基于PSO-SVM的煤矿巷道爆破效果预测关键技术研究.pdf

第3 6 卷第3 期 爆破 V 0 1 ．3 6N o ．3 2 0 1 9 年9 月B L A S T I N GS e p ．2 0 1 9 d o i 1 0 ．3 9 6 3 ／j ．i s s n ．1 0 0 1 - 4 8 7 X ．2 0 1 9 ．0 3 ．0 0 5 基于P S O ．S V M 的煤矿巷道爆破效果 预测关键技术研究 岳中文，范皓宇，马鑫民 中国矿业大学 北京 力学与建筑工程学院，北京1 0 0 0 8 3 摘要煤矿巷道爆破效果受很多因素的影响，传统单一模式下的人工智能方法对煤矿巷道爆破效果预测 不佳。因此以提高模型的预测精度为目的，通过建立P S O S V M 模型进行关键参数寻优。计算得出惩罚参数 C 与核函数参数譬分别为1 4 ．0 0 4 6 和1 ．3 6 2 2 。以我国煤矿岩石巷道爆破工程为背景，从现场调研收集到的 1 0 0 余条巷道爆破工程实例中选取4 2 组典型案例作为训练和测试样本，分别在R B F 核函数的基础上应用传 统S V M 、G r i ds e a r c h S V M 和P S O S V M 模型对炮孔利用率进行预测对比，得到3 种预测结果的准确率分别为 6 6 ．6 7 ％、7 5 ％、9 1 ．6 7 ％；同时进一步验证了在P S O S V M 模型中4 种不同核函数的预测准确率。结果表明 P S O ．S V M 模型中选取R B F 核函数所得到的准确率最高，精度能够满足工程实际需求。 关键词爆破参数；炮孔利用率；支持向量机；粒子群算法 中图分类号T T D 2 3 5文献标识码A文章编号1 0 0 1 4 8 7X 2 0 1 9 0 3 0 0 3 1 0 6 R e s e a r c ho nK e y T e c h n o l o g i e so fB l a s t i n gE f f e c tP r e d i c t i o n o fC o a lM i n eR o a d w a yb a s e do nP S O - S V M Y U EZ h o n g w e n ，F A NH a o y u ，M AX i n m i n C o l l e g eo fM e c h a n i c sa n dA r c h i t e c t u r a lE n g i n e e r i n g ，C h i n aU n i v e r s i t y o fM i n i n ga n dT e c h n o l o g y B e i j i n g ，B e i j i n g1 0 0 0 8 3 ，C h i n a A b s t r a c t T h ee f f e c to fc o a lm i n er o a d w a yb l a s t i n gi sa f f e c t e db ym a n yf a c t o r s ．T h i se f f e c tc a n n o tb ep r e d i c t e d e f f e c t i v e l ye n o u g hb yt r a d i t i o n a ls i n g l e - m o d ea r t i f i c i a li n t e l l i g e n c em e t h o d s ．T h e r e f o r e ，i no r d e rt oi m p r o v et h ep r e - d i c t i o na c c u r a c yo ft h em o d e l ，t h ek e yp a r a m e t e r so fP S O S V M P a r t i c l eS w a r mO p t i m i z a t i o n - s u p p o r tv e c t o rm a - c h i n e m o d e lw e r eo p t i m i z e d ，a n dt h ep e n a h yp a r a m e t e r sca n dk e r n e lf u n c t i o np a r a m e t e r sgw e r ec a l c u l a t e da s1 4 ． 0 0 4 6a n d1 ．3 6 2 2 ，r e s p e c t i v e l y ．B a s e do nt h er o c kt u n n e lb l a s t i n ge n g i n e e r i n go fc o a lm i n e si nC h i n a ，4 2t y p i c a lc a s e sw e r es e l e c t e da st r a i n i n ga n dt e s t i n gs a m p l e sf r o mm o r et h a n1 0 0t u n n e lb l a s t i n ge n g i n e e r i n gc a s e sc o l l e c t e df r o m f i e l di n v e s t i g a t i o n s ．B a s e do nt h eR B Fk e r n e lf u n c t i o n ，t h et r a d i t i o n a lS V M ，G r i ds e a r c h S V Ma n dP S O S V Mm o d e l s w e r eu s e dt oc o m p a r et h ep r e d i c t i o na c c u r a c yo ft h eb l a s th o l eu t i l i z a t i o nf a c t o r ，a n dt h er e s u l t sw e r e6 6 ．6 7 ％，7 5 ％ a n d91 ．6 7 ％，r e s p e c t i v e l y ．A tt h es a m et i m e ，t h i sp a p e rf u r t h e rv e r i f i e dt h ep r e d i c t i o na c c u r a c yo ff o u rd i f f e r e n tk e r - n e lf u n c t i o n si nP S O S V Mm o d e l ．T h er e s u l t ss h o wt h a tt h eR B Fk e r n e lf u n c t i o ns e l e c t e di nP S O ．S V Mm o d e lh a st h e h i g h e s ta c c u r a c y ．a n dt h ea c c u r a c yc a nm e e tt h ea c t u a ln e e d so fe n g i n e e r i n g ． K e yw o r d s b l a s t i n gp a r a m e t e r s ；h o l eu t i l i z a t i o nf a c t o r ；s u p p o r tv e c t o rm a c h i n e S V M ；p a r t i c l es w a r ma l g o r i t h m 收稿日期2 0 1 9 0 4 1 3 作者简介岳中3 C 1 9 7 5 一 ，男，教授、博士生导师，主要从事岩石破 碎与工程爆破研究， E ．m a i l z w y u e 7 5 1 6 3 ．c o m 。 通讯作者范皓宇 1 9 9 3 一 ，男，硕士研究生，主要从事工程爆破研 究， E m a i l f h y 9 3 0 8 2 1 1 6 3 ．c o r n 。 基金项目国家重点研发计划专项资助 2 0 1 6 Y F C 0 6 0 0 9 0 3 ；高等学 校学科创新引智计划项目 B 1 4 0 0 6 钻爆法是目前煤矿岩巷掘进中广泛使用的方 澍1 I ，合理的爆破参数将会提高爆破效果和掘进效 率。如何对爆破效果进行准确预测，并基于预测信 息反馈来调整选择合理的爆破参数，对于提高煤矿 万方数据 3 2爆破2 0 1 9 年9 月 巷道安全高效生产具有重要理论和实际意义【2J 。 目前，与效果预测相关的非线性理论智能算法 主要有人工神经网络[ 3 , 4 ] 、概率神经网络[ 5 ] 、B P 神 经网络[ 6 培| 、支持向量机等[ 9 , 1 0 ] ，但在煤矿巷道爆破 效果预测方面的文献十分稀少。王宇涛等通过建立 B P 神经网络模型对立井爆破效果进行预测，并将预 测结果与模糊数学综合评判方法相结合，对爆破效 果进行定量化地评价，但模型的建立过程相对复杂 且需要大量的数据支持，因此不利于小样本的实际 操作[ 8 ] 。刘希亮等通过将遗传算法与B P 神经网络 相结合建立G A ．B P 模型对爆破抛掷效果进行预测， 进一步提高了爆破效果的预测精度，但由于B P 神 经网络建模时的初始权值不唯一，因此导致预测结 果的不稳定性J 。唐跃等通过建立基于交叉验证 的S V M 模型对岩土爆堆形态和块度大小进行预 测[ 9 】，并选用3 种不同核函数进行预测误差的比较， 但由于S V M 中c 、g 参数的随机性，只能取预测结果 的平均值作为对该算法精度的估计。 已有研究成果在一定程度上促进了爆破效果预 测的发展，但部分研究方法在模型的建立和参数优 化等方面仍存在一定限制。因此通过将P S O 算法 与S V M 相结合，建立P S O S V M 模型对原始S V M 中 的关键参数进行优化，计算得出最优参数组合值 B e s tc 与B e s tg ，提高了模型的预测精度。同时在 R B F 核函数的基础上，将优化后的模型与传统 S V M 、G r i ds e a r c h S V M 作对比分析，进一步突出了 P S O S V M 模型在非线性小样本预测方面的优势，从 而实现爆破效果准确预测，以满足工程实际需求。 1P S O ．S V M 算法 1 ．1S V M 理论基础 支持向量机 S u p p o r tV e c t o rM a c h i n e ，S V M 于 1 9 9 5 年由C o r t e s 和V a p n i k 首次提出，其基本原理可 表示为若存在一个样本集尺戈i ，Y i ，i 1 ，2 ，⋯，r t ， 其中戈i 为输人变量，即为爆破参数指标，Y i 为输出 变量，即为煤矿巷道的炮孑L 利用率，此时的空间超平 面方程为 m 彤 b 0 1 式中∞为权向量；b 为偏置。 倘若某些样本数据无法被分类函数所分开，此 时可通过采用惩罚函数c 和松弛变量f 。 f ；≥0 ，i 1 ，2 ，⋯，n 来将约束优化问题转化为 1 n 魄寺| I ∞I l2 c ；靠 2 S ．t y i 甜。菇 f i ≥1 ，i 1 ，2 ，⋯，n 3 引入L a g r a n g e 乘子A i 将目标函数构造为L a g r a n g e 函数凸二次规划问题为 1 n Ⅱ∞，b ，A ∞2 c ∑ ￡ f i 一 一 ￡ l ∑A 正占 手f 4 Y i 一 ∞。石i b ] 一 z 1 ∑A 。4 [ s f i 一Y 。 ∞。戈。 b ] 4 式中垂为松弛变量的上界；孝i 4 为松弛变量的 下界；占为惩罚系数。 对参数∞、b 、亭i 以及邑求偏导并运用对偶原理 进行对偶优化，最终求得出决策回归方程 Z 又戈 ∑ 饯i 一a i 窳戈i ，x i b 5 式中，瓜戈i ，咒i 为核函数。由于煤矿巷道的爆 破参数往往是线性不可分的，因此核函数能通过非 线性变换将线性不可分的样本数据映射到高维空间 H i l b e r t ，使其达到线性可分的目的，表1 为常用的核 函数种类。 表1 核函数种类 T a b l e1K e r n e lf u n c t i o nt y p e 核函数名称核函数表达式 线性核函数 多项式核函数 S i g m o i d 核函数 径向基核函数 瓜戈，Y 坼Y 慰菇，Y [ g 戈Y r ] 。 敏戈，Y t a nh [ “z Y r ] 。 瓜并，Y e x p 一| | 石一Y02 ／2 P 1 ．2 粒子群算法 粒子群优化算法 P S O ，P a r t i c l eS w a r mO p t i m i z a t i o n 是一种基于群体智能的优化算法，该算法由 K e n n e d y 和E b e r h a r t 等人于1 9 9 5 年首次提出的，通 过对鸟类群体觅食过程进行观察后，从鸟类的信息 传递行为受到启发并将其简化为数学模型进行表 示即以一个粒子表示鸟群中的一个个体，在算法中 让该粒子具有记忆性，并通过两个粒子之问的互动 寻求最适解。 标准的P S O 算法是在Ⅳ维搜索空间中的种群 粒子X { 戈l ，戈2 ，戈3 ，⋯，戈。} ，用戈i 戈i 1 ，戈恐，菇爵，⋯， 石机 7 表示第i 个粒子的位置，‰ 秽”秽∞口引⋯， 移抽 7 表示第i 个粒子的速度，粒子根据式 6 和 7 对自身位置和速度进行更新 彬1 形形。 c 。R ， P 一x 乞 c 2 R G 一x 乞 6 x 2 1 墨d 吃 7 式中％为第i 个粒子的速度矢量中第d 维速 万方数据 第3 6 卷第3 期岳中文，范皓宇，马鑫民基于P S O ．S V M 的煤矿巷道爆破效果预测关键技术研究 3 3 度；x 以为第i 个粒子的位置矢量中第d 维位置；W 为 惯性权重；t 为粒子的迭代次数；C ，和C ’为加速度 系数；尺，、尺，为随机0 ～1 之间的随机数；尸6 与G 。分 别为粒子i 的最优位置和全部粒子群的最优位置。 1 ．3 粒子群优化支持向量机参数 由于S V M 关键参数的取值对预测结果影响较 大，一般情况下传统S V M 中的惩罚参数c 和核函数 参数g 都是凭测试经验给定或者随机生成。关于 S V M 中参数的优化，国际上并没有统一公认的最好 方法，比较常用的方法是让c 和g 在一定范围内取 值，使用K ．C V 方法将分类准确率最高的那组c 、g 值作为最佳参数组合，然而预测结果的精确度往往 效果不佳。 使用P S O 算法优化S V M 关键参数时，通过群 体智能演化技术将每一个粒子对应一个参数组合， 在解空间中不断追寻最佳的粒子进行搜索，最终得 到的最优粒子即为c 、g 参数的最佳组合值，能够大 大提高训练集与测试集的准确率。同时也可使用均 方根误差 R M S E 对P S O 的寻优结果加以评价，其 表达式如式 8 所示 厂二■了■■■ R M S E 仁y 陋二丛型1 。 8 √m 售LY i 1 式中Y i 为样本的真实值；．及石i 为样本的预测 值；m 为样本的数量。 2P S o ．S V M 模型的建立 将支持向量机与粒子群算法相结合，建立P S O ． S V M 模型对S V M 核函数中的g a m m a 参数与惩罚因 子C 进行优化[ 10 | ，得出最佳的c 、g 组合值，进一步 提高模型的预测精度。P S O ．S V M 模型建立的主要 步骤如下 S t e p l 对样本数据进行预处理，形成样本集，输 入模型； S t e p 2 以S V M 中的c 、g 参数为种群个体，初始 化群体规模为n l 且包括随机的位置和速度的微粒 群； S t e p 3 对每个微粒群的适应度进行评价； S t e p 4 对每个微粒，比较它的适应值和它经历 过的最好的位置p b e s t ，如果适应值较好，则将其作 为当前的最好位置p b e s t ； S t e p 5 对每个微粒，比较它的适应值和全局所 经过最好位置g b e s t ，如果适应值较好，则重新设置 g b e s t 的索引号； S t e p 6 根据方程变化微粒的速度和位置； S t e p 7 如未达到终止条件则回到第2 步； S t e p 8 若达到终止条件，则将得出的c 、g 参数 最优组合值带人S V M 模型进行最终预测。 P S O ．S V M 模型建立的流程如图1 所示。 图1P S O S V M 预测模型实现过程 F i g ．1 P S O - S V Mp r e d i c t i o nm o d e li m p l e m e n t a t i o np r o c e s s 3 爆破效果智能预测模型的应用 3 ．1 数据来源与指标选取 影响爆破效果的因素众多，如岩石物理力学性 质、掏槽爆破方式、炮孔打眼深度、炸药性能、装药结 构以及起爆方式等，但对S V M 算法而言，若构成样 本集的参数过多或过少，则必然会导致机器学习的 精度不高甚至造成无法学习的现象，因此在选取样 本集参数的时候不可过多或者过少。通过研究已有 成果并结合专家经验，经过S V M 对样本的训练和调 试，最终试验对象在巷道断面面积大小相似、岩石岩 性相近、炸药类型相同的前提下，从样本数据库筛选 出张集、芦岭、杨庄等四十余条煤矿爆破方案，以掏 槽类型墨、掏槽药量五 k g 、掏槽眼距墨 i n 、掏 槽眼深五 i n 、周边眼距墨 i n 、周边眼药量瓦 k g 、辅助眼圈数蜀 圈 七个参数为作为影响因 子，并以炮孔的利用率作为爆破效果 好、中、坏 的 评价指标。根据相关规范与现场实际应用，当炮孑L 利用率达到9 0 ％以上时标记为1 类，8 5 ％至9 0 ％标 记为2 类，8 5 ％以下标记为3 类。具体数据如表2 所示。 由于学习样本中数据的数量级和量纲单位有较 大的差异，从而可能影响分析结果的准确性。因此可 通过数据归一化处理将样本全部转化为无量纲的纯 数据来进行权重的评价，数据归一化的函数表达为 f ．x _ y 五X i - - X m i n 9 万方数据 爆破2 0 1 9 年9 月 式中 ，为数据归一化的结果；x i 为待处理的样本数值。归一化后的样本数据如表3 所示。 据；戈。i 。为样本数据的最小值；石。。。为样本数据的最大 表2 原始样本数据 T a b l e2 o r i g i n a ls a m p l ed a t a 注掏槽类型1 表示楔形掏槽，2 表示直眼掏槽。 表3 归一化后样本数据 T a b l e3N o r m a l i z e ds a m p l ed a t a 3 ．2P S O ．S V M 模型实现过程 实验采用L I B S V M 工具箱作为S V M 的基础并 采用R B F 核函数来进行爆破效果的预测，在M A T L A B 平台上从4 2 组样本中随机选取3 0 组样本作为 训练集，剩余的1 2 组样本作为爆破效果的预测集。 运用P S O 算法选取S V M 模型中的最优参数c 和g 时直接调用 l i b s v m ．3 ．1 - EF a r u t o U l t i m a t e 3 ．1M c o d e ] 工具箱中 算法函数P S O S V M c g F o r R e g e s s l B e s t C V m s e ，B e s t c ，B e s t gJ p s o S V M c g F o r R e - g r e s s t n _ t r a i n ，p n _ t r a i n ，p s o o p t i o n ； 由图2 可知，当P S O ．S V M 模型中的参数C ． 1 ．5 ，C ， 1 ．7 时，此时粒子群中个体的适应度可以达 到最佳，即迭代进行到第4 代时，其交叉验证的均方 误差C V m s e 达到最小值0 ．0 5 8 5 5 2 ，此时的最优预测 模型参数组合结果为B e s tC 1 4 ．0 0 4 6 ，B e s tg 1 ．3 6 2 2 。 适廊l 楚n f 『线S M g [ P S O m e t h o d ] ．参数c ． I ．5 ，c 产1 ．7 ，终止代数 2 0 0 ．种择数“ 席．p o p 2 0 B e s tc 1 4 ．0 0 4 6P 1 ．3 6 2 2C ／／t ，1 ．5 ． e 0 ，0 5 8 5 5 2 3 ．5 3 ．0 2 ．5 世2 ．0 J 兰 蚓1 ．5 1 ．0 0 ．5 02 04 06 0R 01 0 0 1 2 0 1 4 0 1 6 0 1 8 02 0 0 进化f ℃数 图2P S O 进化代数曲线 F i g ．2 P S Oe v o l u t i o ng r a p h 3 ．3 预测效果对比分析 为了更好的体现出P S O ．S V M 模型相对于其他 智能算法模型在煤矿巷道爆破效果预测中的优越 性，首先在P S O S V M 模型中选用了四种不同的核函 数 线性核函数、多项式核函数、R B F 核函数和s i g _ m o i d 核函数 进行分别预测比较，然后在选取核函 数准确率较高的基础上分别使用原始S V M 模型， G r i ds e a r c h S V M 模型和P S O S V M 模型对样本数据 进行预测，从不同的模型和不同的核函数两个角度 万方数据 第3 6 卷第3 期岳中文，范皓宇，马鑫民基于P S O S V M 的煤矿巷道爆破效果预测关键技术研究3 5 对模型的精度来进行描述。 1 不同核函数预测效果对比 由表4 可知，在常用四种不同的核函数中，由于 R B F 核函数在处理高维或低维的样本数据时具有 很好的实用性，因此它与P S O ．S V M 模型对样本集数 据拟合效果最佳，测试准确率能够达到9 1 ．6 7 ％。 而线性核函数主要应用于低维线性可分的样本数 据，因此其学习以及泛化能力不高。多项式核函数 中的多项式阶数对S V M 中的V C 维 函数集能够打 散的最大样本的数目 起着绝对性作用，但当多项 式阶数过高时易造成核矩阵元素趋向无穷大以致无 法求解。S i g m o i d 核函数源自于神经网络，其参数选 取需要在一定条件下才能满足S V M 所要求的对称 半正定矩阵，因此在本模型中的试验效果并不佳。 表4 不同的核函数的P S o ．S ⅥⅥ模型预测结果对比 T a b l e4 C o m p a r i s o np r e d i c t i o nr e s u l t so fd i f f e r e n tk e r n e lf u n c t i o n so fP S O S V Mm o d e l 2 不同模型预测效果对比 如表5 可知，通过对三种模型的训练集准确率、 测试集准确率和预测精度3 个角度对模型的预测精 度进行预测。如图3 所示，由于原始的S V M 模型未 经参数优化，因此预测精度不高，可信度较低。如图 4 所示，G r i ds e a r c h S V M 模型通过划分网格来寻找 要 林 将 世 垣 裂 参数c 和g 往往可以在大范围内粗略寻找而并不能 达到精确，因此需要遍布网格内所有参数点导致费 时费力，但预测精度较传统S V M 高。如图5 所示， 通过P S O 算法对传统S V M 模型中的关键参数C 和 g 进行合理优化，进一步解决了参数匹配不佳等问 题，因此得到的预测精度较高。 表5 不同模型预测效果对比 T a b l e5 C o m p a r i s o no fp r e d i c t i o ne f f e d so fd i f f e r e n tm o d e l s 图3 传统S V M 模型测试结果 F i g ．3 T r a d i t i o n a lS V Mm o d e lt e s tr e s u l t s 3 不同模型测试集相对误差对比 为了验证以上预测结果的准确性和有效性，分 别对三种模型进行1 0 次交叉验证，通过三种模型的 平均相对误差对其进行准确性评价。由表6 可知传 统S V M 模型、G r i ds e a r c h S V M 模型以及P S O S V M 模型的平均相对误差分别为0 ．3 5 8 3 、0 ．2 4 7 1 、 0 ．1 1 6 7 。且传统S V M 模型测试集的误差波动范围为 磊 粼 1 寺 蜒 桦 誓 翳 图4G r i ds e a r c h ．S V M 模型测试结果 F i g ．4 G r i ds e a r c h - S V Mm o d e lt e s tr e s u l t s 0 ．2 5 0 0 ～0 ．5 0 0 0 ；G r i ds e a r c h S V M 模型测试集的误 差波动范围为0 ．1 6 6 7 ～0 ．4 1 6 7 ；P S O S V M 模型测试 集的误差波动范围为0 ～0 ．2 5 0 0 ，因此这3 种模型 的预测准确率排序为P S O S V M 模型 G r i ds e a r c h S V M 模型 传统S V M 模型。综合以上分析能够得 出经过粒子群参数优化后的支持向量机模型 P S O S V M 整体波动范围较小，并且预测精度较其他两种 万方数据 3 6爆破 2 0 1 9 年9 月 模型相对较高。因此在煤矿巷道爆破效果预测以及 众多的影响因子中，P S O S V M 模型对爆破效果的好 坏程度预测比较准确。 j j ∞ 粼 博 - _ } 垛 篡 嚣 { | 4 1 | 试囊样本编号 图5P S O ．S V M 模型测试结果 F i g ．5 P S O S V Mm o d e lt e s tr e s u l t s 表6 不同模型测试集相对误差对比 T a b l e6 C o m p a r i s o no fR e l a t i v eE r r o r s o fD i f f e r e n tM o d e lT e s tS e t s 注x 为测试集相对误差平均值。 4 结论 1 通过粒子群算法对支持向量机中的惩罚参 数c 与核函数参数g 进行优化，在一定的范围内选 取关键参数的最优组合，提高P S O S V M 模型的预测 准确率，使得P S O S V M 模型对煤矿巷道爆破效果的 预测具有良好的适应性。 2 以我国煤矿岩石巷道爆破工程为背景，通 过结合现场实际应用与专家经验等方法，研究确定 了影响爆破效果的7 个关键指标作为影响因子，并 以炮孔利用率作为评价指标，进行爆破效果的预测。 3 选用了四种不同的核函数对样本进行预测 比较，并将准确率较高的R B F 核函数同时应用于原 始S V M 模型、G r i ds e a r c h S V M 模型以及P S O S V M 模型，得到的相对平均误差分别为0 ．3 5 8 3 、0 ．2 4 1 7 和0 ．1 1 6 7 ；最终分析得出R B F 核函数与P S O ．S V M 模型相结合所达到的精度最高。 参考文献 R e f e r e n c e s [ 1 ] 杨仁树，马鑫民，李清，等．煤矿巷道掘进爆破智能设 计系统及应用[ J ] ．煤炭学报，2 0 1 3 ，3 8 7 1 1 3 0 ．1 1 3 5 ． 【1JY A N GR e n s h u ，M AX i n m i n ，L IQ i n g ，e ta 1 ．A p p l i c a t i o n o ni n t e l l i g e n ts y s t e mf o ro p t i m i z a t i o nd e s i g no fb l a s t i n gi n m i n et u n n e le x c a v a t i o no fc o a lm i n e [ Jj ．J o u r n a lo fC h i n a C o a lS o c i e t y ，2 0 1 3 ，3 8 7 11 3 0 11 3 5 ． i nC h i n e s e [ 2 ] 林天舒．基于支持向量机煤矿巷道爆破参数智能优化 关键技术研究[ D ] ．北京中国矿业大学 北京 ， 2 0 1 5 ． 【2JL I NT i a n - s h u ．R e s e a r c ho nk e yt e c h n o l o g i e so fi n t e l l i g e n t o p t i m i z a t i o no fb l a s t i n gp a r a m e t e r so f c o a l m i n er o a d w a y b a s e do ns u p p o r tv e c t o rm a c h i n e [ D ] ．B e i j i n g C h i n aU n i v e r - s i t yo fM i m n ga n dT e c h n o l o g y B e i j i n g ，2 0 1 5 ． i nC h i n e s e 【3JR E N N I EK a u n d a ．N e wa r t i f i c i a ln e u r a ln e t w o r k sf o rt r u e t r i a x i a ls t r e s ss t a t ea n a l y s i sa n dd e m o n s t r a t i o no fi n t e r m e - d i a t ep r i n c i p a ls t r e s se f f e c t so ni n t a c tr o c ks t r e n g t h [ J ] ． J o u r n al o fR o c kM e c h a n i c sa n dG e o t e c h n i c a l E n g i n e e r - i n g ，2 0 1 4 6 3 3 8 - 3 4 7 ． 【4JML e f i k ．S o m ea s p e c t so fa p p l i c a t i o no fa r t i f i c i a ln e u r a l n e t w o r kf o rn u m e r i c a lm o d e l i n gi nc i v i le n g i n e e r i n g [ J ] ． B u i l d i n go ft h eP o l i s hA c a d e m yo fS c i e n c e sT e c h n i c a lS c i - e n c e s ，2 0 1 3 ，6 1 1 3 9 - 5 0 ． [ 5 ] 温廷新，于凤娥，邵良杉．基于灰色关联熵的煤与瓦斯 突出概率神经网络预测模型[ J ] ．计算机应用研究， 2 0 1 8 ，3 5 1 1 3 3 2 6 - 3 3 2 9 ． 【5JW E NT i n g - x i n ，Y UF e n g e ，S H A OL i a n g - s h a n ．P r o b a b i l i s - t i cn e u r a ln e t w o r kp r e d i c t i o nm o d e lo fc o a la n dg a so u t b u r s tb a s e do ng r e yr e l a t i o n a le n t r o p y [ J ] ．A p p l i c a t i o n R e s e a r c ho fC o m p u t e r s ，2 0 1 8 ，3 5 1 1 3 3 2 6 3 3 2 9 ． i n C h i n e s e [ 6 ] 刘希亮．基于G A ．B P 神经网络抛掷爆破效果预测与分 析[ D ] ．北京中国矿业大学 北京 ，2 0 1 1 ． 【6J L I UX i l i a n g ．P r e d i c t i o na n da n a l y s i so ft h r o w i n gb l a s t i n g e f f e c tb a s e do nG A ．B Pn e u r a ln e t w o r k [ D ] ．B e i j i n g C h i n a U n i v e r s i t yo fM i n i n ga n dT e c h n o l o g y B e i j i n g ，2 0 11 ． i n C h i n e s e [ 7 ] 赵国彦，孙贵东，戴兵，等．基于P S O 改进的B P 网络 在爆破大块率优化中的应用[ J ] ．爆破，2 0 1 7 ，3 4 2 1 5 1 9 ． 【7J Z H A OG u o y a n ，S U NG u i d o n g ，D A IB i n g ，e ta 1 ．A p p l i c a t i o no fB Pn e t w o r kb a s e do nP S Oi m p r o v e di no p t i m i z a t i o n o fb l a s t i n gb o u l d e ry i e l d [ J ] ．B l a s t i n g ，2 0 1 7 ，3 4 2 1 5 - 1 9 ． i nC h i n e s e 下转第5 5 页 万方数据 第3 6 卷第3 期赵珂劫，池恩安，赵明生，等主成分分析法在露天煤矿岩石质量评价中的应用 5 5 C h i n e s e [ 8 ] 孙玲玲，刘彬，石宝红，等．基于贝叶斯理论和主成 分分析法耦合的水质评价[ J ] ．水电能源科学，2 0 1 7 ， 3 5 1 1 3 6 ．3 9 ． [ 8 ] S U NL i n g - l i n g ，L I UB i n ，S H IB a o - h o n g ，e ta 1 ．W a t e rq u a l i t ye v a l u a t i