郭 峰

（中国建筑材料工业地质勘查中心浙江总队，浙江杭州 310012）

硫化矿石自燃倾向性等级划分的支持向量机模型及应用

郭 峰

（中国建筑材料工业地质勘查中心浙江总队，浙江杭州 310012）

为准确判定硫化矿石的自燃倾向性等级，提出一种硫化矿石自燃倾向性等级划分预测模型——支持向量机（Support Vector Machine，SVM）模型。结合已有的研究成果，选取表征硫化矿石自燃倾向性本质特性的自热点温度、室内低温氧化质量增加率和自燃点温度3项指标作为硫化矿自燃倾向性等级划分的基本判别因子。使用典型高硫矿山的18组矿样的实测数据作为训练样本，6组硫化矿井矿样的自燃倾向性作为预测样本。分别采用网格参数寻优、遗传算法（Genetic Algorithm，GA）参数寻优、粒子群（Particle Swarm Optimization，PSO）寻优算法来计算SVM模型的参数，分析比较三种算法得到的预测结果，确定最适合硫化矿石自燃倾向性等级划分的SVM回归模型的参数寻优算法。研究结果表明，网格寻优算法、GA算法取得了良好的预测效果，预测正确率为100%。因此，支持向量机模型可以用于指导高硫矿山矿石自燃倾向性等级的划分。

硫化矿石；自燃倾向性；支持向量机；等级划分

高硫矿山生产过程中容易遭遇硫化矿石自燃这一严重自然灾害，给矿山的生产运营带来严重的影响，对高硫矿山硫化矿自燃倾向性等级正确预测就显得异常重要，硫化矿自燃倾向性等级正确预测可以为高硫矿床开采设计和防火技术提供理论依据。目前，对硫化矿自燃倾向性等级预测研究较少，阳富强等运用GA－BP神经网络模型对硫化矿自燃倾向性等级进行预测，平均预测误差2.5%，预测效果较好［1］。GA－BP预测拥有较高的精度，但是网络参数的选择复杂，比如种群规模、选择概率、交叉概率等的选择，合适的参数选择才能得到较高精度的预测结果。神经网络预测精度较高，需要较多样本数量，且容易陷入局部极小值［2］；谢正文等用信息熵理论引入硫化矿自燃倾向性等级预测，克服了权重选择的主观性［3，4］；此外统计回归模型、Fiser判别分析法、距离判别分析理论等也应用到硫化矿自燃倾向性等级预测［5～8］；赵军等［9］基于网格寻优算法利用支持向量机对硫化矿自燃倾向性等级进行预测，支持向量机（Support Vector Machine，SVM）在处理小样本、非线性数据方面具有较强优势［10～13］，预测精度高，需要优化的参数少。此次使用典型高硫矿山的18组矿样的实测数据作为训练样本，分别用网格寻优算法、GA、PSO算法建立SVM预测模型，对6组硫化矿井矿样的自燃倾向性进行了分级预测，寻找合适的SVM模型算法。结果显示，网格寻优算法、GA算法的SVM具有较高的预测精度，预测准确率达100%。

1 SVM的基本思想

SVM包括两类分类和多类分类，此次研究将硫化矿自燃倾向性等级划分3类。SVM原理是将一个非线性的特征空间通过映射Φ映射到更高维的线性特征空间进行线性分类。因此，对于数据集Y＝｛（xi，yi）｝，可以用下式进行分类估计：

即分类问题变成最优分类函数：

服从：

式中：c为惩罚系数；ζi为损伤函数。通过Lagrange变换（2）式得到其对偶形式为：

服从：

式中：α，α*为Lagrange乘子，w为：

由上可得分类表达式：

对于低维空间数据，分类表达式为：

式中：K（x′i·x′）为核函数。

2 SVM模型的参数寻优算法

2.1 三种参数寻优算法

核函数的参数g和惩罚系数c对SVM预测性能影响较大，所以需要通过一定算法选择最优参数。目前常用的优化算法有网格参数寻优、遗传算法（GA）参数寻优、粒子群（PSO）寻优算法。

选用24个典型高硫矿山矿样实测数据（考虑影响高硫石自燃倾向性的3个重要因素），见表1，自燃倾向等级1代表易自燃，2代表易自热不易自燃，3代表无自热自燃［1］，以前18组数据建立训练集，后6组数据作为预测集，以此检验模型的预测性能。

按照上诉3种寻优方法对SVM模型参数寻优，得到3种寻优结果，如图1、图2、图3所示。通过分析，3种方法对训练集分类准确率达到94.44%；虽然3种算法得到c、g值差别较大，但训练预测结果相同。

2.2 三种算法结果的验证

分别利用上述3种算法得到的c和g参数建立SVM模型，利用样本空间的测试集对3种模型进行验证。图4、图5、图6分别为网格寻优算法、GA寻优算法和PSO寻优算法的验证结果。通过分析，网格寻优、GA算法的预测准确率为100%，PSO有一个错误，准确率83.33%，这说明了网格寻优、GA算法拥有较高的泛化能力，能准确地预测硫化矿石的自燃倾向性。

表1 样本数据［1］

图1 网格寻优算法结果

图2 GA寻优算法结果

图3 PSO参数寻优算法结果

图4 网格寻优算法验证结果

图5 GA寻优算法验证结果

图6 PSO寻优算法验证结果

3 结 论

通过运用网格寻优算法、GA算法、PSO算法对硫化矿石自燃性倾向性的训练及预测，发现网格寻优算法、GA算法拥有较高的泛化能力，能够对硫化矿石自燃性倾向性进行精准的预测，反应了SVM适合硫化矿石自燃性倾向性的预测，其精度远远高于GA－BP神经网络模型，为硫化矿石自燃性倾向性预测提供了新的技术手段，为高硫矿床开采设计和防火技术提供新的理论依据。此次研究只考虑了影响硫化矿石自燃性倾向性的3个重要因素，实际设计中应全面考虑各方面的因素对硫化矿石自燃性倾向性的影响，这个研究有待深入。

［1］ 阳富强，刘广宁，郭乐乐.硫化矿石自燃倾向性等级划分的GA－BP神经网络模型及应用［J］.自然灾害学，2015，24（4）：227－232.

［2］ 胡文志，谢振华，赵军.硫化矿石自燃倾向性鉴定技术［J］.金属矿山，2011，35（6）：146－148.

［3］ 谢正文，吴超，李孜军，等.基于信息熵和集对分析理论的硫化矿石自燃倾向性判定［J］.中南大学学报（自然科学版），2012，43（5）：1 858－1 863.

［4］ 阳富强，陈伯辉.硫化矿石自燃倾向性评价的属性区间识别模型［J］.中国安全科学学报，2012，22（1）：70－75.

［5］ 赵军，张兴凯，王云海，等.基于统计回归模型的硫化矿石自燃倾向性鉴定指标研究［J］.中国安全生产科学技术，2010，6（4）：20－22.

［6］ 胡汉华，刘征，李孜军，等.硫化矿石自燃倾向性等级分类的Fisher判别分析法［J］.煤炭学报，2010，35（10）：1 674－1 679.

［7］ 阳富强，吴超，李孜军，等.基于距离判别分析理论的硫化矿石自燃倾向性等级划分［J］.煤炭学，2010，35（12）：2 111－2 115.

［8］ 阳富强，吴超，李孜军.硫化矿石自燃倾向性综合判定的物元模型及其应用［J］.中南大学学报（自然科学版），2011，42（11）：3 459－3 464.

［9］ 赵军，张兴凯，王云海.硫化矿石自燃倾向性鉴定技术研究［J］.中国安全生产科学技术，2009，5（6）：105－109.

［10］余志雄，周创兵，李俊平，等.基于ν－SVR算法的边坡稳定性预测［J］.岩石力学与工程学报，2005，24（14）：2 468－2 475.

［11］罗战友，杨晓军，龚晓南.基于支持向量机的边坡稳定性预测模型［J］.岩石力学与工程学报，2005，24（1）：144－148.

［12］陈祖云，张桂珍，邬长福，等.基于支持向量机的边坡稳定性预测研究［J］.中国安全生产科学技术，2009，5（4）：101－105.

［13］曹庆奎，王瑞.基于GA－LSSVR的露天矿边坡稳定性预测［J］.煤矿安全，2014，45（2）：200－203.

Parameter Optim ization for Support Vector M achine M odel of Spontaneous Combustion Tendency Classification of Sulfide Ores

GUO Feng
（China Building Materials Industry Center for Geological Exploration Team，Hangzhou 310012，China）

Support vectormachine（SVM）model is proposed to determine the spontaneous combustion tendency of sulfide ores.Based on the existing research results，the characteristics of spontaneous combustion tendency of sulfide oreswere selected as the hot spot temperature，the increase rate of the indoor low temperature oxidation and the temperature of the ignition point as the basic criterion for the classification of spontaneous combustion tendency of sulfide ores.Usingmeasured data of typical high sulfurmine 18 gro-ups of samples as training samples，6 groups of sulfide mine ore spontaneous combustion tendency as prediction samples.The parameters of SVM model are calculated by using rid search algorithm，genetic algor-ithm（GA）and particle swarm optimization（PSO）.The parameters of the three algorithms are analyzed and compared.The results show that the grid search algorithm and the GA algorithm have achieved good results，and the prediction accuracy is 100%.Therefore，support vector machinemodel can be used to guide the classification of ore spontaneous combustion tendency in high sulfurmine.

sulfide ores；spontaneous combustion tendency；SVM；classification

TD75＋2.2

A

1003－5540（2017）02－0005－03

2017－2－23

郭 峰（1991－），男，助理工程师，主要从事矿山项目设计工作。