岳中文,吴羽霄,魏 正,王 贵,王 渊,李 鑫

(1.中国矿业大学(北京)力学与建筑工程学院，北京 100083；2.内蒙古康宁爆破有限责任公司，内蒙古 鄂尔多斯017010)

在工程爆破之前，准确预测和分析爆破振动峰值速度，进而优化爆破施工设计方案是有效减小爆破振动危害的主要方法[1]。然而影响爆破振动速度的因素众多，且各因素之间存在复杂的非线性关系，目前国内外学者用来预测爆破振动速度的主要方法有经验公式法[2-3]、BP神经网络[4-5]、多元非线性回归[6-7]等，但存在经验公式考虑因素较少、BP网络陷入局部最小值且收敛速度慢等问题。

基于以上现状，笔者提出建立基于PCA和GA算法优化支持向量机的爆破振动速度预测模型。支持向量机[8-10](SVM)作为一种新的机器学习算法，具有较强的全局寻优和小样本训练能力，能够解决爆破工程中样本少、非线性、影响因子多等实际问题。首先采用PCA对数据进行降维，提取影响爆破振动速度的主成分作为模型的输入变量，利用GA算法找到SVM模型的惩罚系数和核函数参数 的最优参数组合，最终建立PCA-GA-SVM预测模型，同时与BP神经网络、传统SVM和GA-SVM模型对比，取得了良好的预测效果。

1 支持向量机(SVM)

支持向量机(Support Vector Machine，SVM)是Vapnik[11]等于1995年首次提出的一种新的机器学习方法，其基本原理是通过核函数在高维空间寻找最优分类超平面实现最优分类，解决低维样本非线性不可分问题。其中寻找最优分类超平面的优化函数为[11]

(1)

为求式(1)的最优解，引入拉格朗日乘子并建立……