硫化礦石自燃傾向性等級劃分的支持向量機模型及應用

郭 峰

（中國建筑材料工業地質勘查中心浙江總隊，浙江杭州 310012）

硫化礦石自燃傾向性等級劃分的支持向量機模型及應用

郭 峰

（中國建筑材料工業地質勘查中心浙江總隊，浙江杭州 310012）

為準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測模型——支持向量機（Support Vector Machine，SVM）模型。結合已有的研究成果，選取表征硫化礦石自燃傾向性本質特性的自熱點溫度、室內低溫氧化質量增加率和自燃點溫度3項指標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組礦樣的實測數據作為訓練樣本，6組硫化礦井礦樣的自燃傾向性作為預測樣本。分別采用網格參數尋優、遺傳算法（Genetic Algorithm，GA）參數尋優、粒子群（Particle Swarm Optimization，PSO）尋優算法來計算SVM模型的參數，分析比較三種算法得到的預測結果，確定最適合硫化礦石自燃傾向性等級劃分的SVM回歸模型的參數尋優算法。研究結果表明，網格尋優算法、GA算法取得了良好的預測效果，預測正確率為100%。因此，支持向量機模型可以用于指導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；等級劃分

高硫礦山生產過程中容易遭遇硫化礦石自燃這一嚴重自然災害，給礦山的生產運營帶來嚴重的影響，對高硫礦山硫化礦自燃傾向性等級正確預測就顯得異常重要，硫化礦自燃傾向性等級正確預測可以為高硫礦床開采設計和防火技術提供理論依據。目前，對硫化礦自燃傾向性等級預測研究較少，陽富強等運用GA－BP神經網絡模型對硫化礦自燃傾向性等級進行預測，平均預測誤差2.5%，預測效果較好［1］。GA－BP預測擁有較高的精度，但是網絡參數的選擇復雜，比如種群規模、選擇概率、交叉概率等的選擇，合適的參數選擇才能得到較高精度的預測結果。神經網絡預測精度較高，需要較多樣本數量，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測，克服了權重選擇的主觀性［3，4］；此外統計回歸模型、Fiser判別分析法、距離判別分析理論等也應用到硫化礦自燃傾向性等級預測［5～8］；趙軍等［9］基于網格尋優算法利用支持向量機對硫化礦自燃傾向性等級進行預測，支持向量機（Support Vector Machine，SVM）在處理小樣本、非線性數據方面具有較強優勢［10～13］，預測精度高，需要優化的參數少。此次使用典型高硫礦山的18組礦樣的實測數據作為訓練樣本，分別用網格尋優算法、GA、PSO算法建立SVM預測模型，對6組硫化礦井礦樣的自燃傾向性進行了分級預測，尋找合適的SVM模型算法。結果顯示，網格尋優算法、GA算法的SVM具有較高的預測精度，預測準確率達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行線性分類。因此，對于數據集Y＝｛（xi，yi）｝，可以用下式進行分類估計：

即分類問題變成最優分類函數：

服從：

式中：c為懲罰系數；ζi為損傷函數。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：

由上可得分類表達式：

對于低維空間數據，分類表達式為：

式中：K（x′i·x′）為核函數。

2 SVM模型的參數尋優算法

2.1 三種參數尋優算法

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

選用24個典型高硫礦山礦樣實測數據（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組數據建立訓練集，后6組數據作為預測集，以此檢驗模型的預測性能。

按照上訴3種尋優方法對SVM模型參數尋優，得到3種尋優結果，如圖1、圖2、圖3所示。通過分析，3種方法對訓練集分類準確率達到94.44%；雖然3種算法得到c、g值差別較大，但訓練預測結果相同。

2.2 三種算法結果的驗證

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

表1 樣本數據［1］

圖1 網格尋優算法結果

圖2 GA尋優算法結果

圖3 PSO參數尋優算法結果

圖4 網格尋優算法驗證結果

圖5 GA尋優算法驗證結果

圖6 PSO尋優算法驗證結果

3 結 論

通過運用網格尋優算法、GA算法、PSO算法對硫化礦石自燃性傾向性的訓練及預測，發現網格尋優算法、GA算法擁有較高的泛化能力，能夠對硫化礦石自燃性傾向性進行精準的預測，反應了SVM適合硫化礦石自燃性傾向性的預測，其精度遠遠高于GA－BP神經網絡模型，為硫化礦石自燃性傾向性預測提供了新的技術手段，為高硫礦床開采設計和防火技術提供新的理論依據。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，實際設計中應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，劉廣寧，郭樂樂.硫化礦石自燃傾向性等級劃分的GA－BP神經網絡模型及應用［J］.自然災害學，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［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］.中南大學學報（自然科學版），2012，43（5）：1 858－1 863.

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

［5］ 趙軍，張興凱，王云海，等.基于統計回歸模型的硫化礦石自燃傾向性鑒定指標研究［J］.中國安全生產科學技術，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］.煤炭學報，2010，35（10）：1 674－1 679.

［7］ 陽富強，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，2010，35（12）：2 111－2 115.

［8］ 陽富強，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用［J］.中南大學學報（自然科學版），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研究［J］.中國安全生產科學技術，2009，5（6）：105－109.

［10］余志雄，周創兵，李俊平，等.基于ν－SVR算法的邊坡穩定性預測［J］.巖石力學與工程學報，2005，24（14）：2 468－2 475.

［11］羅戰友，楊曉軍，龔曉南.基于支持向量機的邊坡穩定性預測模型［J］.巖石力學與工程學報，2005，24（1）：144－148.

［12］陳祖云，張桂珍，鄔長福，等.基于支持向量機的邊坡穩定性預測研究［J］.中國安全生產科學技術，2009，5（4）：101－105.

［13］曹慶奎，王瑞.基于GA－LSSVR的露天礦邊坡穩定性預測［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計工作。