量子粒子群优化算法在煤矿瓦斯涌出量预测中的应用

针对瓦斯涌出局部性、随机性、模糊性等特点,提出一种新的量子粒子群优化、支持向量核构造量子粒子群算法和向量回归模型,并且运用一种新型的智能量子粒子群优化算法优选模型参数。实验结果表明,所提出的量子粒子群支持向量回归模型预测瓦斯涌出量比标准支持向量回归模型、智能支持向量回归模型预测精度高、速度快。     

改进的粒子群支持向量机预测瓦斯涌出量

提出一种基于改进的粒子群参数优化的支持向量回归机算法(IPSO-SVR),该方法引入混沌映射及网格分区寻参思想,能避免粒子群算法(PSO)陷入局部最优解。使用IPSO-SVR算法建立瓦斯涌出量预测模型,结果表明基于IPSO算法寻优参数建立的瓦斯涌出量支持向量回归预测模型具有良好的预测效果。与粒子群优化参数的支持向量回归机(PSO-SVR)模型、广义回归神经网络(GRNN)模型进行比较,IPSO-SVR模型预测效果明显优于PSO-SVR和GRNN模型,可用于瓦斯涌出量的实际预测,表明所提出的IPSO算法是选取SVR参数的有效方法。     

基于测井资料与优化通用向量机的煤层气含量预测模型北大核心

为实现煤层含气量的高精度评价,合理地进行生产布局及高效勘探开发,以沁水煤田柿庄南区3号煤层含气量密闭取心实验数据为样本,提出了基于弹性网络优选测井曲线的改进的量子粒子群优化通用向量机混合预测模型EN-IQPSO-GVM。模型在煤层含气量测井响应特征和敏感性分析基础上,将弹性网络用于通用向量机模型特征输入参数的优选;提出了一种改进的量子粒子群算法优化GVM网络权值阈值,构建了基于弹性网络-改进量子粒子群算法的通用向量机煤层含气量预测模型;将该模型用于靶向区盲井煤层含气量预测,与相同优化策略下的支持向量机和BP神经网络模型及传统多元回归模型进行对比,分析该模型性能及适应性。结果表明:新模型盲井预测精度从21.83%减小到4.25%,具有更强的泛化能力,更适用于非均质性强的煤储层含气量高精度评价。     

基于SSA-BP神经网络的岩爆烈度等级预测

随着深部开采战略在我国的发展,岩爆愈加成为我国资源开采时必须面对的地质灾害之一。为提高传统误差反向传播（Back Propagation,BP）神经网络模型进行岩爆预测的准确性与有效性,采用麻雀搜索算法（Sparrow Search Algorithm,SSA）优化传统BP神经网络,提出一种基于麻雀搜索算法优化BP神经网络的岩爆预测模型(SSA-BP模型)。在考虑岩爆产生的内外因基础上,选取相关岩爆预测指标,利用国内外100例已有工程岩爆数据建立SSA-BP模型,并与传统BP模型、粒子群算法（Particle Swarm Optimization, PSO）优化支持向量机（Support Vector Machines, SVM）模型对比。结果表明：SSA-BP预测模型的有效性和准确度皆高于传统BP模型和PSO-SVM模型,同时SSA-BP模型训练集的均方误差(Mean Square Error,MSE)为0.081,比传统BP模型（0.25）降低67.7%,可为类似工程的岩爆预测提供科学依据。     

基于PSO-SVR预测模型的综采工作面周期来压研究

为了准确预测综采工作面基本顶周期来压规律,采用灰度系统理论提取了影响综采工作面周期来压的八个显著因素。针对支持向量机(SVR)预测模型过分依赖主观选择的参数问题,建立了粒子群算法优化参数选择的支持向量机(PSO-SVR)预测模型。试验结果得出：PSO-SVR比SVR模型在周期来压强度和步距的均方误差分别降低为47.7%、74.3%,决定系数分别提升为45.7%、44.6%。为突显PSO-SVR模型性能的优越性,与应用最广泛的BP普通神经网络进行了对比试验,粒子群算法对标准支持向量机模型性能优化效果明显,较普通BP神经网络优势显著。可见,PSO-SVR对于多种因素影响的非线性耦合预测具有较高的精度和较强的泛化性。     

基于IQPSO-BP算法的煤矿瓦斯涌出量预测

针对煤矿回采工作面瓦斯涌出的非线性特征,提出一种基于改进量子粒子群优化BP神经网络(IQPSO-BP)的瓦斯涌出量预测方法。鉴于量子粒子群算法的遍历能力有限,采用混沌序列来初始化量子的初始角位置。同时,采用凸函数调整惯性权重,以平衡算法的全局勘探和局部开发能力。并依此来优化BP神经网络的权值、阈值参数,进而建立了瓦斯涌出量预测模型。试验结果表明,IQPSO-BP算法具有较强的泛化能力及较高的预测精度,可有效用于煤矿瓦斯涌出量的预测。     

基于CPSO-BP神经网络的冲击地压预测

针对预测冲击地压的传统方法存在的弊端,提出了一种基于混沌(Chaos)优化粒子群的BP神经网络算法。该算法将混沌、粒子群、BP神经网络结合起来,通过混沌粒子群算法寻优得到BP神经网络的最优权值和阈值初始值,然后进行网络训练和测试。该算法对冲击地压的预测取得了较好的效果。     

基于粒子群与支持向量机的煤矿材料成本预测数学模型研究

针对煤矿材料成本预测缺少定量分析和预测误差大等问题,提出了基于粒子群优化支持向量机的煤矿材料成本预测数学模型。并将传统的线性回归模型、支持向量机模型与提出的新数学模型对比,发现粒子群优化支持向量机模型预测精度高、误差小、结果可靠,能够为成本管理决策提供定量数据。     

大冶铁矿开采沉陷GPS高程拟合CQPSO-LSSVM模型

传统最小二乘支持向量机拟合模型(Least squares support vector machine model,LSSVM)在进行矿区地表沉降GPS高程拟合时精度较低,为进一步提升矿区地表沉降监测精度,采用协同量子粒子群算法(Cooperative quantum-behaved particle swarm optimization,CQPSO)对LSSVM模型进行了优化。该算法的协同搜索策略是在解空间中使用多个子群取代整个种群,可有效解决由于单个种群、单个搜索策略导致的迭代后期种群多样性下降的早熟问题。以大冶铁矿为例,采用实地获取的矿区地表GPS监测数据对改进最小二乘支持向量机拟合模型(CQPSO-LSSVM)进行试验,并与BP神经网络拟合模型以及量子粒子群算法(Quantum-behaved particle swarm optimization,QPSO)优化的最小二乘支持向量机拟合模型(QPSO-LSSVM)进行比较,结果表明,CQPSO-LSSVM模型的内、外符合精度分别为±2.5 mm、±3.1 mm,BP神经网络拟合模型的内、外符合精度分别为±2.9 mm、±4.6 mm,QPSO-LSSVM模型的内、外符合精度分别为±2.8 mm、±3.5 mm,可见CQPSO-LSSVM模型的拟合精度稍优于其余两者,采用该模型对矿区地表沉降GPS数据进行拟合处理,可获得较高的监测精度。     

基于遗传-支持向量回归的煤层底板突水量预测研究

针对煤层底板突水问题的小样本、非线性特点,采用支持向量回归算法对突水量进行预测,避免了定性分析的局限性。利用遗传算法全局搜索能力的优势,提出了基于遗传算法的支持向量回归参数寻优方法,并建立煤层底板突水量预测的遗传-支持向量回归模型。该模型首先通过遗传算法对训练样本的学习,得到支持向量回归机的最优参数值,然后运用遗传-支持向量回归模型对测试样本进行突水量预测。测试结果表明：与神经网络,传统支持向量回归机的预测值相比,煤层底板突水量预测的遗传-支持向量回归模型精度高,具有较强的泛化能力。     

基于BP人工神经网络的成矿预测模型

在传统的成矿预测研究中,一般只能定性地研究矿床的形成与定位受哪些地质因素的控制,但这些因素对成矿的贡献程度则很难给出一个定量的值,而BP人工神经网络的高度非线性映射功能则能很好的拟合成矿作用过程这样的高度非线性耦合关系,因此,基于BP人工神经网络的成矿预测模型相对于传统模型具有更高的预测精度。     

基于GWO-SVR的深海采矿海试区海浪高度预测

基于ERA5再分析资料, 取海试区中心区域海洋环境数据构建输入特征, 使用灰狼优化算法(GWO)对支持向量回归(SVR)算法进行参数寻优, 并将GWO-SVR算法和传统SVR算法及基于粒子群算法(PSO)的PSO-SVR浪高预测效果进行比较和分析。为进一步探究周围环境及海浪状态对GWO-SVR预测效果的影响, 构建3种数据模型进行了63组试验。结果表明, GWO-SVR能够对海浪高度进行有效预测, 且预测精度较高; 当使用较大空间范围的海洋环境数据构建特征作为算法输入时, 能够有效提高GWO-SVR算法对海浪高度预测的精度。     

粗糙集属性约简在尾矿坝浸润线预测模型中的应用

在建立尾矿坝浸润线支持向量回归机（SVR）模型的过程中,预测精度低、计算时间长等问题较难解决,并且严重制约SVR模型的推广应用。为了解决以上问题,尝试引入粗糙集（RS）算法对训练样本的输入属性进行约简,同SVR算法共同建立浸润线预测模型。实例证明,RS-SVR模型有效降低了SVR模型在迭代时的计算难度,并使浸润线的预测精度得到了提高。由此可得,RS-SVR结合无论在理论上还是在实例应用中都具有可行性。     

基于FOA-SVR的矿井底板突水量预测模型应用研究

矿井突水是常见的突发性强烈的矿井灾害。为了更好地预防矿井水灾,降低灾害造成的物质损失以及减少人员伤亡,建立了一种基于FOA-SVR的矿井底板突水量预测模型,利用果蝇算法优化支持向量回归机算法(FOA-SVR)选出最优的模型参数。针对底板突水这种非线性、小样本问题,从突水因素中选取水压、含水层厚度、隔水层厚度、底板采动裂隙带深度以及断层落差这5个作为特征因素。然后利用FOA对SVR参数进行优化之后建立FOA-SVR底板突水量预测模型,输出即为需要预测的突水量。结合实例并将该模型的预测结果与SVR模型的预测结果进行对比,结果表明：该模型在预测突水量的精度上比SVR模型更高,具有一定的应用价值。     

黑龙江省主要金属矿产找矿潜力分析

金、铜、铅锌（银）、钼、铁是黑龙江省的优势金属矿产,具有较好的成矿地质条件和较大的成矿潜力。在探讨了黑龙江省成矿地质背景基础上,深入研究了主要成矿带金属矿产的空间分布、成矿地质条件及成矿潜力,分析了中生代岩浆岩活动的成矿特点、找矿前景,并指明了黑龙江省主要金属矿产的找矿方向。     

基于SVR的隧道掘进光面爆破效果预测模型

为了提高隧道掘进光面爆破效果预测准确性,构建了基于支持向量机回归(SVR)的光面爆破效果预测模型.选取炮眼密集系数、最小抵抗线、光爆孔线装药量、光爆孔眼深度和岩石单轴抗压强度共5个影响因素作为输入参数,选取半眼率和超欠挖量共2个爆破效果评价指标作为输出参数,分别利用遗传算法、粒子群算法、模拟退火算法对36组隧(巷)道爆...     

支持向量机在原矿品位分析中的应用研究

原矿品位是矿山生产中非常重要的技术经济指标。探讨了支持向量机回归分析方法在原矿品位分析上的应用。以某金、铜多金属矿为研究对象,进行了实例计算,并取得了较好的效果。计算结果显示支持向量机回归的预测精度明显优于经典的一元线形回归。     

Support vector machine regression analysis of LHD failures

Load-haul-dump (LHD) machines are the main material handling equipment in underground mines. Reliability analysis of the machine, in the form of forecasting the time between failures (TBFs), is a reliability index for scheduling, preventive maintenance. Support vector regression (SVR) was employed for reliability analysis of an LHD unit. The LHD’s engine was detected as the most critical system by a Pareto analysis. TBFs of 32 failures were obtained. Twenty-five records were used for SVR modelling and the remaining for testing. Mean absolute percentage error value of less than 2% was achieved, which demonstrated the applicability of SVR.     

微量元素组合特征定量化在成矿作用研究中的应用──以湖北随枣金矿带为例

成岩成矿作用对微量元素进行的选择性吸收要比常量元素强烈．地质作用过程中微量元素的地球化学行为对探讨热液及矿质来源、成矿过程与成矿机制提供了有利的工具。本文以湖北随枣金矿带为解剖对象，以微量元素组合特征为研究手段，引入数学方法从定量化的角度较深入地探讨了研究区成矿作用。