APP下载

PCA与ELM模型相结合的矿井突水水源快速识别方法研究

2020-03-28孙文洁王子超

煤炭工程 2020年1期

孙文洁,杨 恒,李 祥,王子超,杨 蕾

(1.中国矿业大学(北京) 地球科学与测绘工程学院,北京 100083;2.核资源与环境国家重点实验室(东华理工大学),江西 南昌 330013;3.中国环境科学研究院 环境基准与风险评估国家重点实验室,北京 100012)

矿井突水事故频发一直威胁着人类的生命财产安全。目前,众多学者已研究出多种突水水源识别方法,如主成分分析与贝叶斯判别法相结合突水水源判别模型[1];基于主成分分析和Fisher判别分析理论的突水水源识别方法[2];模糊综合评价[3]等。这些方法已广泛应用于矿井水害的防治,但矿区水文地质条件复杂,这些方法也均有各自的适用性。如Fisher适用于对样本总体不做出要求的矿区;模糊综合评价适合做多因素的样本分析;贝叶斯判别法适用于样本主成分明显的情况。

BP神经网络利用误差反向传播的方法确定权值,可以模拟人脑信息处理的方法,从大量庞杂的数据中找出规律,适用于处理非线性问题[4-6],在突水水源识别中已大量运用[7-10]。但由于算法的收敛速度慢,且初始权值和阈值的设置对结果影响较大等问题,使其容易降低结果精确度甚至误判。极限学习机(Extreme Learning Machine,ELM)是一种简单高效的单隐层前馈神经网络学习算法[11]。ELM在训练过程随机选取一次网络初始连接权值和阈值,通过模型迭代获得唯一输出权值。ELM算法学习速度快,有效的克服了传统BP算法的不足,已在多个领域广泛应用[12-14]。

主成分分析(PCA)利用降维的思想,从多个指标中提取主要特征指标,消除水样中各水化学指标间复杂信息的影响,从而以少量综合指标反映了大量原始变量信息。……

登录APP查看全文