郭 峰

（中國建筑材料工業(yè)地質(zhì)勘查中心浙江總隊，浙江杭州 310012）

硫化礦石自燃傾向性等級劃分的支持向量機(jī)模型及應(yīng)用

郭 峰

（中國建筑材料工業(yè)地質(zhì)勘查中心浙江總隊，浙江杭州 310012）

為準(zhǔn)確判定硫化礦石的自燃傾向性等級，提出一種硫化礦石自燃傾向性等級劃分預(yù)測模型——支持向量機(jī)（Support Vector Machine，SVM）模型。結(jié)合已有的研究成果，選取表征硫化礦石自燃傾向性本質(zhì)特性的自熱點溫度、室內(nèi)低溫氧化質(zhì)量增加率和自燃點溫度3項指標(biāo)作為硫化礦自燃傾向性等級劃分的基本判別因子。使用典型高硫礦山的18組礦樣的實測數(shù)據(jù)作為訓(xùn)練樣本，6組硫化礦井礦樣的自燃傾向性作為預(yù)測樣本。分別采用網(wǎng)格參數(shù)尋優(yōu)、遺傳算法（Genetic Algorithm，GA）參數(shù)尋優(yōu)、粒子群（Particle Swarm Optimization，PSO）尋優(yōu)算法來計算SVM模型的參數(shù)，分析比較三種算法得到的預(yù)測結(jié)果，確定最適合硫化礦石自燃傾向性等級劃分的SVM回歸模型的參數(shù)尋優(yōu)算法。研究結(jié)果表明，網(wǎng)格尋優(yōu)算法、GA算法取得了良好的預(yù)測效果，預(yù)測正確率為100%。因此，支持向量機(jī)模型可以用于指導(dǎo)高硫礦山礦石自燃傾向性等級的劃分。

硫化礦石；自燃傾向性；支持向量機(jī)；等級劃分

高硫礦山生產(chǎn)過程中容易遭遇硫化礦石自燃這一嚴(yán)重自然災(zāi)害，給礦山的生產(chǎn)運營帶來嚴(yán)重的影響，對高硫礦山硫化礦自燃傾向性等級正確預(yù)測就顯得異常重要，硫化礦自燃傾向性等級正確預(yù)測可以為高硫礦床開采設(shè)計和防火技術(shù)提供理論依據(jù)。目前，對硫化礦自燃傾向性等級預(yù)測研究較少，陽富強(qiáng)等運用GA－BP神經(jīng)網(wǎng)絡(luò)模型對硫化礦自燃傾向性等級進(jìn)行預(yù)測，平均預(yù)測誤差2.5%，預(yù)測效果較好［1］。GA－BP預(yù)測擁有較高的精度，但是網(wǎng)絡(luò)參數(shù)的選擇復(fù)雜，比如種群規(guī)模、選擇概率、交叉概率等的選擇，合適的參數(shù)選擇才能得到較高精度的預(yù)測結(jié)果。神經(jīng)網(wǎng)絡(luò)預(yù)測精度較高，需要較多樣本數(shù)量，且容易陷入局部極小值［2］；謝正文等用信息熵理論引入硫化礦自燃傾向性等級預(yù)測，克服了權(quán)重選擇的主觀性［3，4］；此外統(tǒng)計回歸模型、Fiser判別分析法、距離判別分析理論等也應(yīng)用到硫化礦自燃傾向性等級預(yù)測［5～8］；趙軍等［9］基于網(wǎng)格尋優(yōu)算法利用支持向量機(jī)對硫化礦自燃傾向性等級進(jìn)行預(yù)測，支持向量機(jī)（Support Vector Machine，SVM）在處理小樣本、非線性數(shù)據(jù)方面具有較強(qiáng)優(yōu)勢［10～13］，預(yù)測精度高，需要優(yōu)化的參數(shù)少。此次使用典型高硫礦山的18組礦樣的實測數(shù)據(jù)作為訓(xùn)練樣本，分別用網(wǎng)格尋優(yōu)算法、GA、PSO算法建立SVM預(yù)測模型，對6組硫化礦井礦樣的自燃傾向性進(jìn)行了分級預(yù)測，尋找合適的SVM模型算法。結(jié)果顯示，網(wǎng)格尋優(yōu)算法、GA算法的SVM具有較高的預(yù)測精度，預(yù)測準(zhǔn)確率達(dá)100%。

1 SVM的基本思想

SVM包括兩類分類和多類分類，此次研究將硫化礦自燃傾向性等級劃分3類。SVM原理是將一個非線性的特征空間通過映射Φ映射到更高維的線性特征空間進(jìn)行線性分類。因此，對于數(shù)據(jù)集Y＝｛（xi，yi）｝，可以用下式進(jìn)行分類估計：

即分類問題變成最優(yōu)分類函數(shù)：

服從：

式中：c為懲罰系數(shù)；ζi為損傷函數(shù)。通過Lagrange變換（2）式得到其對偶形式為：

服從：

式中：α，α*為Lagrange乘子，w為：

由上可得分類表達(dá)式：

對于低維空間數(shù)據(jù)，分類表達(dá)式為：

式中：K（x′i·x′）為核函數(shù)。

2 SVM模型的參數(shù)尋優(yōu)算法

2.1 三種參數(shù)尋優(yōu)算法

核函數(shù)的參數(shù)g和懲罰系數(shù)c對SVM預(yù)測性能影響較大，所以需要通過一定算法選擇最優(yōu)參數(shù)。目前常用的優(yōu)化算法有網(wǎng)格參數(shù)尋優(yōu)、遺傳算法（GA）參數(shù)尋優(yōu)、粒子群（PSO）尋優(yōu)算法。

選用24個典型高硫礦山礦樣實測數(shù)據(jù)（考慮影響高硫石自燃傾向性的3個重要因素），見表1，自燃傾向等級1代表易自燃，2代表易自熱不易自燃，3代表無自熱自燃［1］，以前18組數(shù)據(jù)建立訓(xùn)練集，后6組數(shù)據(jù)作為預(yù)測集，以此檢驗?zāi)Ｐ偷念A(yù)測性能。

按照上訴3種尋優(yōu)方法對SVM模型參數(shù)尋優(yōu)，得到3種尋優(yōu)結(jié)果，如圖1、圖2、圖3所示。通過分析，3種方法對訓(xùn)練集分類準(zhǔn)確率達(dá)到94.44%；雖然3種算法得到c、g值差別較大，但訓(xùn)練預(yù)測結(jié)果相同。

2.2 三種算法結(jié)果的驗證

分別利用上述3種算法得到的c和g參數(shù)建立SVM模型，利用樣本空間的測試集對3種模型進(jìn)行驗證。圖4、圖5、圖6分別為網(wǎng)格尋優(yōu)算法、GA尋優(yōu)算法和PSO尋優(yōu)算法的驗證結(jié)果。通過分析，網(wǎng)格尋優(yōu)、GA算法的預(yù)測準(zhǔn)確率為100%，PSO有一個錯誤，準(zhǔn)確率83.33%，這說明了網(wǎng)格尋優(yōu)、GA算法擁有較高的泛化能力，能準(zhǔn)確地預(yù)測硫化礦石的自燃傾向性。

表1 樣本數(shù)據(jù)［1］

圖1 網(wǎng)格尋優(yōu)算法結(jié)果

圖2 GA尋優(yōu)算法結(jié)果

圖3 PSO參數(shù)尋優(yōu)算法結(jié)果

圖4 網(wǎng)格尋優(yōu)算法驗證結(jié)果

圖5 GA尋優(yōu)算法驗證結(jié)果

圖6 PSO尋優(yōu)算法驗證結(jié)果

3 結(jié) 論

通過運用網(wǎng)格尋優(yōu)算法、GA算法、PSO算法對硫化礦石自燃性傾向性的訓(xùn)練及預(yù)測，發(fā)現(xiàn)網(wǎng)格尋優(yōu)算法、GA算法擁有較高的泛化能力，能夠?qū)α蚧V石自燃性傾向性進(jìn)行精準(zhǔn)的預(yù)測，反應(yīng)了SVM適合硫化礦石自燃性傾向性的預(yù)測，其精度遠(yuǎn)遠(yuǎn)高于GA－BP神經(jīng)網(wǎng)絡(luò)模型，為硫化礦石自燃性傾向性預(yù)測提供了新的技術(shù)手段，為高硫礦床開采設(shè)計和防火技術(shù)提供新的理論依據(jù)。此次研究只考慮了影響硫化礦石自燃性傾向性的3個重要因素，實際設(shè)計中應(yīng)全面考慮各方面的因素對硫化礦石自燃性傾向性的影響，這個研究有待深入。

［1］ 陽富強(qiáng)，劉廣寧，郭樂樂.硫化礦石自燃傾向性等級劃分的GA－BP神經(jīng)網(wǎng)絡(luò)模型及應(yīng)用［J］.自然災(zāi)害學(xué)，2015，24（4）：227－232.

［2］ 胡文志，謝振華，趙軍.硫化礦石自燃傾向性鑒定技術(shù)［J］.金屬礦山，2011，35（6）：146－148.

［3］ 謝正文，吳超，李孜軍，等.基于信息熵和集對分析理論的硫化礦石自燃傾向性判定［J］.中南大學(xué)學(xué)報（自然科學(xué)版），2012，43（5）：1 858－1 863.

［4］ 陽富強(qiáng)，陳伯輝.硫化礦石自燃傾向性評價的屬性區(qū)間識別模型［J］.中國安全科學(xué)學(xué)報，2012，22（1）：70－75.

［5］ 趙軍，張興凱，王云海，等.基于統(tǒng)計回歸模型的硫化礦石自燃傾向性鑒定指標(biāo)研究［J］.中國安全生產(chǎn)科學(xué)技術(shù)，2010，6（4）：20－22.

［6］ 胡漢華，劉征，李孜軍，等.硫化礦石自燃傾向性等級分類的Fisher判別分析法［J］.煤炭學(xué)報，2010，35（10）：1 674－1 679.

［7］ 陽富強(qiáng)，吳超，李孜軍，等.基于距離判別分析理論的硫化礦石自燃傾向性等級劃分［J］.煤炭學(xué)，2010，35（12）：2 111－2 115.

［8］ 陽富強(qiáng)，吳超，李孜軍.硫化礦石自燃傾向性綜合判定的物元模型及其應(yīng)用［J］.中南大學(xué)學(xué)報（自然科學(xué)版），2011，42（11）：3 459－3 464.

［9］ 趙軍，張興凱，王云海.硫化礦石自燃傾向性鑒定技術(shù)研究［J］.中國安全生產(chǎn)科學(xué)技術(shù)，2009，5（6）：105－109.

［10］余志雄，周創(chuàng)兵，李俊平，等.基于ν－SVR算法的邊坡穩(wěn)定性預(yù)測［J］.巖石力學(xué)與工程學(xué)報，2005，24（14）：2 468－2 475.

［11］羅戰(zhàn)友，楊曉軍，龔曉南.基于支持向量機(jī)的邊坡穩(wěn)定性預(yù)測模型［J］.巖石力學(xué)與工程學(xué)報，2005，24（1）：144－148.

［12］陳祖云，張桂珍，鄔長福，等.基于支持向量機(jī)的邊坡穩(wěn)定性預(yù)測研究［J］.中國安全生產(chǎn)科學(xué)技術(shù)，2009，5（4）：101－105.

［13］曹慶奎，王瑞.基于GA－LSSVR的露天礦邊坡穩(wěn)定性預(yù)測［J］.煤礦安全，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，助理工程師，主要從事礦山項目設(shè)計工作。