一种基于PCA分析的Fisher判别模型突水水源预测方法技术

本发明专利技术提出了一种基于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。本发明专利技术基于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。

【技术实现步骤摘要】
一种基于PCA分析的Fisher判别模型突水水源预测方法
本专利技术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。
技术介绍
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。本专利技术采用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。
技术实现思路
1.本专利技术的目的本专利技术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.本专利技术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。本专利技术基于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为本专利技术基于PCA法的Fisher判别模型预测突水水源方法流程图。具体实施方案为本专利技术基于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SO42-(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SO42-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％，可见本专利技术所建立的判别模型是可行、有效的。本专利技术基于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。以上所举例是对本专利技术过程和目的进行详细说明，并不限定于本专利技术的保护范围内，凡对本专利技术技术方案进行修改和替换，而不脱离本专利技术技术方案的宗旨和范围，其均应涵盖在本专利技术的权利要求范围之内。本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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，...

【专利技术属性】
技术研发人员：张妹，饶家健，刘启蒙，夏磊，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：安徽,34