基于IPSO?SVM的瓦斯突出危險程度預測

李圣普　王小輝

摘 要： 煤與瓦斯突出事故危及礦工生命，破壞生產現場。通過現場監測瓦斯突出的相關數據，對瓦斯突出的危險程度進行預測，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合的瓦斯突出危險程度預測模型：首先對容易陷入局部最優的粒子群進行改進；接著應用改進粒子群算法求解影響支持向量機分類預測性能的最佳參數；然后把最佳參數應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據的訓練，構建瓦斯預測模型；最后使用瓦斯預測模型對新的瓦斯突出數據進行預測。實驗結果表明，采用該方法進行瓦斯突出預測的準確率，比純支持向量機算法提高了5%。

關鍵詞： 改進粒子群； 支持向量機； 參數優化； 瓦斯突出預測

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現場[1]。煤與瓦斯突出的預測方法研究，尤其是提高預測的精度，為瓦斯突出防范措施提供有價值的依據，進而減少瓦斯突出事故的所造成的危害。因此，瓦斯突出危險的預測具有重要的研究價值。

近年來，智能算法建模與預測成為預測領域的重要研究內容之一，目前，人工神經網絡、支持向量機、遺傳算法、灰色理論等智能算法被應用于瓦斯突出預測[2?3]。但是這些算法也存在一些不可避免的問題：基于神經網絡的分類預測方法雖然分類能力強，但是神經網絡的自身結構導致在權值學習過程中存在會深陷于局部極小點、收斂過程慢、參數設置復雜等問題，傳統的智能檢測技術還存在著算法單一的缺點[4?5]。因此，如何低成本地提高預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，采用結構化風險原則，且具有小樣本數據預測的優點，可有效避免神經網絡樣本數據較多，收斂速度慢，學習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測。但網格搜索法作為支持向量機模型中常見的參數選擇方法，具有搜索時間長，搜索精度小等缺點[6?7]。粒子群（PSO）算法是啟發式的智能搜索算法，采取改進措施后，更好地尋求全局最優解，用比網格搜索法更快的搜索速度求解更寬廣參數空間內更好的解[8]。

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

1 IPSO?SVM瓦斯突出預測原理

1.1 瓦斯突出指標的選取

查閱相關的研究資料，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、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。無危險表示不會發生瓦斯提出危險，突出威脅表示有發生瓦斯突出的征兆，突出危險表示時刻都有發生瓦斯突出的危險。

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。其應用了結構風險最小化準則，較好地解決了小樣本、非線性、高維數等實際問題。瓦斯突出預測，其本質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。

設瓦斯突出樣本數據為X，根據第1.1節指標的選取，每條樣本數據將具有5個相關的屬性。此外每條樣本數據還有一個表示其危險程度的狀態數據。瓦斯突出危險程度的狀態的集合為Y，[Y={1，2，3}]（其中：1代表無危險狀態；2代表突出威脅；3代表突出危險）。那么，創建預測模型就是根據支持向量機原理求解以下問題：

對于數據[T={（x1，y1），（x2，y2），…，（xl，yl）}∈（X×Y）l]，尋找一個實值函數[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]相對應的[y]值，可以方便使用決策參數[f（x）=sgn（y（x））]。為找到最優分類超平面，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：

[f（x，α）=sgni=1lyiα0iK（x?xi）+b] （2）

式中：[K（x?xi）]是核函數。

核函數和它的參數主要決定樣本數據分布在高維特征空間中的復雜程度。

由上述計算過程可以看出，懲罰因子C與核函數的選擇及其參數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果，需要調節懲罰因子參數和核函數參數，才能得到比較理想的預測分類準確率，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化懲罰因子C和核函數參數的選取過程。

1.3 改進粒子群算法優化支持向量機參數

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

PSO算法數學理論基礎為[10]：設在D維的搜索空間內有n個粒子。向量Li=（xi1，xi2，…，xiD）表示i粒子的位置空間，其“飛行”中最優歷史位置（最優解）為Pi=（pi1，pi2，…，piD），設第g個粒子的歷史最優位置pg為全部局部最優解pi（i=1，2，…，n）的最優；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：速度的變化區間[-VMAXd，VMAXd]，第d（1≤d≤D）維的位置變化區間為[-XMAXd，XMAXd]，當迭代中如果位置或速度越界就取邊界值；c1，c2為加速因子是正常數；rand（）是區間[0，1]的隨機數；w是慣性因子。粒子群初始位置與速度均隨機產生，后根據式（3），式（4）進行迭代，直至找到最優解。

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，增加了求得更優解的機會。

粒子群算法啟發式尋優，速度快，參數簡單的特點，加上全局尋優性能的改進，應用于優化SVM的最佳參數尋找，主要步驟如下：

（1） 選擇閾值與最大迭代次數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值；調研svmTrain；

（4） 根據步驟（2）更新初始化粒子的位置和速度；

（5） 把每個粒子相對應的適應值與其尋找過程中最好位置的適應值進行對比，發現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的適應值與全局所經歷過最好位置的適應值取優，作為自身當前全局最好位置；

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

（8） 輸出gbest。

2 IPSO?SVM瓦斯突出預測實現

2.1 實現的總體思路

要實現基于改進粒子群支持向量機的瓦斯突出預測功能，主要進行如下4步的工作：

（1） 瓦斯突出數據樣本準備，作為算法的訓練數據和測試數據。樣本數據[1]（部分）如表1所示。

（2） 根據第1.3節改進粒子群算法的步驟，應用PSO粒子群算法求解SVM的最佳參數。

（3） 使用步驟（2）求得的最佳參數，使用式（1）和式（2），結合訓練樣本數據，構建SVM算法預測分類模型。

（4） 使用SVM算法預測分類模型，對測試數據進行瓦斯突出預測，并驗證模型預測的準確性。

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

2.2 工具選擇與基礎數據設置

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個樣本數據進行模型的訓練。選取的每個樣本數據共5個特征值。最后使用包含這三種情況的20個樣本進行預測。下面僅列出瓦斯突出的部分數據如表1所示，其他數據不再贅述。

表1 瓦斯突出數據

2.3 Matlab實驗設計

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

（1） 數據文件設計

將瓦斯突出的樣本數據（無危險、突出威脅、突出危險）等數據保存到Matlab的mat數據文件中，為后續的預測算法提供基礎數據。復雜的地方在于需要把狀態數據重新組織成適合SVM算法使用的數據結構，根據SVM算法狀態數據、類別數量、類別標簽的要求，瓦斯突出預測的數據文件設計如下：

wasi：存儲瓦斯突出的樣本數據：包含3種類別的共60條數據，每條狀態數據包括該狀態下的5個特征值。

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

classNumber：分類個數，其數值為3。

（2） 選定訓練集和測試集

在第一步的數據文件中取出部分狀態數據及其狀態標簽單獨存放，為后續的SVM模型訓練提供輸入數據和測試數據，程序設計為取包含3種危險類別的前40條數據作為訓練數據集，后20條數據作為測試數據集，具體如下：

%將包含3種危險類別的前40條數據做為訓練集

train_wasi = [wasi（1：40，：）]；

%相應的訓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條數據做為測試集

test_wasi = [wasi（41：60，：）]；

%相應的測試集的標簽也要分離出來

test_wasi_labels = [wasi_labels（41：60）]；

（3） 數據預處理

數據歸一化處理后，可明顯提高算法模型的精度，將訓練集和測試集歸一化到[0，1]區間，使用Matlab的歸一化函數mapminmax：

%求出訓練集和測試集的大小：行數和列數

[mtrain，ntrain] = size（train_wasi）；

[mtest，ntest] = size（test_wasi）；

%將訓練集和測試集歸并為數據集

dataset = [train_wasi；test_wasi]；

%使用Matlab的歸一化函數mapminmax歸一化到[0，1]區間

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

dataset_scale = dataset_scale′；

%求得歸一化后的訓練集和測試集

train_wasi = dataset_scale（1：mtrain，：）；

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

（4） 應用IPSO算法求解最佳的SVM參數c與g

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

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

其中：參數train_wasi_labels和train_wasi為測試集中的狀態數據及其類別標簽；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） 利用最佳的參數進行SVM網絡訓練

將上步求得的最佳值生成SVM訓練模型的參數字符串，其中參數t的值確定核函數的類型：

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

使用svmLib工具箱svmtrain函數訓練預測模型：

model = svmtrain（train_wasi_labels，train_wasi，cmd）；

其中：參數train_wasi_labels，train_wasi為測試集中的狀態數據及其類別標簽；model為訓練所得的分類模型。

（6） SVM網絡測試與檢測

使用svmLib工具箱svmpredict函數訓練預測模型

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

其中：參數model即上一步中訓練所得的分類模型；predict_label為預測所得的分類結果；accuracy為預測的準確率。

2.4 實驗結果與分析

該部分主要討論以下2種情形的實驗結果及對比分析：

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

（2） 單純的SVM模型的預測效果及其與IPSO優化SVM預測模型的對比，觀察PSO優化后的SVM是否比單純的SVM模型性能優越。

根據2.2節整理的數據和2.3節設計的實驗進行瓦斯危險預測實例的分析和研究，首先進行數據歸一化預處理，接著對樣本中基礎數據進行訓練樣本與測試樣本的分類，輸入訓練樣本數據后，然后利用粒子群IPSO算法對支持向量機的參數進行優化，設最大迭代步數為200，參數尋優結果如圖2所示。

將最優參數c和g的值引入支持向量機預測識別，分別實驗4種核函數下的瓦斯危險預測，經過模型訓練，輸入測試樣本對模型進行準確性檢驗的結果如圖3、圖4所示。

預測結果

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

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

3 結 語

本文提出改進PSO算法與SVM相結合的瓦斯突出預測模型，并進行實驗驗證模型預測的準確性。采用該方法進行瓦斯突出預測的準確率，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測中的應用研究[D].太原：太原理工大學，2012.

[2] 朱志潔，張宏偉，韓軍，等.基于PCA?BP神經網絡的煤與瓦斯突出預測研究[J].中國安全科學學報，2013，23（4）：45?50.

[3] 任浩源.BP神經網絡在煤與瓦斯突出危險性預測中的應用研究[D].西安：西安科技大學，2012.

[4] 安文超.基于SVM的煤與瓦斯突出危險性區域預測及防突技術研究[D].北京：中國計量學院，2013.

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

[6] 彭泓，高攀.粗神經網絡在煤與瓦斯突出預測系統的應用[J].儀表技術與傳感器，2011（11）：100?103.

[7] 張曉銘.基于PSO算法優化的自組織競爭神經網絡在煤與瓦斯突出預測中的應用研究[J].中國煤炭，2013，39（1）：106?109.

[8] 周游.基于粒子群優化的動態優化研究[D].杭州：浙江大學， 2014.

[9] 董方.粒子群算法研究及其在動態優化中的應用[D].杭州：浙江大學，2014.

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