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 PDF

Info

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
Application number
CN201810607663.8A
Other languages
English (en)
Inventor
张妹
饶家健
刘启蒙
夏磊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN201810607663.8A priority Critical patent/CN108805357A/zh
Publication of CN108805357A publication Critical patent/CN108805357A/zh
Pending legal-status Critical Current

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

一种基于PCA分析的Fisher判别模型突水水源预测方法
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) 。
CN201810607663.8A 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 Pending CN108805357A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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