《表2 区段煤柱测试样本误差》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《综采面区段煤柱宽度的PSO-SVM预测模型》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

通过本例的应用可知在利用PSO-SVM进行缓倾斜煤层区段煤柱宽度预测时有以下特点:区段煤柱宽度的各种影响因素均可作为PSO-SVM输入向量，且影响因素没有数量限制。因此，PSO-SVM能较为全面的描述缓倾斜煤层区段煤柱宽度与各个影响因素之间的关系；PSO-SVM的离散性小，预测精度较GS-SVM，GA-SVM有较大幅度的提高。为说明PSO-SVM（粒子群优化的支持向量机模型）较GS-SVM（网格搜索优化的支持向量机模型）和GA-SVM（遗传算法优化的支持向量机模型）的优越性，将PSO-SVM和GS-SVM，GA-SVM预测结果进行了对比，结果如图4所示。从图4看出，PSO-SVM在预测精度上较GS-SVM，GA-SVM有较大幅度的提升。从表2可知，PSO-SVM的最大绝对误差为0.54m，最大相对误差为2.60%，平均相对误差为1.81%；GS-SVM的最大绝对误差为1.73 m，最大相对误差为9.04%，平均相对误差为8.36%；GA-SVM最大绝对误差为0.86 m，最大相对误差为4.30%，平均相对误差为3.78%；利用神经网络对区段煤柱进行预测需要收集足够数量的训练样本，获取实验结果也需要投入大量人力、物力。在有限样本数量的前提下，小样本的PSO-SVM预测精度是GS-SVM，GA-SVM无法比拟的。