【技术实现步骤摘要】
一种基于PCA
‑
CSSA
‑
RF模型的矿井突水水源识别方法
[0001]本专利技术属于矿井突水水源识别
，具体涉及一种基于PCA
‑
CSSA
‑
RF模型的矿井突水水源识别方法。
技术介绍
[0002]矿井突水事故是煤矿常见的主要灾害之一，当发生突水灾害时，能否快速、准确地判别突水成因、识别突水水源，对于减少人员伤亡和经济损失以及突水灾害防治都具有重要意义；突水水源识别目前主要采用水化学法，水化学因能反应地下水的本质特征且能准确、快速、经济地进行水源识别，在矿井突水水源识别中得以广泛应用，目前对矿井突水水源预测的方法主要集中在集对分析、机器学习、极限学习机、神经网络、贝叶斯法、Fisher判别分析法、Logistic回归与随机森林方法、支持向量机等，上述研究在矿井突水水源识别方面取得了丰富的成果，但是由于不同含水层水化学数据之间往往存在着相关性、非线性，增加了突水水源识别的难度，并且某些算法识别效率受参数选取影响较大，因此，在原始数据处理及判别算法...
【技术保护点】
【技术特征摘要】
1.一种基于PCA
‑
CSSA
‑
RF模型的矿井突水水源识别方法，其特征在于，包括以下步骤：步骤1：采集新庄孜煤矿中水源的相关数据，选取Z组突水样本数据；已知X＝[X1,X2,
……
,X
p
]为矿井突水水源判别的指标，X
p
为样本X的p项指标，i＝1,2,..,p，p为矿井突水水源判别指标的个数；步骤2：对选取的Z组突水水源样本数据进行标准化处理，得到标准化后的矿井突水水源样本数据Z＇。步骤3：对矿井突水水源判别指标X＝[X1,X2,
……
,X
p
]之间进行相关性分析，得到各指标间的Person相关系数矩阵。步骤4：利用主成分分析法对标准化处理后的Z组突水水源样本数据Z＇进行处理，提取样本数据特征值，得到降维后的主成分数据，将累计方差贡献率较高的主成分数据用于突水水源识别；将进行标准化处理后的突水样本数据Z组中选取Z1组突水水源样本数据作为训练集进行训练，并将剩余的Z2组数据作为测试样本；将依据主成分分析法提取的主成分作为输入变量，突水水源类型作为输出目标构建PCA
‑
CSSA
‑
RF矿井突水水源识别模型。步骤5：采用混沌麻雀搜索算法优化随机森林算法的树深和树目两个参数，以均方误差作为混沌麻雀搜索算法的适应度函数，依据混沌麻雀搜索算法在迭代过程中不断更新最终得到的全局最优解(最小适应度函数值)确定随机森林算法中树深和数目两个参数的取值，得到矿井突水水源识别模型。步骤5.1：将随机森林算法中的树深和数目设置为麻雀搜索算法的待优化问题，设定麻雀搜索算法的待优化问题维度为D、麻雀种群规模为N、最大迭代系数为itermax、麻雀种群中发现者数量pNum、侦察预警麻雀sNum、预警值R2、Logistic映射函数参数θ和E
t
。步骤5.2：Logistic混沌映射初始化麻雀种群参数及随机森林算法中树深和树目两个参数；步骤5.3：计算混沌麻雀搜索算法中以均方误差为适应度函数的适应度函数值；步骤5.4：更新预警值，根据预警值更新发现者的位置；步骤5.5：更新加入者的位置；步骤5.6：更新预警麻雀位置；步骤5.7：更新适应度值及此时的最优麻雀位置；步骤5.8：若此时迭代次数t>itermax，则输出优化的参数，即随机森林算法中的树深和数目两个参数。反之，则令t＝t+1，执行步骤；步骤5.9：根据步骤5.8，得到优化后的参数树深和数目，根据当前优化后的参数构建随机森林模型，从而建立随机森林模型；将训练集中经过主成分分析法降维处理后的主成分数据作为随机森林模型的输入，将训练样本集中的数据作为输出，通过比较模型预测结果与训练样本集数据的预测准确率、均方误差、绝对平均百分比误差来验证模型的预测性能。2.根据权利要求1所述的基于PCA
‑
CSSA
‑
RF模型的矿井突水水源识别方法，其特征在于，所述矿井突水水源判别指标主要包括较常采用的地下水主要离子Na
+
+K+、Ca
2+
、Mg
2+
、Cl
‑
、SO
42
‑
、HCO3‑
的离子浓度及总硬度(单位均为mg/L)，所述突水水源类型包括：煤系砂岩含水层、石炭系太原群灰岩溶隙含水层、及奥陶系灰岩溶隙含水层。3.根据权利要求1所述所述的基于PCA
‑
CSSA
‑
RF模型的矿井突水水源识别方法，其特征在于，在Matlab R2016b软件平台上利用其zscore函数对矿井突水突水样本数据Z进行标准
化处理。4.根据权利要求1所述所述的基于PCA
‑
CSSA
‑
RF模型的矿井突水水源识别方法，其特征在于，所述步骤4包括以下步骤：步骤4.1：计算标准化后的矿井...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。