文件名称：基于降维模糊Ｃ 均值聚类算法的采动场地稳定性评价-论文
文件大小：2.22MB
文件格式：PDF
更新时间：2024-07-27 12:30:37
主成分分析 模糊C均值聚类 采空区 稳定性评价 机器学习
模糊聚类分析是无监督机器学习的主要技术之一，可用于进行数据分析和建模，模糊C均值聚类算法(Fuzzy C-Means,FCM)通过优化目标函数得到所有类中心样本点的隶属度以实现样本数据的自动聚类目的，但面对煤矿采空区场地稳定性评价影响因素多、数据样本大时，容易陷入局部鞍点问题，提出了一种基于主成分分析(PCA)降维的改进模糊聚类算法。该算法选取7个采空区场地稳定性影响因素构建评价体系，根据主成分降维后的样本信息对模糊C均值聚类模型初始类中心和隶属度参数进行动态优化，以提升算法的鲁棒性与泛化能力;使算法更适用于评价稳定性影响因素复杂的采空区场地。以山东省济宁市快速路任兴路段压覆工作面采空区为例，结合快速路沿线其他5个煤矿共计120个采空区场地稳定性评价。试验结果表明：样本数据经主成分分析降维后，前4个主成分的累计贡献率为81.86%，有较好的表征原始样本信息的解释能力。对模糊C均值聚类后的类(簇)样本集占比进行统计分析，其中“稳定”路段占比36.67%，“基本稳定”路段占比35%，“欠稳定-不稳定”路段占比为28.33%，对比各采空区场地实际稳定性状态，模糊C均值聚类算法能有效提高聚