期刊文章详细信息
基于PCA-PNN原理的岩爆烈度分级预测方法 ( EI收录)
Prediction of intensity classification of rockburst based on PCA-PNN principle
文献类型:期刊文章
WU Shunchuan;ZHANG Chenxi;CHENG Ziqiao(School of Civil and Resource Engineering,University of Science and Technology Beijing,Beijing 100083,China;Faculty of Land Resource Engineering,Kunming University of Science and Technology,Kunming 650093,China;Power China Road Bridge Group Co.,Ltd.,Beijing 100048,China)
机构地区:[1]北京科技大学土木与资源工程学院,北京100083 [2]昆明理工大学国土资源工程学院,云南昆明650093 [3]中电建路桥集团有限公司,北京100048
基 金:国家自然科学基金资助项目(51174020)
年 份:2019
卷 号:44
期 号:9
起止页码:2767-2776
语 种:中文
收录情况:BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊
摘 要:根据岩爆的影响因素、特点及成因,选取围岩最大切应力、单轴抗压强度、单轴抗拉强度、应力系数、脆性系数和弹性能量指数构成岩爆预测指标体系。搜集国内外46组典型岩爆案例数据,考虑到概率神经网络(PNN)中高斯函数要求各指标变量互不相关,采用主成分分析法(PCA)对原始数据预处理,消除指标间相关性并降维,得到线性无关的3个主成分即岩爆综合预测指标RCI1,RCI2,RCI3,构成概率神经网络的输入向量。将岩爆烈度分级预测视为共有4种类别的模式分类问题,在满足均匀分布的前提下,选取[0.02,1.00]内的50个Spread值,观察模型预测正确率随Spread值的变化。经测试,Spread值为0.36时,预测结果首次同时达到最优,故创建平滑因子为0.36的概率神经网络。岩爆案例数据由主成分分析法处理后分为训练样本和测试样本,对训练后的PNN网络进行性能测试,两组数据预测正确率分别为100%,90%。将该结果与随机森林(RF)模型、支持向量机(SVM)模型、人工神经网络(ANN)模型进行比较,可知PCA-PNN模型的预测结果稍好于SVM模型、ANN模型,误判率与RF模型的训练样本平均误判率、测试样本平均误判率一致。此外PNN网络收敛速度快,通常在数秒内即可完成,表明基于PCA-PNN的岩爆烈度预测模型是合理可行的。
关 键 词:岩爆预测 主成分分析 概率神经网络 烈度分级
分 类 号:TU45]
参考文献:
正在载入数据...
二级参考文献:
正在载入数据...
耦合文献:
正在载入数据...
引证文献:
正在载入数据...
二级引证文献:
正在载入数据...
同被引文献:
正在载入数据...