基于IPSO-Powell優化SVM的煤與瓦斯突出預測算法

吳雅琴， 李惠君， 徐丹妮

(中國礦業大學(北京)機電與信息工程學院，北京 100083)

0 引言

我國是世界上煤與瓦斯突出最嚴重的國家之一[1]，對煤與瓦斯突出進行準確預測具有重大意義。隨著計算機和仿真技術的發展，通過建立數學算法和計算機仿真與運算進行煤與瓦斯突出預測已成為當前煤與瓦斯突出預測的主要手段之一。劉俊娥等[2]建立了基于粗糙集-支持向量機(Rough Set-Support Vector Machine, RS-SVM)的煤與瓦斯突出風險判別模型，較單一使用支持向量機(SVM)模型具有更高的預測精度，但該模型缺少對核函數參數的優化，預測精度不高。孫玉峰等[3]應用SVM方法對煤與瓦斯涌出類型及涌出量進行了分析，并對核函數的判錯率進行了研究，但在選擇核函數時未考慮非線性數據的分類，對非線性分布的煤與瓦斯突出影響因素提取效果較差。楊力等[4]提出了基于模糊支持向量機(Fuzzy Support Vector Machine, FSVM)的煤與瓦斯突出預測模型，擁有比SVM更好的學習能力，但存在運算效率不高的問題。溫廷新等[5]利用量子遺傳算法對最小二乘支持向量機的參數作尋優處理，建立了煤與瓦斯突出預測模型，使預測結果避免了陷入局部最優解，但存在未成熟收斂的問題。周愛桃等[6]提出了基于支持向量分類機的煤與瓦斯突出危險性分類的預測方法，對比了4種核函數的預測能力，但缺少對主控因素的分析，運算的時間成本過大，可靠性不高。隆能增等[7]提出了基于局部線性嵌入法-果蠅優化算法-BP神經網絡模型(LLE-FOA-BP)的煤與瓦斯突出強度預測方法，提高了算法的魯棒性和學習效率，但數據量過大時模型存在訓練速度較慢的問題。……