不均衡样本下基于最优化理论的冲击倾向性分类预测方法

摘要

煤层冲击倾向性等级分类预测是煤矿冲击地压风险评估的重要前提.为提高复杂条件冲击倾向性分类的预测效率及精度，深入挖掘整合构建了含221组样本案例及49组σ_c单特征缺失的样本数据集.针对统计实测数据集中存在的类别不均衡（如强、弱冲击样本相对稀缺等）问题，提出了不均衡样本下基于最优化理论的元启发式算法智能优化支持向量机（SVM）冲击倾向性分类预测方法 .结果表明：采用基于K-means的改进SMOTE算法进行空值填充、异常值剔除、重采样与聚类合成新样本等数据预处理，解决了数据集的不均衡问题.提出基于新型元启发式优化算法CFOA（捕鱼优化算法）策略优化的CNN（卷积神经网络）-SVM预测模型，通过智能优化算法对CNN控制分类器核函数进行最优化理论调优，进一步调整了SVM超参数的优化搜索策略；经样本数据类均衡预处理、优化算法改进SVM调优，与其他8种模型对比分析，验证了所提优化SVM模型的优良性能，经数据预处理后CFOA-CNN-SVM模型在测试集中综合性能最优，准确度最高，达96.3%；对于3类标签样本，预测精度分别为0.97,0.95和0.97，召回率分别为1.00,0.95和0.95,F₁值分别为0.99,0.95和0.96.最后通过实际案例验证了所提模型的泛化能力，其在处理样本不均衡及单一特征数据缺失、小样本试验数据中表现出了良好的预测效果.研究成果对于提高煤层冲击倾向性预测数据库的质量和改善模型预测性能具有重要的基础价值.

关键词

冲击倾向性 / 不均衡样本 / SMOTE算法 / 元启发式优化 / 支持向量机 / 分类预测