CN108805357A - 一种基于PCA分析的Fisher判别模型突水水源预测方法 - Google Patents
一种基于PCA分析的Fisher判别模型突水水源预测方法 Download PDFInfo
- Publication number
- CN108805357A CN108805357A CN201810607663.8A CN201810607663A CN108805357A CN 108805357 A CN108805357 A CN 108805357A CN 201810607663 A CN201810607663 A CN 201810607663A CN 108805357 A CN108805357 A CN 108805357A
- Authority
- CN
- China
- Prior art keywords
- water
- pca
- data
- fisher
- bursting source
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
- G06F18/21322—Rendering the within-class scatter matrix non-singular
- G06F18/21324—Rendering the within-class scatter matrix non-singular involving projections, e.g. Fisherface techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于PCA分析的Fisher判别模型预测突水水源的方法,包括:收集研究区近年来各主要含水层水质类型资料;基于实际水质资料,建立PCA法的Fisher判别模型;将模型结果与实际对比,预测研究区突水水源。本发明基于PCA法对各主要含水层水质进行分析,排除各离子间重叠干扰因素,选取主要影响因素,结合Fisher判别分析法建立突水水源判别模型,进行研究区突水水源的预测。该方法有一定的新颖性,且操作简单,实用性强,为突水水源预测提供了一种新的思路和方法。
Description
技术领域
本发明属于煤矿开采突水水源识别领域。具体是涉及一种基于PCA分析的Fisher判别模型突水水源预测方法。
背景技术
快速准确的判断突水水源的位置,采取合理的措施,是预防突水事故发生的关键。矿井水质分析是判断矿井突水水源性质的主要手段之一,因不同层位的水质性质不同,一般采用水化学指标来判断矿井突水的水源性质。常用的方法有BP神经网络法、Piper三线图法等都没有考虑到各评价因子之间的相关性,造成各信息间的重合产生误判的情况。而PCA很好的解决了各变量之间的信息重叠,准确率高。本发明采用PCA法分析各因子间的相关性,提取相关性强的主要因子,结合Fisher判别法建立基于PCA法的Fisher判别模型预测突水水源的方法。
发明内容
1.本发明的目的
本发明针对煤矿开采突水水源预测技术上的缺陷,将PCA法与Fisher判别分析法相结合代替单一预测突水水源预测方法,提高预测结果的准确性
2.本发明的技术方案
为实现这一目的,建立基于PCA法的Fisher判别模型预测突水水源的方法。该方法包括:步骤A,收集研究区近年来各主要含水层水质类型资料;步骤B,基于实际水质资料,PCA法的Fisher判别模型;步骤C,将模型结果与实际对比,预测研究区突水水源。
本发明基于PCA法对各主要含水层水质进行分析,排除各离子间重叠干扰因素,选取主要影响因素,结合Fisher判别分析法建立突水水源判别模型,进行研究区突水水源的预测。该方法有一定的新颖性,且操作简单,实用性强,为突水水源预测提供了一种新的思路和方法。
附图说明
图1为本发明基于PCA法的Fisher判别模型预测突水水源方法流程图。
具体实施方案
为本发明基于PCA法的Fisher判别模型预测突水水源方法流程图。如图1所示:
步骤A,收集研究区近年来各主要含水层水质类型资料;
步骤B,基于实际水质资料,建立PCA法的Fisher判别模型;
步骤C,将模型结果与实际对比,预测研究区突水水源。
详细步骤:
选取某矿突水资料为研究背景,样本数据选自矿井内直接充水含水层新生界下含水(Ⅰ)和煤系水(Ⅱ)的各10个水样数据。考虑到不同含水层中离子的特征不同,选取六大常用的水化学特征离子作为判别因子:Ca2+(X1)、Mg2+(X2)、K++Na+(X3)、HCO3 -(X4)、Cl-(X5)和SO4 2-(X6)。实际水源类别如表1。
表1 水源判别结果
首先对原始数据进行标准化处理,然后用SPSS19.0软件对标准化后的数据进行主成分分析,得到各判别因子之间的相关系数矩阵,如表2所示。从表2中我们可以看出Ca2+与Mg2+、Ca2+与SO4 2-之间的相关系数分别是0.962和0.929,说明两者之间互为影响,存在信息重叠现象,若直接采用,可能造成数据误判,所以必须对该组数据进行PCA处理。同时得到各判别因子的特征值、贡献率和累积贡献率(见表3),选取累积贡献率大于80%的几个判别因子作为主成分个数。依据SPSS19.0提取的主成分Y1和Y2,通过最大方差法旋转得到旋转正交矩阵,最后通过得分得到成分得分系数矩阵,即各判别因子对应的的单位特征向量(见表4)。
表2 各判别因子的相关系数矩阵
表3 各主成分的特征值、贡献率及累积贡献率
表4 主成分得分系数矩阵
依据主成分得分系数矩阵,建立主成分计算模型,如下:
Y1=0.288X1+0.263X2+0.27X3+0.063X4+0.322X5+0.336X6 (1)
Y2=0.048X1+0.029X2+0.703X3+0.47X4+0.168X5+0.142X6 (2)
根据建立主成分判别模型,对标准化后的原始数据进行PCA分析计算,得到新的样本数据。
结合上述分析,将突水水源分为上含水(Ⅰ)和煤系水(Ⅱ)两个总体,将PCA分析法得到的主成分Y1和Y2作为Fisher判别法的判别因子,结合新的样本数据,利用SPSS19.0软件中的分析-分类-判别分析进行判别运算,可得判别函数如下:
Z=2.649Y1-0.941Y2 (3)
由软件易得判别函数在Ⅰ类和Ⅱ类突水水源的中心得分分别是2.568和-2.568,结合前面Fisher判别法理论,计算出各类样本的函数值与各组别的中心值距离加以对比,就可得出各样本的突水类别,见表1。
采用回判法进行误判率计算:n=0/20x100%=0
从表1中易知20个判别数据所得结果与实际情况完全符合。此外,还与BP神经网络法判别所得的结果相比较,BP神经网络模型判错了20号水样,正确率达95%,而Fisher判别结果正确率为100%,可见本发明所建立的判别模型是可行、有效的。
本发明基于PCA法对各主要含水层水质进行分析,排除各离子间重叠干扰因素,选取主要影响因素,结合Fisher判别分析法建立突水水源判别模型,进行研究区突水水源的预测。该方法有一定的新颖性。且操作简单,实用性强,为突水水源预测提供了一种新的思路和方法。
以上所举例是对本发明过程和目的进行详细说明,并不限定于本发明的保护范围内,凡对本发明技术方案进行修改和替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围之内。
Claims (2)
1.一种基于PCA分析的Fisher判别模型突水水源预测方法,包括:
步骤A,收集研究区近年来各主要含水层水质类型资料;
步骤B,基于实际水质资料,建立PCA法的Fisher判别模型;
步骤C,将模型结果与实际对比,预测研究区突水水源。
2.在步骤B中,基于实际水质资料,建立基于PCA分析的Fisher判别模型的突水水源预测方法。详细如下:
(1)首先对原始数据进行标准化处理,然后用SPSS19.0软件对标准化后的数据进行主成分分析,得到各判别因子之间的相关系数矩阵,如果两个因子之间的相关系数较大,说明两者之间互为影响,存在信息重叠现象,若直接采用,可能造成数据误判,所以必须对该组数据进行PCA处理。同时得到各判别因子的特征值、贡献率和累积贡献率,选取累积贡献率大于80%的几个判别因子作为主成分个数。依据SPSS19.0提取的主成分Y1和Y2,通过最大方差法旋转得到旋转正交矩阵,最后通过得分得到成分得分系数矩阵,即各判别因子对应的的单位特征向量。
(2)依据主成分得分系数矩阵,建立主成分计算模型(式1、2)。根据建立主成分判别模型,对标准化后的原始数据进行PCA分析计算,得到新的样本数据。
Y1=0.288X1+0.263X2+0.27X3+0.063X4+0.322X5+0.336X6 (1)
Y2=0.048X1+0.029X2+0.703X3+0.47X4+0.168X5+0.142X6 (2)
(3)结合上述分析,将突水水源分为上含水(Ⅰ)和煤系水(Ⅱ)两个总体,将PCA分析法得到的主成分Y1和Y2作为Fisher判别法的判别因子,结合新的样本数据,利用SPSS19.0软件中的分析-分类-判别分析进行判别运算,可得判别函数(式3)如下:
Z=2.649Y1-0.941Y2 (3) 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810607663.8A CN108805357A (zh) | 2018-06-13 | 2018-06-13 | 一种基于PCA分析的Fisher判别模型突水水源预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810607663.8A CN108805357A (zh) | 2018-06-13 | 2018-06-13 | 一种基于PCA分析的Fisher判别模型突水水源预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108805357A true CN108805357A (zh) | 2018-11-13 |
Family
ID=64087098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810607663.8A Pending CN108805357A (zh) | 2018-06-13 | 2018-06-13 | 一种基于PCA分析的Fisher判别模型突水水源预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805357A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871654A (zh) * | 2019-03-19 | 2019-06-11 | 安徽理工大学 | 一种基于pca与灰色局势决策法的突水水源识别方法 |
CN109887552A (zh) * | 2019-03-28 | 2019-06-14 | 安徽理工大学 | 一种突水水源判别预测方法 |
CN109993459A (zh) * | 2019-04-15 | 2019-07-09 | 安徽大学 | 一种复杂多含水层矿井突水水源识别方法 |
CN110261560A (zh) * | 2019-07-05 | 2019-09-20 | 安徽大学 | 复杂水文地质矿井突水水源识别方法及系统 |
CN111881974A (zh) * | 2020-07-27 | 2020-11-03 | 河南理工大学 | 一种基于Piper-PCA-FCL判别模型的突水水源识别方法 |
CN112255388A (zh) * | 2020-11-14 | 2021-01-22 | 杭州联芳科技有限公司 | 一种网络化水质实时监测智能预警装置 |
CN112381117A (zh) * | 2020-10-22 | 2021-02-19 | 合肥工业大学 | 基于常规水化学的煤矿突水水源混合比例计算及动态监测方法 |
CN113917558A (zh) * | 2021-08-23 | 2022-01-11 | 云南滇东雨汪能源有限公司 | 矿井水源快速判别方法、水文监测系统、设备、存储介质 |
CN114220494A (zh) * | 2021-12-15 | 2022-03-22 | 国家能源投资集团有限责任公司 | 快速判定煤矿高氟矿井水来源的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049645A (zh) * | 2012-11-28 | 2013-04-17 | 山东科技大学 | 一种煤层底板突水危险性评价方法 |
CN103745093A (zh) * | 2013-12-25 | 2014-04-23 | 中国矿业大学 | 一种基于pca-eml的煤矿突水预测方法 |
CN104483299A (zh) * | 2014-12-10 | 2015-04-01 | 安徽理工大学 | 一种矿区水害水源辨别方法 |
WO2017108775A1 (en) * | 2015-12-21 | 2017-06-29 | Dublin Institute Of Technology | Prediction of therapeutic response using vibrational spectroscopy |
-
2018
- 2018-06-13 CN CN201810607663.8A patent/CN108805357A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049645A (zh) * | 2012-11-28 | 2013-04-17 | 山东科技大学 | 一种煤层底板突水危险性评价方法 |
CN103745093A (zh) * | 2013-12-25 | 2014-04-23 | 中国矿业大学 | 一种基于pca-eml的煤矿突水预测方法 |
CN104483299A (zh) * | 2014-12-10 | 2015-04-01 | 安徽理工大学 | 一种矿区水害水源辨别方法 |
WO2017108775A1 (en) * | 2015-12-21 | 2017-06-29 | Dublin Institute Of Technology | Prediction of therapeutic response using vibrational spectroscopy |
Non-Patent Citations (1)
Title |
---|
张妹等: "基于PCA分析的突水水源Fisher判别模型", 《煤炭技术》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871654A (zh) * | 2019-03-19 | 2019-06-11 | 安徽理工大学 | 一种基于pca与灰色局势决策法的突水水源识别方法 |
CN109887552A (zh) * | 2019-03-28 | 2019-06-14 | 安徽理工大学 | 一种突水水源判别预测方法 |
CN109993459A (zh) * | 2019-04-15 | 2019-07-09 | 安徽大学 | 一种复杂多含水层矿井突水水源识别方法 |
CN109993459B (zh) * | 2019-04-15 | 2022-09-23 | 安徽大学 | 一种复杂多含水层矿井突水水源识别方法 |
CN110261560A (zh) * | 2019-07-05 | 2019-09-20 | 安徽大学 | 复杂水文地质矿井突水水源识别方法及系统 |
CN111881974A (zh) * | 2020-07-27 | 2020-11-03 | 河南理工大学 | 一种基于Piper-PCA-FCL判别模型的突水水源识别方法 |
CN111881974B (zh) * | 2020-07-27 | 2023-06-09 | 河南理工大学 | 一种基于Piper-PCA-FCL判别模型的突水水源识别方法 |
CN112381117A (zh) * | 2020-10-22 | 2021-02-19 | 合肥工业大学 | 基于常规水化学的煤矿突水水源混合比例计算及动态监测方法 |
CN112381117B (zh) * | 2020-10-22 | 2023-10-17 | 合肥工业大学 | 基于常规水化学的煤矿突水水源混合比例计算及动态监测方法 |
CN112255388A (zh) * | 2020-11-14 | 2021-01-22 | 杭州联芳科技有限公司 | 一种网络化水质实时监测智能预警装置 |
CN113917558A (zh) * | 2021-08-23 | 2022-01-11 | 云南滇东雨汪能源有限公司 | 矿井水源快速判别方法、水文监测系统、设备、存储介质 |
CN114220494A (zh) * | 2021-12-15 | 2022-03-22 | 国家能源投资集团有限责任公司 | 快速判定煤矿高氟矿井水来源的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805357A (zh) | 一种基于PCA分析的Fisher判别模型突水水源预测方法 | |
CN111104981B (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
CN110018524B (zh) | 一种基于视觉-属性的x射线安检违禁品识别方法 | |
WO2017143919A1 (zh) | 一种建立数据识别模型的方法及装置 | |
CN110674841B (zh) | 一种基于聚类算法的测井曲线识别方法 | |
CN103592690B (zh) | 基于电成像测井孔隙度谱信息自动识别储层裂缝的方法 | |
CN106198749B (zh) | 一种基于金属裂纹监测的多路传感器的数据融合方法 | |
CN106053315B (zh) | 一种生物碎屑灰岩储层孔隙结构分类方法 | |
CN108764375B (zh) | 高速公路货运车辆跨省匹配方法及装置 | |
CN109784383B (zh) | 一种基于图域特征和ds证据理论融合的钢轨裂纹识别方法 | |
CN112149512A (zh) | 一种基于两阶段深度学习的安全帽佩戴识别方法 | |
CN108363717B (zh) | 一种数据安全级别的识别检测方法及装置 | |
CN104951842A (zh) | 一种新的油田产量预测方法 | |
CN113792936A (zh) | 一种随钻岩性智能识别方法、系统、设备和存储介质 | |
CN109801685A (zh) | 一种基于PCA法与Bayes判别模型的突水水源识别方法 | |
WO2024067387A1 (zh) | 基于特征变量评分的用户画像生成方法,设备、汽车及存储介质 | |
CN110399302A (zh) | 软件测试项目的风险识别方法、装置、电子设备和介质 | |
CN205941461U (zh) | 一种路面脱空检测设备 | |
US20230162052A1 (en) | Graph neural network (gnn)-based prediction system for total organic carbon (toc) in shale | |
CN108876030A (zh) | 一种基于Fisher判别模型的突水水源预测方法 | |
CN104483299A (zh) | 一种矿区水害水源辨别方法 | |
CN104331361B (zh) | 一种用于白盒测试覆盖率计算可视化的测试装置及方法 | |
CN109800797A (zh) | 基于ai的文件黑白判断方法、装置及设备 | |
CN106054859B (zh) | 基于修正型独立元分析的双层集成式工业过程故障检测方法 | |
CN116821786A (zh) | 一种低渗储层分类方法、装置及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181113 |