支持向量機在井壁安全預(yù)測中的應(yīng)用

1、支持向量機在井壁安全預(yù)測中的應(yīng)用摘要：針對礦井井壁安全與其影響因素之間存在著復(fù)雜的非線性關(guān)系及新建礦井中實測樣本較少，本文提出一種基于支持向量機的井壁安全預(yù)測方法，該方法基于結(jié)構(gòu)風險最小化原理與小樣本學習方法，能很好的表達與其影響因素之間的非線性映射關(guān)系。預(yù)測結(jié)果精度高，表明井壁安全預(yù)測是可行的，有效的，可以直接用于煤礦井壁安全分析預(yù)測。關(guān)鍵詞：井壁安全預(yù)測，支持向量機中圖分類號：P624.8文獻標識碼：A文章編號：1.引言近年來隨著煤

2、炭開挖深度的增加，開挖速度的加快，開挖風險也與之劇增，井壁的安全預(yù)測顯得越來越重要。而井壁的穩(wěn)定是一個復(fù)雜的非線性動態(tài)系統(tǒng)，與土層厚度，滲透系數(shù)，地質(zhì)構(gòu)造，埋深等有關(guān)，因此本文特為之提出了一種基于支持向量機的方法。2.支持向量機算法原理Vapnik【67】等于1995年提出了支持向量機這一新的通用機器學習方法。SVM是基于結(jié)構(gòu)風險最小化原則的方法，明顯優(yōu)于傳統(tǒng)的基于經(jīng)驗風險最小化原則的常規(guī)神經(jīng)網(wǎng)絡(luò)方法。其算法是一個凸二次優(yōu)化問題，保證找

3、到的解是全局最優(yōu)解，能較好的解決小樣本，非線性，高維本文從某礦收集的實測數(shù)據(jù)作為樣本，見表1，選取前6個樣本作為預(yù)測模型的學習樣本，取78個亞樣本實例用于實驗樣本，后2個用來作為檢驗樣本。表1凍結(jié)壓力及地質(zhì)因素樣本表表2支持向量機基本參數(shù)學習樣本集確定后，模型的建立，主要是選擇相應(yīng)的SVM參數(shù)：核函數(shù)和C，本文SVM模型計算選用徑向基核函數(shù)，C初始值為100，循環(huán)次數(shù)為10，循環(huán)步長10；參數(shù)g初始值設(shè)為1，循環(huán)次數(shù)為10，循環(huán)步長為0

4、.1；回歸模型擇優(yōu)標準為標準差，回歸帶寬初始值設(shè)為0.1，循環(huán)次數(shù)為10，循環(huán)步長為0.1，損失函數(shù)疊加上界為2000，回歸迭代最大次數(shù)設(shè)為10000。運行后支持向量機相關(guān)參數(shù)見表2。通過模型計算可得最優(yōu)模型中的參數(shù)C=100，w=0.1，g=1.9，KT條件中的最大偏移量maxdiff=0.00082。支持向量SV有9個（包括0個在邊界上），epsilon不敏感損失函數(shù)：loss=0，用所有訓練向量求出的=19.42367，用最優(yōu)模型