基于改进FOA-SVM的冲击地压危险性等级预测

对冲击地压危险性进行准确的预测预报对于防治冲击地压事故的发生至关重要。提出利用改进的果蝇优化算法(FOA)优化参数,建立模型实现对冲击地压危险性等级的预测。首先,利用文献提供的砚石台煤矿实测数据作为样本,选取影响冲击地压发生的十种主要因素如煤厚、埋深、倾角等,对数据进行归一化预处理和主成分分析。利用改进FOA的全局优化能力对SVM进行寻优,继而建立FOA-SVM模型;然后对23组训练样本进行训练,检验得模型误判率为0;最后将模型用于另外12组现场采集数据进行测试,并与标准FOA-SVM、PSO-SVM和GA-SVM预测结果进行比较。结果表明:改进的FOA-SVM模型适用于冲击地压危险性等级预测且预测精度较高。

基于改进FOA-SVM的火灾图像识别模型研究

火灾是常见的破坏性极大的自然灾害。为了更好地预防火灾,减少财产损失和人员伤亡,针对人为选择SVM参数具有盲目性,对其分类能力影响较大,提出基于改进FOA-SVM的火灾图像识别模型。通过引入逻辑函数对果蝇算法的搜索步长进行改进,利用改进果蝇算法优化支持向量机搜索得到最佳模型参数。将火灾图像提取特征量作为该识别模型的输入样本训练和识别火灾图像,结合实例并将该模型的识别结果与SVM模型及其他算法的识别结果进行对比。实验结果表明,该模型提高了火灾图像识别的准确率,在火灾检测方面具有一定的实际应用价值。