一種小斷層走向延展長(zhǎng)度的檢測(cè)方法
【專利摘要】本發(fā)明屬于礦井?dāng)鄬訁?shù)要素檢測(cè)【技術(shù)領(lǐng)域】，涉及一種小斷層走向延展長(zhǎng)度預(yù)測(cè)方法；先對(duì)斷層要素進(jìn)行統(tǒng)計(jì)和分析，然后利用灰色關(guān)聯(lián)分析法，確定小斷層走向延展長(zhǎng)度與其他斷層要素的關(guān)聯(lián)度，后對(duì)小斷層走向延展長(zhǎng)度的相關(guān)因子數(shù)據(jù)進(jìn)行歸一化預(yù)處理，生成數(shù)據(jù)集并選定訓(xùn)練集和測(cè)試集，再利用訓(xùn)練集和遺傳算法對(duì)SVM模型進(jìn)行優(yōu)化，建立SVM模型，最后利用測(cè)試集對(duì)SVM模型進(jìn)行檢驗(yàn)；其總體設(shè)計(jì)原理可靠，計(jì)算方法成熟，建模技術(shù)安全，預(yù)測(cè)數(shù)據(jù)準(zhǔn)確，檢測(cè)環(huán)境友好。
【專利說(shuō)明】一種小斷層走向延展長(zhǎng)度的檢測(cè)方法

【技術(shù)領(lǐng)域】：
[0001] 本發(fā)明屬于礦井中斷層參數(shù)要素檢測(cè)【技術(shù)領(lǐng)域】，涉及一種小斷層走向延展長(zhǎng)度預(yù) 測(cè)方法，特別是一種基于遺傳算法優(yōu)化支持向量機(jī)（SVM)的小斷層走向延展長(zhǎng)度檢測(cè)方 法。

【背景技術(shù)】：
[0002] 隨著采煤機(jī)械化和自動(dòng)化程度的不斷提高，采掘部門(mén)對(duì)工程的設(shè)計(jì)與布置、開(kāi)采 方法的選擇等的需求，愈來(lái)愈關(guān)注到地質(zhì)檢測(cè)的準(zhǔn)確程度，斷層走向延展長(zhǎng)度與落差是斷 層預(yù)測(cè)的兩個(gè)重要參數(shù)，斷層走向長(zhǎng)度與落差越大，斷層對(duì)煤炭生產(chǎn)的影響也越大；現(xiàn)實(shí) 中，隨著礦井勘探、巷道掘進(jìn)及工作面回采，可以較容易的查明小斷層的落差、傾角、傾向和 走向，但其延展長(zhǎng)度往往難以確定，找出斷層走向延展長(zhǎng)度與斷層落差、傾角、傾向和走向 等其它斷層要素之間的統(tǒng)計(jì)關(guān)系，就可以利用斷層落差等其它斷層要素來(lái)預(yù)測(cè)其延展長(zhǎng) 度，尤其當(dāng)工作面周?chē)锏谰蚝煤?，根?jù)已揭露的小斷層落差等其它斷層要素預(yù)測(cè)其在未 采的采區(qū)及工作面內(nèi)的延展長(zhǎng)度，可以為采區(qū)及工作面的開(kāi)采提供地質(zhì)依據(jù)。在現(xiàn)有技術(shù) 中，邱梅等在《煤田地質(zhì)與勘探》期刊2013年第40卷第6期上公開(kāi)了一種小斷層延展長(zhǎng)度 的預(yù)測(cè)方法，論文名為：礦井小斷層延展長(zhǎng)度的多元線性回歸預(yù)測(cè)模型，但由于斷層要素之 間的相關(guān)性并非簡(jiǎn)單的線性關(guān)系，大多情況是相當(dāng)復(fù)雜的非線性關(guān)系，使得回歸預(yù)測(cè)的精 度并不高；2013年山東科技大學(xué)徐東晶等在《煤礦安全》期刊第44卷第2期中公開(kāi)了一篇 名稱為《基于BP神經(jīng)網(wǎng)絡(luò)的礦井小構(gòu)造預(yù)測(cè)》的小斷層延展長(zhǎng)度的預(yù)測(cè)方法，文章提出可 以利用BP神經(jīng)網(wǎng)絡(luò)建立礦井小斷層延展長(zhǎng)度預(yù)測(cè)模型，但神經(jīng)網(wǎng)絡(luò)法具有自身固有的缺 陷：其權(quán)值的初始化是隨機(jī)的，而且易陷入局部極小，其學(xué)習(xí)過(guò)程中隱含層的節(jié)點(diǎn)數(shù)和其它 參數(shù)的選擇只能根據(jù)經(jīng)驗(yàn)和試驗(yàn)來(lái)選擇，且收斂時(shí)間長(zhǎng)、魯棒性差；常規(guī)支持向量機(jī)（SVM) 僅能夠處理小樣本、非線性、高維數(shù)的問(wèn)題，能夠克服如神經(jīng)網(wǎng)絡(luò)中局部極小值的問(wèn)題，但 支持向量機(jī)訓(xùn)練模型有許多參數(shù)要進(jìn)行選擇，比如核函數(shù)的相關(guān)參數(shù)等，這些參數(shù)直接影 響SVM的預(yù)測(cè)能力，因此，現(xiàn)有的小斷層走向延展長(zhǎng)度預(yù)測(cè)方法中尚未見(jiàn)有成熟技術(shù)解決 斷層延展長(zhǎng)度預(yù)測(cè)準(zhǔn)確性問(wèn)題。


【發(fā)明內(nèi)容】
：
[0003] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)存在的缺陷，針對(duì)現(xiàn)有小斷層走向延展長(zhǎng)度的預(yù) 測(cè)模型準(zhǔn)確度不高的問(wèn)題，設(shè)計(jì)提供一種基于遺傳算法優(yōu)化SVM的小斷層走向延展長(zhǎng)度預(yù) 測(cè)方法，能夠有效的提高預(yù)測(cè)準(zhǔn)確度。
[0004] 為了實(shí)現(xiàn)上述目的，本發(fā)明涉及的預(yù)測(cè)方法包括以下工藝步驟：
[0005] (1)統(tǒng)計(jì)斷層要素?cái)?shù)據(jù)：以煤層采掘工程平面圖為底圖，對(duì)煤層小斷層的走向延 展長(zhǎng)度、走向、傾向、傾角和落差5個(gè)斷層要素進(jìn)行統(tǒng)計(jì)和分析；
[0006] (2)確定小斷層延展長(zhǎng)度的相關(guān)因子：利用灰色關(guān)聯(lián)分析法，確定小斷層走向延 展長(zhǎng)度與斷層走向、傾向、傾角和落差4個(gè)要素的關(guān)聯(lián)度，選取關(guān)聯(lián)度大于0. 5的要素作為 小斷層走向延展長(zhǎng)度的相關(guān)因子，所述灰色關(guān)聯(lián)分析法步驟如下：
[0007] ①構(gòu)建原始數(shù)據(jù)矩陣，設(shè)小斷層走向延展長(zhǎng)度統(tǒng)計(jì)數(shù)據(jù)構(gòu)成母序列

【權(quán)利要求】
1. 一種小斷層走向延展長(zhǎng)度的檢測(cè)方法，其特征在于包括以下工藝步驟： (1) 統(tǒng)計(jì)斷層要素?cái)?shù)據(jù)：以煤層采掘工程平面圖為底圖，對(duì)煤層小斷層的走向延展長(zhǎng) 度、走向、傾向、傾角和落差5個(gè)斷層要素進(jìn)行統(tǒng)計(jì)和分析； (2) 確定小斷層延展長(zhǎng)度的相關(guān)因子：利用灰色關(guān)聯(lián)分析法確定小斷層走向延展長(zhǎng)度 與斷層走向、傾向、傾角和落差4個(gè)要素的關(guān)聯(lián)度，選取關(guān)聯(lián)度大于0. 5的要素作為小斷層 走向延展長(zhǎng)度的相關(guān)因子，所述灰色關(guān)聯(lián)分析法步驟如下： ① 構(gòu)建原始數(shù)據(jù)矩陣，設(shè)小斷層走向延展長(zhǎng)度統(tǒng)計(jì)數(shù)據(jù)構(gòu)成母序列，斷層走 向、傾向、傾角和落差4個(gè)要素構(gòu)成子序列(i= 1，2,…，m,t= 1，2,…，n)，其中i為m個(gè)子因素的標(biāo)號(hào)，t為n個(gè)統(tǒng)計(jì)單元號(hào)，原始數(shù)據(jù)矩陣為：
其中：i= 0, 1，2, "'m,是主因素（i= 0)及m個(gè)子因素的標(biāo)號(hào)，t= 1，2, "'n,為統(tǒng) 計(jì)單元號(hào)，x,TO(/)是對(duì)第i個(gè)因素在第t個(gè)統(tǒng)計(jì)單元內(nèi)得到的觀測(cè)值； ② 對(duì)原始數(shù)據(jù)矩陣進(jìn)行無(wú)量綱化處理，采用公式如下：
③ 計(jì)算子序列與母序列之間的關(guān)聯(lián)度為：
為分辨系數(shù)，分辨系數(shù) 取值范圍〇. 1?〇. 5,通常取0. 5 ; (3) 歸一化與選定訓(xùn)練集：對(duì)小斷層走向延展長(zhǎng)度的相關(guān)因子數(shù)據(jù)進(jìn)行歸一化預(yù)處 理,生成數(shù)據(jù)集,并選定訓(xùn)練集和測(cè)試集； (4) SVM參數(shù)優(yōu)化：輸入訓(xùn)練集樣本，利用遺傳算法對(duì)SVM模型的懲罰參數(shù)C和核函數(shù) 參數(shù)g進(jìn)行優(yōu)化，其中g(shù)= 1/2 〇 2, 〇為RBF核函數(shù)的核參數(shù)，其優(yōu)化步驟如下： ① 設(shè)置初始值：設(shè)定遺傳算法的種群最大數(shù)量、最大遺傳代數(shù)T、交叉概率、變異概率 和優(yōu)化參數(shù)的變化范圍； ② 隨機(jī)產(chǎn)生一組支持向量機(jī)參數(shù)，采用二進(jìn)制編碼對(duì)每個(gè)支持向量機(jī)參數(shù)進(jìn)行編碼， 構(gòu)造初始種群，其染色體為各參數(shù)二進(jìn)制順序排列組成，長(zhǎng)度為各參數(shù)二進(jìn)制長(zhǎng)度之和，設(shè) 置遺傳迭代計(jì)數(shù)器t= 0 ; ③ 計(jì)算種群中每個(gè)個(gè)體的適應(yīng)度：將訓(xùn)練樣本的預(yù)測(cè)平均相對(duì)誤差函數(shù)作為目標(biāo)函 數(shù)，確定其適應(yīng)度，平均相對(duì)誤差越大，適應(yīng)度越小； ④ 根據(jù)個(gè)體適應(yīng)度，按照輪盤(pán)賭法從當(dāng)前種群中選出個(gè)體進(jìn)入下一代； ⑤ 從步驟④選出的個(gè)體中隨機(jī)選擇兩個(gè)個(gè)體作為父體，以設(shè)定的交叉概率進(jìn)行交叉操 作，產(chǎn)生兩個(gè)新個(gè)體； ⑥ 從步驟⑤產(chǎn)生的新個(gè)體中隨機(jī)選擇個(gè)體以設(shè)定的變異概率進(jìn)行變異操作，通過(guò)隨機(jī) 改變個(gè)體中的基因產(chǎn)生新一代個(gè)體； ⑦ 終止條件判斷：若t<T，重復(fù)步驟②，并使t=t+1 ;若t>T或平均適應(yīng)度值變化持 續(xù)小于常數(shù)1〇_4而t超過(guò)最大遺傳代數(shù)T的一半，則所得到的具有最大適應(yīng)度的個(gè)體作為 最優(yōu)值輸出，算法終止； ⑧ 對(duì)得到的最優(yōu)值解譯碼，得到優(yōu)化參數(shù)； (5) SVM建模：輸入訓(xùn)練集樣本，利用步驟（4)得到的優(yōu)化參數(shù)，進(jìn)行SVM建模； (6) 模型檢驗(yàn)：利用測(cè)試集對(duì)步驟（5)建立的SVM模型進(jìn)行檢驗(yàn)，若測(cè)試結(jié)果相對(duì)誤差 < 15%，模型能夠應(yīng)用，否則返回步驟（2)重新建模。
【文檔編號(hào)】G06Q50/02GK104268647SQ201410503652
【公開(kāi)日】2015年1月7日 申請(qǐng)日期:2014年9月28日 優(yōu)先權(quán)日:2014年9月28日
【發(fā)明者】于小鴿, 施龍青, 邱梅, 韓進(jìn) 申請(qǐng)人:山東科技大學(xué)