基于IPSO?SVM的瓦斯突出危險程度預(yù)測

李圣普　王小輝

摘 要： 煤與瓦斯突出事故危及礦工生命，破壞生產(chǎn)現(xiàn)場。通過現(xiàn)場監(jiān)測瓦斯突出的相關(guān)數(shù)據(jù)，對瓦斯突出的危險程度進行預(yù)測，提前做好防范措施，減少瓦斯突出事故的危害。為此，提出支持向量機算法與改進粒子群算法相結(jié)合的瓦斯突出危險程度預(yù)測模型：首先對容易陷入局部最優(yōu)的粒子群進行改進；接著應(yīng)用改進粒子群算法求解影響支持向量機分類預(yù)測性能的最佳參數(shù)；然后把最佳參數(shù)應(yīng)用于擅長模式識別的支持向量機算法，進行瓦斯突出樣本數(shù)據(jù)的訓(xùn)練，構(gòu)建瓦斯預(yù)測模型；最后使用瓦斯預(yù)測模型對新的瓦斯突出數(shù)據(jù)進行預(yù)測。實驗結(jié)果表明，采用該方法進行瓦斯突出預(yù)測的準確率，比純支持向量機算法提高了5%。

關(guān)鍵詞： 改進粒子群； 支持向量機； 參數(shù)優(yōu)化； 瓦斯突出預(yù)測

中圖分類號： TN911?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2016）04?0021?05

Abstract： Coal and gas outburst accident endangers miners' lives and damages production site. The risk degree of gas outburst is predicted with the relevant data of gas outburst to make precautionary measure and reduce the gas outburst hazard. Therefore， a gas outburst risk prediction model based on combination of vector machine （SVM） algorithm and improved particle swarm optimization （PSO） algorithm is proposed in this paper. Firstly， the particle swarm being easy to trap in local optimum is improved， and the improved particle swarm optimization （PSO） algorithm is used to solve the optimal parameters which affects the classification prediction performance for SVM. Secondly， the solved optimal parameters are used in SVM algorithm being good at pattern recognition to train the gas outburst sample data and build gas outburst risk prediction model. At last， the gas outburst risk prediction model is adopted to predict the new gas outburst data. The experimental results show that the gas outburst prediction accuracy of the method is increased by 5%， which is higher than that of the pure SVM algorithm.

Keywords： particle swarm improvement； support vector machine； parameter optimization； gas outburst risk prediction

0 引 言

煤與瓦斯突出事故是煤炭生產(chǎn)過程中的重大安全事故，危及礦工生命，所引起的爆炸還嚴重破壞煤炭生產(chǎn)現(xiàn)場[1]。煤與瓦斯突出的預(yù)測方法研究，尤其是提高預(yù)測的精度，為瓦斯突出防范措施提供有價值的依據(jù)，進而減少瓦斯突出事故的所造成的危害。因此，瓦斯突出危險的預(yù)測具有重要的研究價值。

近年來，智能算法建模與預(yù)測成為預(yù)測領(lǐng)域的重要研究內(nèi)容之一，目前，人工神經(jīng)網(wǎng)絡(luò)、支持向量機、遺傳算法、灰色理論等智能算法被應(yīng)用于瓦斯突出預(yù)測[2?3]。但是這些算法也存在一些不可避免的問題：基于神經(jīng)網(wǎng)絡(luò)的分類預(yù)測方法雖然分類能力強，但是神經(jīng)網(wǎng)絡(luò)的自身結(jié)構(gòu)導(dǎo)致在權(quán)值學(xué)習(xí)過程中存在會深陷于局部極小點、收斂過程慢、參數(shù)設(shè)置復(fù)雜等問題，傳統(tǒng)的智能檢測技術(shù)還存在著算法單一的缺點[4?5]。因此，如何低成本地提高預(yù)測的準確率也有待深入研究。支持向量機（SVM）擅長于模式分類，采用結(jié)構(gòu)化風(fēng)險原則，且具有小樣本數(shù)據(jù)預(yù)測的優(yōu)點，可有效避免神經(jīng)網(wǎng)絡(luò)樣本數(shù)據(jù)較多，收斂速度慢，學(xué)習(xí)不足或過多和陷入局部最小等缺點，非常適合瓦斯突出危險程度的預(yù)測。但網(wǎng)格搜索法作為支持向量機模型中常見的參數(shù)選擇方法，具有搜索時間長，搜索精度小等缺點[6?7]。粒子群（PSO）算法是啟發(fā)式的智能搜索算法，采取改進措施后，更好地尋求全局最優(yōu)解，用比網(wǎng)格搜索法更快的搜索速度求解更寬廣參數(shù)空間內(nèi)更好的解[8]。

為此，文章提出關(guān)于改進粒子群（IPSO）與支持向量機（SVM）相結(jié)合的瓦斯突出預(yù)測方法。支持向量機算法作為瓦斯突出預(yù)測的主模型，但分類和檢測結(jié)果的好壞，取決于支持向量機模型中的參數(shù)選擇，在最佳參數(shù)的求解環(huán)節(jié)引入改進粒子群算法，使用啟發(fā)式的智能搜索方法更加快速地尋找全局最優(yōu)解，可有效提升瓦斯突出預(yù)測的速度和精度。

1 IPSO?SVM瓦斯突出預(yù)測原理

1.1 瓦斯突出指標的選取

查閱相關(guān)的研究資料，大都選取5個反映突出的因素和指標，分別為：鉆屑瓦斯解析指標、瓦斯放散初速度、煤的堅固性系數(shù)、煤層瓦斯含量和瓦斯壓力。這些指標分別反映煤層遭受破壞的嚴重程度、煤的滲透性能、煤的堅固性等特性，是突出危險的重要因素[1]。

煤與瓦斯突出的危險程度與等級依次分為：無危險，突出威脅，突出危險。無危險表示不會發(fā)生瓦斯提出危險，突出威脅表示有發(fā)生瓦斯突出的征兆，突出危險表示時刻都有發(fā)生瓦斯突出的危險。

1.2 支持向量機與模式分類

支持向量機，主要思想在于建立分類超平面作為決策曲面，將正反例間的隔離邊緣最大化來分類。其應(yīng)用了結(jié)構(gòu)風(fēng)險最小化準則，較好地解決了小樣本、非線性、高維數(shù)等實際問題。瓦斯突出預(yù)測，其本質(zhì)是一個模式識別問題，首先判斷有無瓦斯突出危險，有突出危險后，進而識別出危險程度。

設(shè)瓦斯突出樣本數(shù)據(jù)為X，根據(jù)第1.1節(jié)指標的選取，每條樣本數(shù)據(jù)將具有5個相關(guān)的屬性。此外每條樣本數(shù)據(jù)還有一個表示其危險程度的狀態(tài)數(shù)據(jù)。瓦斯突出危險程度的狀態(tài)的集合為Y，[Y={1，2，3}]（其中：1代表無危險狀態(tài)；2代表突出威脅；3代表突出危險）。那么，創(chuàng)建預(yù)測模型就是根據(jù)支持向量機原理求解以下問題：

對于數(shù)據(jù)[T={（x1，y1），（x2，y2），…，（xl，yl）}∈（X×Y）l]，尋找一個實值函數(shù)[y（x）]在[xi∈X=Rn，yi∈Y={0，1，2}，i=1，2，…，l]里面，判斷任何模式下的[x]相對應(yīng)的[y]值，可以方便使用決策參數(shù)[f（x）=sgn（y（x））]。為找到最優(yōu)分類超平面，需求解下面問題：

[ minω，b12ω2+Ci=1lξi s.t yi（（ω?xi）+b）+ξi≥1， i=1，2，…l] （1）

式中： [ω]表示系數(shù)向量；[ξi≥0]表示松弛變量；C是懲罰因子，通過懲罰因子改變能夠在分類器的誤分類率和泛化力間折衷[3?5]。

最終，可求得決策函數(shù)：

[f（x，α）=sgni=1lyiα0iK（x?xi）+b] （2）

式中：[K（x?xi）]是核函數(shù)。

核函數(shù)和它的參數(shù)主要決定樣本數(shù)據(jù)分布在高維特征空間中的復(fù)雜程度。

由上述計算過程可以看出，懲罰因子C與核函數(shù)的選擇及其參數(shù)的確定是影響支持向量機分類性能的主要因素。采用SVM來做分類，想要達到較滿意的結(jié)果，需要調(diào)節(jié)懲罰因子參數(shù)和核函數(shù)參數(shù)，才能得到比較理想的預(yù)測分類準確率，然而支持向量機做不到這一點，下文利用改進粒子群算法來優(yōu)化懲罰因子C和核函數(shù)參數(shù)的選取過程。

1.3 改進粒子群算法優(yōu)化支持向量機參數(shù)

粒子群算法是一種啟發(fā)式的智能優(yōu)化算法，該算法具有搜索機制較為簡單、收斂速度快、運算量小等優(yōu)點，改進粒子群算法在進行大規(guī)模搜索時，能夠避免陷入局部最優(yōu)解的缺陷[9?10]。利用粒子群算法來優(yōu)化支持向量機算法中懲罰因子C和核函數(shù)參數(shù)的優(yōu)化選擇，可以避免SVM算法傳統(tǒng)的網(wǎng)格搜索方法計算量大，搜索區(qū)域不易精確定位等缺點，提高搜索速度，智能優(yōu)化搜索區(qū)域與精度。

PSO算法數(shù)學(xué)理論基礎(chǔ)為[10]：設(shè)在D維的搜索空間內(nèi)有n個粒子。向量Li=（xi1，xi2，…，xiD）表示i粒子的位置空間，其“飛行”中最優(yōu)歷史位置（最優(yōu)解）為Pi=（pi1，pi2，…，piD），設(shè)第g個粒子的歷史最優(yōu)位置pg為全部局部最優(yōu)解pi（i=1，2，…，n）的最優(yōu)；第i個粒子的速度用向量Vi=（vi1，vi2，…，viD）表示。按如下公式進行每個粒子的位置變化：

[Vid（t+1）=w×Vid（t）+ c1×rand（ ）×[Pid（t）-Lid（t）]+ c2×rand（ ）×[Pgd（t）-Lid（t）]] （3）

[Lid（t+1）=Lid（t）+Vid（t+1）， 1≤i≤n，1≤d≤D] （4）

式中：速度的變化區(qū)間[-VMAXd，VMAXd]，第d（1≤d≤D）維的位置變化區(qū)間為[-XMAXd，XMAXd]，當?shù)腥绻恢没蛩俣仍浇缇腿∵吔缰?；c1，c2為加速因子是正常數(shù)；rand（）是區(qū)間[0，1]的隨機數(shù)；w是慣性因子。粒子群初始位置與速度均隨機產(chǎn)生，后根據(jù)式（3），式（4）進行迭代，直至找到最優(yōu)解。

在算法改進方面，為了減少陷入局部解，當粒子群收斂到一定程度采取變異措施，圍繞粒子群的當前質(zhì)心對粒子群重新初始化。在粒子群的迭代求解過程中獲得新的搜索位置，增加了求得更優(yōu)解的機會。

粒子群算法啟發(fā)式尋優(yōu)，速度快，參數(shù)簡單的特點，加上全局尋優(yōu)性能的改進，應(yīng)用于優(yōu)化SVM的最佳參數(shù)尋找，主要步驟如下：

（1） 選擇閾值與最大迭代次數(shù)maxgen；

（2） 初始化粒子的隨機位置和速度為：Li=（xi1，xi2，…，xiD），Vi=（vi1，vi2，…，viD）；

（3） 測量每個粒子的適應(yīng)值；調(diào)研svmTrain；

（4） 根據(jù)步驟（2）更新初始化粒子的位置和速度；

（5） 把每個粒子相對應(yīng)的適應(yīng)值與其尋找過程中最好位置的適應(yīng)值進行對比，發(fā)現(xiàn)較好的則將其作為自身當前最好位置；

（6） 對比每個粒子相對應(yīng)的適應(yīng)值與全局所經(jīng)歷過最好位置的適應(yīng)值取優(yōu)，作為自身當前全局最好位置；

（7） 通過以上步驟，若沒有達到結(jié)束條件要求的適應(yīng)值，返回步驟（2）；否則執(zhí)行步驟（8）；

（8） 輸出gbest。

2 IPSO?SVM瓦斯突出預(yù)測實現(xiàn)

2.1 實現(xiàn)的總體思路

要實現(xiàn)基于改進粒子群支持向量機的瓦斯突出預(yù)測功能，主要進行如下4步的工作：

（1） 瓦斯突出數(shù)據(jù)樣本準備，作為算法的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)。樣本數(shù)據(jù)[1]（部分）如表1所示。

（2） 根據(jù)第1.3節(jié)改進粒子群算法的步驟，應(yīng)用PSO粒子群算法求解SVM的最佳參數(shù)。

（3） 使用步驟（2）求得的最佳參數(shù)，使用式（1）和式（2），結(jié)合訓(xùn)練樣本數(shù)據(jù)，構(gòu)建SVM算法預(yù)測分類模型。

（4） 使用SVM算法預(yù)測分類模型，對測試數(shù)據(jù)進行瓦斯突出預(yù)測，并驗證模型預(yù)測的準確性。

（5） 分析實驗結(jié)果，并從SVM不同核函數(shù)選擇和PSO優(yōu)化SVM等多方面對比多種不同預(yù)測方法的準確率。瓦斯突出預(yù)測模型整體流程如圖1所示。

2.2 工具選擇與基礎(chǔ)數(shù)據(jù)設(shè)置

采用Matlab 2014a軟件與支持向量機加強工具箱Libsvm，進行IPSO?SVM模型的瓦斯突出預(yù)測實驗與仿真。

基于上文分析，試驗中選取包含無危險、突出威脅、突出危險這三種情況下的共40個樣本數(shù)據(jù)進行模型的訓(xùn)練。選取的每個樣本數(shù)據(jù)共5個特征值。最后使用包含這三種情況的20個樣本進行預(yù)測。下面僅列出瓦斯突出的部分數(shù)據(jù)如表1所示，其他數(shù)據(jù)不再贅述。

表1 瓦斯突出數(shù)據(jù)

2.3 Matlab實驗設(shè)計

使用Matlab實現(xiàn)IPSO_SVM算法瓦斯突出預(yù)測功能的實驗，主要步驟如下所示：

（1） 數(shù)據(jù)文件設(shè)計

將瓦斯突出的樣本數(shù)據(jù)（無危險、突出威脅、突出危險）等數(shù)據(jù)保存到Matlab的mat數(shù)據(jù)文件中，為后續(xù)的預(yù)測算法提供基礎(chǔ)數(shù)據(jù)。復(fù)雜的地方在于需要把狀態(tài)數(shù)據(jù)重新組織成適合SVM算法使用的數(shù)據(jù)結(jié)構(gòu)，根據(jù)SVM算法狀態(tài)數(shù)據(jù)、類別數(shù)量、類別標簽的要求，瓦斯突出預(yù)測的數(shù)據(jù)文件設(shè)計如下：

wasi：存儲瓦斯突出的樣本數(shù)據(jù)：包含3種類別的共60條數(shù)據(jù)，每條狀態(tài)數(shù)據(jù)包括該狀態(tài)下的5個特征值。

wasi_labels：存儲危險類別的標簽，1代表無危險狀態(tài)、2代表突出威脅、3代表突出危險。

classNumber：分類個數(shù)，其數(shù)值為3。

（2） 選定訓(xùn)練集和測試集

在第一步的數(shù)據(jù)文件中取出部分狀態(tài)數(shù)據(jù)及其狀態(tài)標簽單獨存放，為后續(xù)的SVM模型訓(xùn)練提供輸入數(shù)據(jù)和測試數(shù)據(jù)，程序設(shè)計為取包含3種危險類別的前40條數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集，后20條數(shù)據(jù)作為測試數(shù)據(jù)集，具體如下：

%將包含3種危險類別的前40條數(shù)據(jù)做為訓(xùn)練集

train_wasi = [wasi（1：40，：）]；

%相應(yīng)的訓(xùn)練集的標簽也要分離出來

train_wasi_labels = [wasi_labels（1：40）]；

%將包含3種危險類別的后20條數(shù)據(jù)做為測試集

test_wasi = [wasi（41：60，：）]；

%相應(yīng)的測試集的標簽也要分離出來

test_wasi_labels = [wasi_labels（41：60）]；

（3） 數(shù)據(jù)預(yù)處理

數(shù)據(jù)歸一化處理后，可明顯提高算法模型的精度，將訓(xùn)練集和測試集歸一化到[0，1]區(qū)間，使用Matlab的歸一化函數(shù)mapminmax：

%求出訓(xùn)練集和測試集的大小：行數(shù)和列數(shù)

[mtrain，ntrain] = size（train_wasi）；

[mtest，ntest] = size（test_wasi）；

%將訓(xùn)練集和測試集歸并為數(shù)據(jù)集

dataset = [train_wasi；test_wasi]；

%使用Matlab的歸一化函數(shù)mapminmax歸一化到[0，1]區(qū)間

[dataset_scale，ps] = mapminmax（dataset′，0，1）；

dataset_scale = dataset_scale′；

%求得歸一化后的訓(xùn)練集和測試集

train_wasi = dataset_scale（1：mtrain，：）；

test_wasi = dataset_scale（ （mtrain+1）：（mtrain+mtest），： ）；

（4） 應(yīng)用IPSO算法求解最佳的SVM參數(shù)c與g

根據(jù)IPSO粒子群算法自定義函數(shù)psoSVMcgForClass，求解SVM算法所需的最佳c值與g值，自定義函數(shù)的具體實現(xiàn)思路參考的1.3節(jié)IPSO算法實現(xiàn)步驟：

[bestacc，bestc，bestg] = psoSVMcgForClass（train_wasi_labels，train_wasi）；

其中：參數(shù)train_wasi_labels和train_wasi為測試集中的狀態(tài)數(shù)據(jù)及其類別標簽；bestacc為求解的最佳準確率，bestc為求解的最佳c值；bestg為求解的最佳g值。

（5） 利用最佳的參數(shù)進行SVM網(wǎng)絡(luò)訓(xùn)練

將上步求得的最佳值生成SVM訓(xùn)練模型的參數(shù)字符串，其中參數(shù)t的值確定核函數(shù)的類型：

cmd = [′-c′，num2str（bestc），′-g′，num2str（bestg）， ′-t 1′]；

使用svmLib工具箱svmtrain函數(shù)訓(xùn)練預(yù)測模型：

model = svmtrain（train_wasi_labels，train_wasi，cmd）；

其中：參數(shù)train_wasi_labels，train_wasi為測試集中的狀態(tài)數(shù)據(jù)及其類別標簽；model為訓(xùn)練所得的分類模型。

（6） SVM網(wǎng)絡(luò)測試與檢測

使用svmLib工具箱svmpredict函數(shù)訓(xùn)練預(yù)測模型

[predict_label，accuracy] = svmpredict（test_wasi_labels，test_wasi，model）；

其中：參數(shù)model即上一步中訓(xùn)練所得的分類模型；predict_label為預(yù)測所得的分類結(jié)果；accuracy為預(yù)測的準確率。

2.4 實驗結(jié)果與分析

該部分主要討論以下2種情形的實驗結(jié)果及對比分析：

（1） IPSO優(yōu)化SVM模型選用不同SVM核函數(shù)的預(yù)測效果及對比，因為SVM算法的預(yù)測精度與所選取的核函數(shù)密切相關(guān)，而支持向量機核函數(shù)的選取方面還沒有嚴格的理論依據(jù)，需要對比找到最優(yōu)的IPSO優(yōu)化SVM預(yù)測模型。

（2） 單純的SVM模型的預(yù)測效果及其與IPSO優(yōu)化SVM預(yù)測模型的對比，觀察PSO優(yōu)化后的SVM是否比單純的SVM模型性能優(yōu)越。

根據(jù)2.2節(jié)整理的數(shù)據(jù)和2.3節(jié)設(shè)計的實驗進行瓦斯危險預(yù)測實例的分析和研究，首先進行數(shù)據(jù)歸一化預(yù)處理，接著對樣本中基礎(chǔ)數(shù)據(jù)進行訓(xùn)練樣本與測試樣本的分類，輸入訓(xùn)練樣本數(shù)據(jù)后，然后利用粒子群IPSO算法對支持向量機的參數(shù)進行優(yōu)化，設(shè)最大迭代步數(shù)為200，參數(shù)尋優(yōu)結(jié)果如圖2所示。

將最優(yōu)參數(shù)c和g的值引入支持向量機預(yù)測識別，分別實驗4種核函數(shù)下的瓦斯危險預(yù)測，經(jīng)過模型訓(xùn)練，輸入測試樣本對模型進行準確性檢驗的結(jié)果如圖3、圖4所示。

預(yù)測結(jié)果

從圖中可以看出IPSO優(yōu)化SVM的預(yù)測模型，使用線性核函數(shù)、RCF核函數(shù)、Sigmoid核函數(shù)3種核函數(shù)時的預(yù)測準確率均為90%（18/20），而使用多項式核函數(shù)時的預(yù)測準確率更高一點，達到了95%（19/20）。此外，還進行了單獨使用SVM算法的預(yù)測實驗，只使用SVM算法的預(yù)測模型求解到的預(yù)測結(jié)果如圖5所示，其預(yù)測的準確率為90%（18/20），大幅度低于IPSO優(yōu)化后的SVM預(yù)測模型，原因就在于單獨的SVM算法中的參數(shù)c和g的是大概估算，并不是最優(yōu)的，較大程度地影響了SVM預(yù)測的準確性。

從模型的瓦斯突出預(yù)測準確率來看IPSO?SVM模型明顯優(yōu)于單獨的SVM模型，且多項式核函數(shù)模型優(yōu)于其他三種核函數(shù)模型。經(jīng)測試樣本驗證，參數(shù)c=0.1，g=304.947 9，選用多項式核函數(shù)的IPSO?SVM模型可用于瓦斯突出危險預(yù)測，預(yù)測準確率明顯提高。

3 結(jié) 語

本文提出改進PSO算法與SVM相結(jié)合的瓦斯突出預(yù)測模型，并進行實驗驗證模型預(yù)測的準確性。采用該方法進行瓦斯突出預(yù)測的準確率，比純支持向量機算法提高了5%。通過分析和對比多種不同檢測方法的實驗，表明該方法提高了瓦斯突出預(yù)測的準確率和效率。

參考文獻

[1] 王海柱.改進的蟻群聚類算法在煤與瓦斯突出預(yù)測中的應(yīng)用研究[D].太原：太原理工大學(xué)，2012.

[2] 朱志潔，張宏偉，韓軍，等.基于PCA?BP神經(jīng)網(wǎng)絡(luò)的煤與瓦斯突出預(yù)測研究[J].中國安全科學(xué)學(xué)報，2013，23（4）：45?50.

[3] 任浩源.BP神經(jīng)網(wǎng)絡(luò)在煤與瓦斯突出危險性預(yù)測中的應(yīng)用研究[D].西安：西安科技大學(xué)，2012.

[4] 安文超.基于SVM的煤與瓦斯突出危險性區(qū)域預(yù)測及防突技術(shù)研究[D].北京：中國計量學(xué)院，2013.

[5] 曲方，安文超，李迎業(yè)，等.基于GRA?SVM方法的煤與瓦斯突出預(yù)測模型研究[J].中國煤炭，2012，38（11）：102?106.

[6] 彭泓，高攀.粗神經(jīng)網(wǎng)絡(luò)在煤與瓦斯突出預(yù)測系統(tǒng)的應(yīng)用[J].儀表技術(shù)與傳感器，2011（11）：100?103.

[7] 張曉銘.基于PSO算法優(yōu)化的自組織競爭神經(jīng)網(wǎng)絡(luò)在煤與瓦斯突出預(yù)測中的應(yīng)用研究[J].中國煤炭，2013，39（1）：106?109.

[8] 周游.基于粒子群優(yōu)化的動態(tài)優(yōu)化研究[D].杭州：浙江大學(xué)， 2014.

[9] 董方.粒子群算法研究及其在動態(tài)優(yōu)化中的應(yīng)用[D].杭州：浙江大學(xué)，2014.

[10] 李艷麗.基于多目標優(yōu)化的粒子群算法研究及其應(yīng)用[D].成都：西南交通大學(xué)，2014.