[发明专利]一种矿井突水水源层识别方法

权利要求书

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：RMSE=Σk=1nek2N;]]>

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=Wmax(wmax-wmin)TmaxT]]>

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。