；

步骤二、将获取的数据分为两部分，一部分作为LS-SVM训练样本，另一部分作为测试样本，并通过粒子群算法算法，即PSO算法对LS-SVM参数进行优化；将训练样本用于支持向量回归机，测试样本用于验证模型的精度；

(1)对数据预处理：将训练样本和测试样本分开进行归一化处理；

(2)通过PSO优化LS-SVM参数；

步骤三、获得LS-SVM最优参数；

步骤四、采用支持向量机的最优网络模型对训练样本进行训练建模，建立矿井突水水源识别模型；

步骤五、采用建立的矿井突水水源识别模型对测试样本进行检测；

步骤六、给出矿井突水水源识别结果。

本发明的步骤二中所述的通过PSO算法对LS-SVM模型参数优化，其具体步骤如下：

步骤①、对训练集样本给定最大的迭代次数，最大、最小加权因子，随机产生n个粒子，每个粒子分别代表SVM的参数γ和σ；

步骤②、根据当前参数γ和σ计算适应度值；

步骤③、记忆个体和群体所对应的最佳适应度值的位置；

步骤④、更新粒子的位置，速度，搜寻更优的γ和σ；

步骤⑤、重复步骤②直到达到最大的迭代次数；

步骤⑥、利用训练好的LS-SVM模型对测试样本进行预测；

步骤⑦、输出最优参数。

本发明上述步骤②中所述的根据当前参数γ和σ计算适应度值，其具体步骤如下：

第一步：初始化粒子群，即随机产生一组初始值，包括微粒的速度和位置；设定粒子群参数，在空间Rⁿ中随机产生n个粒子x₁，x₂，…，x_n，组成初始种群X(t)；随机产生各粒子的初始速度v₁，v₂，…，v_n，组成速度矩阵V(t)；每个粒子的个体最优值P_besti的初始值为x_i的初始值；

第二步：根据粒子编码方案将每个粒子的二进制表达转化为LS-SVM的参数γ，参数σ²和特征子集，然后调用LS-SVM算法进行学习和训练，测试并记录分类精度；根据计算粒子适应度；定义训练样本的均方差根误差为： $\mathrm{RMSE}=\sqrt{\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{e}_k^2}{N}};$

第三步：对每个粒子，将适应度函数值f(x_i)与自身的最优值适应度值f(P_besti)进行比较，若f(x_i)<f(P_besti)，则用适应度函数值f(x_i)取代前一轮的f(P_besti)，用新的粒子取代前一轮的粒子；

第四步：将每个粒子的最好适应度值f(xi)与所有粒子的最优适应度值f(gbesti)进行比较，若f(xi)<f(gbesti)，则用该粒子的最好适应度值f(xi)取代f(gbesti)，同时保存粒子的当前状态；

第五步:更新粒子的速度和位置，产生新种群X_（t+1），速度调整规则为：

当v_i>V_max时，视为v_i=V_max；当v_i≤-V_max时，视为v_i=-V_max；

第六步：更新惯性因子W；根据下式

$W=W_{\max }\frac{(w_{\max }-w_{\min })T_{\max }}{T}$

第七步：更新粒子的二进制位；

第八步：检查结束条件；设定结束条件为寻优达到最大迭代次数T或评价值小于给定精度，若满足，则结束寻优；返回当前最优的特征子集、参数γ，参数σ²及分类精度；否则T=T+1，转至第二步。

本发明的方法是基于PSO模型的LS-SVM方法的基础上进行优化和建模，在这里有必要对本发明所涉及的PSO模型的LS-SVM方法模型及其基本原理描述如下：

1.LS-SVM模型

本发明所述的SVM是一种新型统计学习方法—支持向量机(Support VectorMachine,SVM)用来解决分类和函数逼近问题，其具有完备的统计学习理论基础和出色的学习性能。所述的LS-SVM称为最小二乘支持向量机方法，这种方法采用最小二乘线性系统作为损失函数，求解过程变成了解一组等式方程，使求解速度相对加快，并应用到模式识别和非线性函数逼近中，取得了较好的效果。其主要思想是：通过事先选择的非线性映射将输入向量映射到高维特征空间，在这个空间中构造最优决策函数。在构造最优决策函数时，利用结构风险最小化原则，用空间的核函数取代了高维特征空间中的点积运算，如图1所示。

设样本为n维向量，某区域的样本及其值表示为

(X₁,Y₁)，……,(X_l,Y_l)∈Rⁿ×R

首先构造非线性映射

在这个高维特征空间中构造最优决策函数

这样非线性估计函数转化为高维特征空间中的线性数。利用结构风险最小化原则，寻找w，b的最小化。

图1中：(a)输入空间R的N个待分类样本；(b)样本被映射到特征空间F中，并构建最优分类面；(c)从输入空间R的角度看，分类面是非线性的。

2.粒子群优化算法（简称：PSO算法）

本发明所述的PSO算法是一种进化计算技术微粒群优化(PSO)算法。粒子在解空间追随当前最优的粒子进行搜索，通过群体中个体之间的协作和信息贡献来寻找最优解。

PSO描述如下：

设x_i=(x_i1,x_i2,…,x_in)表示第i个微粒的位置，p_i=(p_i1,p_i2,…,p_in)表示它所经历的最好位置，p_g=(p_g1,p_g2,…,p_gn)表示群体中所有微粒经历过的最好位置，v_i=(v_i1,v_i2,…,v_in)表示第i个微粒的飞行速度。对于第t代，第d维(1<d<n)根据下列方程变化：

v_id(t+1)=wv_id(t)+c₁rand()[p_id-x_id(t)]+c₂rand()[p_gd-x_id(t)]    （1）

X_id(t+1)=X_id(t)+v_id(t+1)                                    （2）

其中，w为惯性权重，Tmax为最大迭代次数，w∈[W_min，W_max]，将w初始化为0.95，并使其随迭代次数增加而线性递减至0.4，从而调整算法的搜索能力，以达到优化的目的。c₁，c₂为加速常数，代表将每个微粒推向p_i和p_g位置的统计加速项的权重。rand()为在[0,1]范围内的随机函数。式（1）中的wv_id(t)为微粒先前的速度；c₁rand()[p_id-x_id(t)]为“认知”部分，表示微粒本身的思考；c₂rand()[p_gd-x_id(t)]为“社会”部分，表示微粒间的信息共享与相互合作。

3.PSO优化LS-SVM特征参数算法

3.1 粒子设计

本发明所述的LS-SVM中还涉及采用的核函数为

σ为径向基函数的宽度，为待定参数，γ为惩罚系数，需要优化的参数有γ和σ²。在这里，粒子用二进制位串表示，另外，还要同步进行特征选择，因此，粒子包括三个部分，即参数γ，参数σ²和粒子编码，其中参数γ，σ²用特征掩码表示，若该位为1，表示对应的特征入选特征集，若该位为0，表示对应的特征不在选出的特征集中。

3.2 适应度函数

适应度函数算法的目标是提高LS-SVM的分类正确率，同时尽可能降低所选择的特征数，即一个粒子能够使LS-SVM模型产生的分类精度越高，同时选出的特征数目越少，其适应值就应该越高。评价各粒子适应度函数f（x），定义训练样本的均方差根误差为

计算适应度函数f(x)越小，适应能力越强。

本发明的矿井突水水源层识别方法具有的有益效果是：

(1)、本发明是在理论上已经证明基于PSO模型的LS-SVM方法能够有效提高LS-SVM模型的诊断精度的基础上进行优化和建模，因此本发明的建模方法更科学。

(2)、本发明的方法通过采集到的矿井的水源样本，分析并提取了矿井含水层的主要离子含量，建立了基于PSO-LS-SVM的矿井突水水源层识别模型，检验结果表明，本方法能提高LS-SVM的诊断精度。

(3)、本方法经优化后的PSO-LS-SVM模型的训练集和测试集的均方误差为0.074752和2.2513，决定系数为0.814和0.84519，表明了本方法所建立的PSO-LS-SVM模型具有非常好的泛化能力。

附图说明

图1为本发明中LS-SVM基本原理示意图。

图2为本发明基于PSO-LS-SVM模型的矿井突水水源识别流程图。

图3为本发明PSO算法优化LS-SVM参数流程图。

图4为本发明采用PSO优化LS-SVM的进化迭代图。

图5为本发明采用PSO优化LS-SVM的训练集预测结果对比图。

图6为本发明采用PSO优化LS-SVM的测试集预测结果对比图。

图7为本发明采用LS-SVM模型的训练集预测结果对比图。

图8为本发明采用LS-SVM模型的测试集预测结果对比图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详述。

实施例1：本发明提供的一种矿井突水水源层识别方法，其识别流程如图2所示，

步骤一、获取已知的矿井水源样本数据。

采集到某矿的39个水源样本，分别来自于4个主要含水层：二灰和奥陶纪含水层、八灰含水层、顶板砂岩含水层和第四系含水层（砂砾石成分以石灰岩为主）。将每个水源样本中的Na⁺，K⁺，Ca²⁺，Mg²⁺，Cl^-，SO₄ ^2-和HCO₃ ^-7种离子的含量作为判别因素，采用LS-SVM模型和PSO-LS-SVM模型分别建立判别模型，并对模型的性能进行综合评价。表1给出了矿井主要含水层水化学数据，即离子浓度。

表1 矿井主要含水层水化学数据

步骤二、将获取的数据分为两部分，一部分作为LS-SVM训练样本，一部分作为测试样本，并通过粒子群算法（PSO）算法对LS-SVM参数进行优化；训练样本用于训练支持向量回归机；测试样本集用于测试模型的精度。

(1)对数据预处理：通过表1可以看出，数据集中各个变量的差异较大，不属于同一个重量级，因此，建立LS-SVM模型之前，先把数据进行归一化。在本实施例中将训练样本和测试样本分开进行归一化处理。

(2)通过粒子群算法（PSO）优化LS-SVM参数，参见图3，PSO优化LS-SVM参数具体步骤如下：

步骤①、对训练集样本给定最大的迭代次数，最大、最小加权因子，随机产生n个粒子，每个粒子分别代表SVM的参数γ和σ；

PSO算法的相关参数设置如表2所示。

表2 PSO相关参数设置

步骤②、根据当前参数γ和σ计算适应度值；

步骤③、记忆个体和群体所对应的最佳适应值的位置；

步骤④、更新粒子的位置，速度，搜寻更优的γ和σ；

步骤⑤、重复步骤②直到达到最大的迭代次数；

步骤⑥、利用训练好的LS-SVM模型对测试样本进行预测。

步骤⑦、输出最优参数。

通过粒子群算法（PSO）求解最优的SVM参数，最终进化迭代变化如图4所示。图4中参数γ=1.5，σ=1.7，终止代数=100，种群数量=20，图中表明随着进化代数增加，平均适应度值随着粒子的变化而发生变化，最佳适应值则是初始值为90。

上述步骤②中计算适应值的步骤为：

第一步：初始化粒子群，即随机产生一组初始值，包括微粒的速度和位置；设定粒子群参数，在空间Rⁿ中随机产生n个粒子x₁，x₂，…，x_n，组成初始种群X(t)；随机产生各粒子的初始速度v₁，v₂，…，v_n，组成速度矩阵V(t)；每个粒子的个体最优值P_besti的初始值为x_i的初始值；

第二步：根据粒子编码方案将每个粒子的二进制表达转化为LS-SVM的参数γ，参数σ²和特征子集，然后调用LS-SVM算法进行学习和训练，测试并记录分类精度。根据计算粒子适应度；定义训练样本的均方差根误差为：

$\mathrm{RMSE}=\sqrt{\frac{\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_k^2}{N}}.$

设定σ和γ的取值范围为：σ∈（0.1000），γ∈（0,100）；设定粒子群规模为20，粒子向量维数为2，迭代次数为100，通过计算得到最佳参数对（σ，γ）=(235.3，7.52)

第三步：对每个粒子，将适应度函数值f(x_i)与自身的最优值f(P_besti)进行比较，如果f(x_i)<f(P_besti)，则用适应值取代前一轮的优化值，用新的粒子取代前一轮的粒子；

第四步：将每个粒子的最好适应值f(x_i)与所有粒子的最优适应值f(g_besti)进行比较。如果f(x_i)<f(g_besti)，则用该粒子的最好适应值取代原有全局最好适应值，同时保存粒子的当前状态；

第五步:更新粒子的速度和位置，产生新种群X_（t+1），速度调整规则如下：

当v_i>V_max时，视为v_i=V_max；当v_i≤-V_max时，视为v_i=-V_max

第六步：根据

公式更新惯性因子W；

第七步：更新粒子的二进制位；

第八步：检查结束条件。若满足，则结束寻优，返回当前最优的特征子集、参数γ，参数σ²及分类精度；否则T=T+1，转至步骤2。设定结束条件为寻优达到最大迭代次数T或评价值小于给定精度。

步骤三、经过上述各步骤，获得LS-SVM最优参数；为了直观的观察，分析结果，本实施例以图形的形式给出了采用PSO优化LS-SVM模型和未经优化的SVM模型的训练集和测试集的预测结果。

步骤四、采用支持向量机的最优网络模型对训练样本进行训练建模，建立矿井突水水源识别模型。

步骤五、采用建立的矿井突水水源识别模型对测试样本进行检测。

步骤六、给出矿井突水水源层识别结果。本方法建立的模型采用matlab语言进行编写，运行结果参见图5、6、7和图8。

图5中采用了20个训练样本来进行基于PSO-LS-SVM模型建模，确定了最优的参数对（σ，γ），以及建立的模型所产生的误差系数。图6中采用建立好的模型对11个测试样本进行识别分类，给出了识别分类结果和误差系数。图7采用LS-SVM模型对20个训练样本进行建模，给出了建立模型所产生的误差系数。图8采用LS-SVM模型对11个测试样本进行建模，给出了建立模型所产生的误差系数。

从图5、6、7和图8中明显可以看出，采用相同的样本集分别作为训练集和测试集，采用PSO优化SVM模型的测试集预测精度有了明显的提高。

Claims (3)

1.一种矿井突水水源层识别方法，其特征在于：按如下步骤操作：

步骤一、获取已知的矿井水源样本数据及水源层信息，对数据进行预处理；

将获取的矿井水源层数据采用基于粒子群优化LS-SVM分类模型进行分类并编号，以矿井各个水源层的所有离子浓度作为判别因素，输入为列向量，其输出层为对应的水源层编号；

步骤二、将获取的数据分为两部分，一部分作为LS-SVM训练样本，另一部分作为测试样本，并通过粒子群算法，即PSO算法对LS-SVM参数进行优化；将训练样本用于支持向量回归机，测试样本用于验证模型的精度；

(1)对数据预处理：将训练样本和测试样本分开进行归一化处理；

(2)通过PSO算法优化LS-SVM参数；

步骤三、获得LS-SVM最优参数；

步骤四、采用支持向量机的最优网络模型对训练样本进行训练建模，建立矿井突水水源识别模型；

步骤五、采用建立的矿井突水水源识别模型对测试样本进行检测；

步骤六、给出矿井突水水源识别结果。

2.根据权利要求1所述的矿井突水水源层识别方法，其特征在于：步骤二中所述的通过PSO算法对LS-SVM模型参数优化，其具体步骤如下：

步骤①、对训练集样本给定最大的迭代次数，最大、最小加权因子，随机产生n个粒子，每个粒子分别代表SVM的参数γ和σ；

步骤②、根据当前参数γ和σ计算适应度值；

步骤③、记忆个体和群体所对应的最佳适应度值的位置；

步骤④、更新粒子的位置，速度，搜寻更优的γ和σ；

步骤⑤、重复步骤②直到达到最大的迭代次数；

步骤⑥、利用训练好的LS-SVM模型对测试样本进行预测；

步骤⑦、输出最优参数。

3.根据权利要求2所述的矿井突水水源层识别方法，其特征在于：步骤②中所述的根据当前参数γ和σ计算适应度值，具体步骤如下：

第一步：初始化粒子群，即随机产生一组初始值，包括微粒的速度和位置；设定粒子群参数，在空间Rⁿ中随机产生n个粒子x₁，x₂，…，x_n，组成初始种群X(t)；随机产生各粒子的初始速度v₁，v₂，…，v_n，组成速度矩阵V(t)；每个粒子的个体最优值P_besti的初始值为x_i的初始值；

第二步：根据粒子编码方案将每个粒子的二进制表达转化为LS‐SVM的参数γ，参数σ²和特征子集，然后调用LS‐SVM算法进行学习和训练，测试并记录分类精度；根据

计算粒子适应度；定义训练样本的均方差根误差为： $\mathrm{RMSE}=\sqrt{\frac{\underset{k=1}{\overset{n}{\mathrm{\&Sigma;}}}{e}_k^2}{N}};$

第三步：对每个粒子，将适应度函数值f(x_i)与自身的最优值适应度值f(P_besti)进行比较，若f(x_i)<f(P_besti)，则用适应度函数值f(x_i)取代前一轮的f(P_besti)，用新的粒子取代前一轮的粒子；

第四步：将每个粒子的最好适应度值f(xi)与所有粒子的最优适应度值f(gbesti)进行比较，若f(xi)<f(gbesti)，则用该粒子的最好适应度值f(xi)取代f(gbesti)，同时保存粒子的当前状态；

第五步:更新粒子的速度和位置，产生新种群X_（t+1），速度调整规则为：

当v_i>V_max时，视为v_i=V_max；当v_i≤-V_max时，视为v_i=-V_max；

第六步：更新惯性因子W；根据下式

$W=W_{\max }\frac{(w_{\max }-w_{\min })T_{\max }}{T}$

第七步：更新粒子的二进制位；

第八步：检查结束条件；设定结束条件为寻优达到最大迭代次数T或评价值小于给定精度，若满足，则结束寻优；返回当前最优的特征子集、参数γ，参数σ²及分类精度；否则T=T+1，转至第二步。

Images