本發(fā)明屬機器學(xué)習(xí)領(lǐng)域，具體涉及一種基于粒子群算法優(yōu)化支持向量機的爆破振動預(yù)測方法。

背景技術(shù)：

爆破振動預(yù)測是研究爆破振動影響因子與爆破振動強度之間的關(guān)系，其中影響因子包括炸藥單耗、孔徑參數(shù)、地質(zhì)條件和爆心距等一系列因素，而振動強度通常指的是爆破產(chǎn)生的振動波的強弱，可以用爆破振動的速度、頻率和爆破振動時間等來描述，尤其是用爆破振動速度峰值來描述較為常見。

爆破振動預(yù)測是降低爆破危險系數(shù)、優(yōu)化爆破方案和評估爆破安全等級等爆破關(guān)鍵問題的有效方法，而研究高效準(zhǔn)確的適用于爆破振動預(yù)測的方法則尤為重要。近些年，針對爆破振動預(yù)測提出了一些方法，包括神經(jīng)網(wǎng)絡(luò)算法、遺傳算法以及支持向量回歸機算法等，這些方法都是人工智能領(lǐng)域的典型算法，應(yīng)用于爆破領(lǐng)域中，克服了以往薩道夫斯基經(jīng)驗公式的不足，提高了預(yù)測的準(zhǔn)確率。

在機器學(xué)習(xí)領(lǐng)域，支持向量機(svm)是一個有監(jiān)督的學(xué)習(xí)模型，通常用來進(jìn)行模式識別、分類以及回歸分析，通常的用于分類的支持向量機稱為支持向量分類機(svc)，而用于回歸的則稱為支持向量回歸機(svr)。svm能夠很好地解決有限樣本、非線性以及高維分類和回歸問題，已經(jīng)有學(xué)者將svr應(yīng)用于爆破振動預(yù)測問題。svr的核心思想是基于結(jié)構(gòu)風(fēng)險最小化原則，通過核函數(shù)將無法線性回歸的原始空間映射到可以線性回歸的特征空間，從而利用線性回歸方法更好的解決了原問題。但是在訓(xùn)練svr模型時涉及到一些參數(shù)，核函數(shù)、懲罰因子、松弛變量以及核參數(shù)，這些參數(shù)的選擇很大程度上影響了模型的精度和泛化能力。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)采用支持向量回歸機(svr)能夠預(yù)測爆破振動速度，但是不能預(yù)測振動強度的不足，本發(fā)明提出采用支持向量分類機(svc)和支持向量回歸機(svr)相結(jié)合的方法來預(yù)測爆破振動安全系數(shù)，在主成分分析方法進(jìn)行特征提取的基礎(chǔ)上，同時采用改進(jìn)的粒子群算法(pso)對預(yù)測模型中的參數(shù)進(jìn)行組合優(yōu)化，以提高預(yù)測的精度。

一種基于粒子群算法優(yōu)化支持向量機的爆破振動預(yù)測的方法，其特征在于步驟如下：

步驟1：利用主成分分析方法對爆破振動影響因子進(jìn)行特征提取，得到樣本數(shù)據(jù)集；

步驟2：以步驟1得到的樣本數(shù)據(jù)集和振動速度數(shù)據(jù)為輸入數(shù)據(jù)集，利用改進(jìn)的pso算法對支持向量回歸機的四個參數(shù)進(jìn)行組合尋優(yōu)，得到精確度更高的振動速度支持向量回歸機模型；以步驟1得到的樣本數(shù)據(jù)集和振動頻率數(shù)據(jù)為輸入數(shù)據(jù)集，利用改進(jìn)的pso算法對支持向量回歸機的四個參數(shù)進(jìn)行組合尋優(yōu)，得到精確度更高的振動頻率支持向量回歸機模型；利用步驟1得到樣本數(shù)據(jù)集和振動持續(xù)時間數(shù)據(jù)為輸入數(shù)據(jù)集，利用改進(jìn)的pso算法對支持向量回歸機的四個參數(shù)進(jìn)行組合尋優(yōu)，得到精確度更高的振動持續(xù)時間支持向量回歸機模型；所述的支持向量回歸機的四個參數(shù)為：核函數(shù)、懲罰因子、松弛變量和核參數(shù)；

步驟3：分別利用步驟2得到的振動速度、振動頻率和振動持續(xù)時間的支持向量回歸機模型，對步驟1得到的樣本數(shù)據(jù)集進(jìn)行回歸，得到振動速度、振動頻率和振動持續(xù)時間的預(yù)測數(shù)據(jù)，以這些數(shù)據(jù)和被保護建筑物的固有頻率數(shù)據(jù)及樣本的實際分類結(jié)果數(shù)據(jù)共同作為輸入數(shù)據(jù)，利用改進(jìn)的pso算法對支持向量分類機的四個參數(shù)進(jìn)行組合尋優(yōu)，得到判斷爆破是否屬于安全爆破的支持向量機分類機模型；所述的支持向量分類機的四個參數(shù)為：核函數(shù)、懲罰因子、松弛變量和核參數(shù)；

步驟4：利用步驟3得到的支持向量分類機模型對待預(yù)測的爆破振動數(shù)據(jù)進(jìn)行分類預(yù)測，判斷當(dāng)前爆破是否安全。

步驟1中所述的利用主成分分析方法對爆破振動影響因子進(jìn)行特征提取，具體包括以下步驟：

步驟a：爆破振動影響因子的規(guī)范化處理：設(shè)原始爆破振動影響因子的屬性為d維，則原始爆破振動影響因子可以表示為原始屬性x1,x2,…,xd的n次觀測矩陣x*，即：

將n次觀測矩陣x*按列進(jìn)行中心標(biāo)準(zhǔn)化，使得每個屬性都落入相同的區(qū)間[0,1]，得到規(guī)范化處理后的爆破振動影響因子；

步驟b：求原始屬性之間的相關(guān)性：計算原始屬性之間的相關(guān)性矩陣r＝(rij)d×d，其中，rij為：

其中，xki表示第i個屬性xi的第k個觀測值，而表示第i個屬性xi的n個觀測值的平均值；rij＝rji,rii＝1，rij表示第i個屬性xi和第j個屬性xj之間的相關(guān)性。

步驟c：確定主成分個數(shù)m：計算相關(guān)性矩陣r的特征方程det(r-λe)＝0的特征根，并將其中非零的特征根按照降序排列，得到λ1≥λ2≥…≥λp＞0，其中，e為單位矩陣，p為非零特征根的個數(shù)；根據(jù)公式(3)確定主成分個數(shù)m：

其中，α表示主成分中含有所有數(shù)據(jù)信息的百分比，一般取值為80％～90％；

步驟d：按計算得到原始爆破振動影響因子的主成分zi，從而得到樣本數(shù)據(jù)集z＝(z1,z2,…,zm)；其中，i＝1,2,…,m，βki表示第i個特征根對應(yīng)的單位特征向量的第k個元素值。

步驟2和步驟3中所述的改進(jìn)的pso算法對支持向量回歸機和支持向量分類機進(jìn)行參數(shù)組合尋優(yōu)，具體包括以下步驟：

步驟a：數(shù)據(jù)集處理：對輸入數(shù)據(jù)集進(jìn)行規(guī)范化處理，即將所有數(shù)據(jù)都?xì)w一化到區(qū)間[0,1]中，隨機抽取數(shù)據(jù)集80％的數(shù)據(jù)作為訓(xùn)練集，剩余的20％的數(shù)據(jù)作為測試集；

步驟b：初始化粒子群：在h維空間，初始化粒子群y，其中，第i個粒子的位置和速度分別為yi＝(yi1,yi2,...,yih)和vi＝(vi1,vi2,...,vih)，i＝1,2,…,m，m為粒子群個體總數(shù)，粒子的初始位置由支持向量機待優(yōu)化四個參數(shù)的取值范圍[1,2]、[1,10⁸]、[-10,10]、[0.01,0.2]隨機確定，粒子的初始速度由待優(yōu)化四個參數(shù)的粒度確定為(1,1,0.1,0.01)；第i個粒子的個體極值位置為pi＝(pi1,pi2,...,pih)，種群的全局極值位置為pg＝(pg1,pg2,...,pgh)；

步驟c：更新：根據(jù)適應(yīng)度函數(shù)模型對每個粒子計算適應(yīng)度，如果其當(dāng)前適應(yīng)度優(yōu)于其個體極值位置對應(yīng)的適應(yīng)度，則用其當(dāng)前位置更新粒子的個體極值位置pi；如果某個粒子當(dāng)前適應(yīng)度優(yōu)于全局極值位置對應(yīng)的適應(yīng)度，則用這個粒子的位置更新粒子的全局極值位置pg；所述的適應(yīng)度函數(shù)根據(jù)模型不同而不同，如果對支持向量回歸機模型進(jìn)行組合參數(shù)尋優(yōu)，則采用均方誤差函數(shù)為適應(yīng)度函數(shù)，如果對支持向量分類機模型進(jìn)行組合參數(shù)尋優(yōu)，則采用分類的誤差函數(shù)為適應(yīng)度函數(shù)。

步驟d：迭代：分別根據(jù)和對粒子的速度和位置進(jìn)行迭代更新；其中，k表示迭代次數(shù)，c1,c2是學(xué)習(xí)因子，通常取值為2；r1,r2為(0,1)范圍內(nèi)的隨機數(shù)；ω為慣性權(quán)重，按照進(jìn)行設(shè)置，ω(k)為第k次迭代時的慣性權(quán)重，dmax為最大迭代次數(shù)；

步驟e：替換：新建種群y^*，令y^*＝y(tǒng)，對種群y^*中適應(yīng)度不符合要求的粒子進(jìn)行隨機維替換，如果替換后的粒子的適應(yīng)度優(yōu)于替換前的粒子的適應(yīng)度，就用種群y^*替換y，并且更新種群y^*中相應(yīng)的粒子以及個體極值位置和全局極值位置；所述的替換原則為：如果種群y中某個粒子的適應(yīng)度未達(dá)到要求，則將種群中適應(yīng)度最優(yōu)的粒子的相應(yīng)維復(fù)制到未達(dá)到要求粒子的相應(yīng)維上，使粒子更接近全局最優(yōu)；

步驟f：判斷：判斷是否達(dá)到最大迭代次數(shù)，如果達(dá)到最大迭代次數(shù)，則停止迭代，并輸出最優(yōu)粒子，即最優(yōu)參數(shù)組合；如果未達(dá)到最大迭代次數(shù)，則跳轉(zhuǎn)到步驟c繼續(xù)執(zhí)行。

本發(fā)明的有益效果是：采用粒子群算法優(yōu)化支持向量機的參數(shù)，提高了模型的預(yù)測精度，可以獲得更準(zhǔn)確的預(yù)測結(jié)果；同時在粒子群算法上進(jìn)行了改進(jìn)，增加了“替換”操作，擴大了搜索范圍，克服了粒子群算法易陷入局部優(yōu)化的缺陷，并且同時對核函數(shù)、懲罰因子、松弛變量和核參數(shù)等四個參數(shù)進(jìn)行組合優(yōu)化，優(yōu)化得到的組合參數(shù)可以更好地改善模型的性能；此外，本發(fā)明方法結(jié)合爆破領(lǐng)域的特點，充分利用振動速度、振動頻率和振動持續(xù)時間等主要影響爆破爆破振動強度的參數(shù)，采用支持向量分類機和支持向量回歸機結(jié)合的方法，對爆破振動的安全性進(jìn)行預(yù)測，提高了預(yù)測的準(zhǔn)確率。

附圖說明

圖1是本發(fā)明的基于粒子群算法優(yōu)化支持向量機的爆破振動預(yù)測方法的基本流程圖。

圖2是本發(fā)明采用改進(jìn)的pso算法對支持向量機模型的參數(shù)進(jìn)行組合尋優(yōu)的基本流程圖。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明進(jìn)一步說明，本發(fā)明包括但不僅限于下述實施例。

如圖1所示，本發(fā)明的基于粒子群算法優(yōu)化支持向量機的爆破振動預(yù)測方法包含以下步驟：

步驟1：利用主成分分析方法對爆破振動影響因子進(jìn)行特征提取，得到樣本數(shù)據(jù)集。

原始的爆破數(shù)據(jù)為影響爆破振動的一系列參數(shù)，包括孔徑參數(shù)、單段藥量等，以及在爆破過程中可以實際測得的變量，如爆破振動速度、頻率和振動持續(xù)時間，這三個都可以作為評價爆破振動強度的重要指標(biāo)，為了得到真正影響爆破振動的主要因素，首先采用主成分分析法提取特征變量，去掉無關(guān)變量。具體為：

(1)爆破振動影響因子的規(guī)范化處理：輸入數(shù)據(jù)為可能影響爆破振動的相關(guān)參數(shù)，不同的爆破方法有不同的影響因子，典型的因素有單段藥量、高程差、爆心距、孔深、孔距、排數(shù)、超深、填埋等，這些就是原始變量，假設(shè)有d個原始變量，即設(shè)原始爆破振動影響因子的屬性為d維，則原始爆破振動影響因子可以表示為原始屬性x1,x2,…,xd的n次觀測矩陣x*，即：

將n次觀測矩陣x*按列進(jìn)行中心標(biāo)準(zhǔn)化，使得每個屬性都落入相同的區(qū)間[0,1]，得到規(guī)范化處理后的爆破振動影響因子。

(2)求原始屬性之間的相關(guān)性：計算原始屬性之間的相關(guān)性矩陣r＝(rij)d×d，其中，rij為：

其中，xki表示第i個屬性xi的第k個觀測值，而表示第i個屬性xi的n個觀測值的平均值；rij＝rji,rii＝1，rij表示第i個屬性xi和第j個屬性xj之間的相關(guān)性。

(3)確定主成分個數(shù)m：計算相關(guān)性矩陣r的特征方程det(r-λe)＝0的特征根，并將其中非零的特征根按照降序排列，得到λ1≥λ2≥…≥λp＞0，其中，e為單位矩陣，p為非零特征根的個數(shù)；根據(jù)公式(3)確定主成分個數(shù)m：

其中，α表示主成分中含有所有數(shù)據(jù)信息的百分比，一般取值為80％～90％。

(4)按計算得到原始爆破振動影響因子的主成分zi，從而得到樣本數(shù)據(jù)集z＝(z1,z2,…,zm)；其中，i＝1,2,…,m，βki表示第i個特征根對應(yīng)的單位特征向量的第k個元素值。

通過上述方法可以最終得到m個能代表原始變量的特征，實現(xiàn)特征的選取。

步驟2：利用改進(jìn)的pso算法對支持向量回歸機的參數(shù)進(jìn)行組合尋優(yōu)，得到精確度更高的支持向量回歸機模型。

支持向量回歸機的回歸函數(shù)如下：

該函數(shù)是將拉格朗日乘數(shù)法應(yīng)用于數(shù)據(jù)集中得到的回歸函數(shù)，式中,αi是拉格朗日乘子，是由原始問題轉(zhuǎn)化成求解拉格朗日對偶函數(shù)問題時需要求解的參數(shù)，而求解該參數(shù)需要確定松弛變量；c是懲罰因子，它也是自定義的參數(shù)，目的在于對間隔最大化與松弛變量最小化之間的權(quán)衡；k(xi,x)為核函數(shù)，利用該核函數(shù)可以將非線性回歸的數(shù)據(jù)映射到可線性回歸的空間中，實現(xiàn)數(shù)據(jù)的線性回歸表示；另外，核函數(shù)中也含有核參數(shù)，也是需要人為定義的變量。b^*為回歸閾值，可以根據(jù)自變量和拉格朗日乘子得到，是回歸函數(shù)中的常量。綜上，需要自定義的參數(shù)包括松弛變量，懲罰因子，核函數(shù)以及核參數(shù)這四個參數(shù)，即這四個參數(shù)需要優(yōu)化得到最優(yōu)的參數(shù)組合，從而得到最優(yōu)的支持向量回歸模型。

支持向量分類機的分類預(yù)測函數(shù)如下：

式中sgn表示符號，如果括號中的值大于0，則分類結(jié)果為是，否則為否。βi為拉格朗日乘子，求解該參數(shù)需要自定義松弛變量；c^*為懲罰因子，也是需要自定義的參數(shù)；k(xi,x)為核函數(shù)，利用該核函數(shù)可以將線性不可分的數(shù)據(jù)映射到線性可分的空間中，實現(xiàn)數(shù)據(jù)的線性分類表示；另外，核函數(shù)中也含有核參數(shù)，也是需要人為定義的變量。yi表示樣本的類別，是已知的變量，為分類閾值，可以根據(jù)自變量和拉格朗日乘子得到，是分類函數(shù)中的常量。所以，在求解最優(yōu)的支持向量分類模型時，也需要對松弛變量，懲罰因子，核函數(shù)以及核參數(shù)這四個參數(shù)進(jìn)行優(yōu)化。

綜上，要想得到精確度更高的支持向量回歸機和支持向量分類機模型，需要對松弛變量，懲罰因子，核函數(shù)以及核參數(shù)這四個參數(shù)的進(jìn)行組合優(yōu)化。本發(fā)明采用改進(jìn)的蟻群算法(pso算法)對其進(jìn)行優(yōu)化。如圖2所示，其具體過程為：

(1)數(shù)據(jù)集處理：對輸入數(shù)據(jù)集進(jìn)行規(guī)范化處理，即將所有數(shù)據(jù)都?xì)w一化到區(qū)間[0,1]中，隨機抽取數(shù)據(jù)集80％的數(shù)據(jù)作為訓(xùn)練集，剩余的20％的數(shù)據(jù)作為測試集。

(2)初始化粒子群：在h維空間，初始化粒子群y，并設(shè)置各參數(shù)，包括粒子群個體總數(shù)m，粒子長度l，初始的學(xué)習(xí)因子c1,c2，每個粒子的初始的速度和位置等。其中，第i個粒子的位置和速度分別為yi＝(yi1,yi2,...,yih)和vi＝(vi1,vi2,...,vih)，i＝1,2,…,m，第i個粒子的個體極值位置為pi＝(pi1,pi2,...,pih)，種群的全局極值位置為pg＝(pg1,pg2,...,pgh)；

由于需要優(yōu)化的有核函數(shù)、核參數(shù)、懲罰因子和松弛變量，即采用pso算法同時對這四個變量進(jìn)行優(yōu)化，故粒子的四維參數(shù)依次為核函數(shù)、核參數(shù)、懲罰因子和松弛變量。由于不同的核函數(shù)中的核參數(shù)的常用范圍有所不同，所以要對粒子的編碼格式中的核參數(shù)維進(jìn)行特殊處理。例如，徑向基核函數(shù)公式如下：

式中的核參數(shù)δ∈[0.01,0.2]。而對于多項式核函數(shù)來說，公式如下：

式中的核參數(shù)d^*∈[1,6]。在粒子位置和速度更新時，同一維參數(shù)使用的是同一個更新公式，為了確保更新步驟的有效性，將該維參數(shù)格式化，使得不同的核參數(shù)落入相同的變化區(qū)間，可以對d^*參數(shù)除以100，得到區(qū)間[0.01,0.06]，使得參數(shù)的變化范圍大體一致，均為[0.01,0.2]。待優(yōu)化結(jié)束后，再按照核函數(shù)的類別，將對應(yīng)的核參數(shù)的值轉(zhuǎn)化成實際的值。

pso采用實數(shù)編碼，第一維表示核函數(shù)，則1表示徑向基核函數(shù)，2表示多項式核函數(shù)等，第二維表示核參數(shù)，按照上述規(guī)則將格式化的值作為該維的值，第三維表示懲罰因子維，變化范圍為第四維表示松弛變量維，變化范圍為[0,0.2]。

因此，粒子的初始位置由待優(yōu)化四個參數(shù)的取值范圍[1,2]、[1,108]、[-10,10]、[0.01,0.2]隨機確定，粒子的初始速度由待優(yōu)化四個參數(shù)的粒度確定為(1,1,0.1,0.01)；

(3)更新：根據(jù)適應(yīng)度函數(shù)模型對每個粒子計算適應(yīng)度，如果其當(dāng)前適應(yīng)度優(yōu)于其個體極值位置對應(yīng)的適應(yīng)度，則用其當(dāng)前位置更新粒子的個體極值位置pi；如果某個粒子當(dāng)前適應(yīng)度優(yōu)于全局極值位置對應(yīng)的適應(yīng)度，則用這個粒子的位置更新粒子的全局極值位置pg；

所述的適應(yīng)度函數(shù)根據(jù)模型不同而不同，如果要對支持向量回歸機模型進(jìn)行組合參數(shù)尋優(yōu)，則采用均方誤差函數(shù)為適應(yīng)度函數(shù)來評價適應(yīng)度，即：

式中，yi表示實際的測量值，表示模型的預(yù)測值，n是測試的樣本數(shù)。均方根誤差越小，適應(yīng)度越好，預(yù)測性能越好。其中yi和可以分別表示速度、頻率和持續(xù)時間的測量值和預(yù)測值，結(jié)果能夠得到三組svm回歸的最優(yōu)組合參數(shù)，分別對應(yīng)速度回歸模型、頻率回歸模型和持續(xù)時間回歸模型。

如果是支持向量分類機模型，則采用分類誤差函數(shù)ce來評價適應(yīng)度，公式如下：

ce＝1-acc＝1-(pos·tpr+neg·tnr)(9)

式中，acc為分類的加權(quán)準(zhǔn)確率函數(shù)，pos表示正例出現(xiàn)的概率，neg表示負(fù)例出現(xiàn)的概率，tpr表示真正率，即被正確分類的正樣本的比例，tnr表示真負(fù)率，即被正確分類的負(fù)樣本的比例。為了得到理想的準(zhǔn)確率，分類器給予多數(shù)類更多的關(guān)注，尤其是在類分布高度不均勻的情形下更是如此。

(4)迭代：按以下公式分別對粒子的速度和位置進(jìn)行迭代：

其中，c1,c2是學(xué)習(xí)因子，通常取2；r1,r2為(0,1)范圍內(nèi)的隨機數(shù)；ω為慣性權(quán)重，是粒子保持原來速度的系數(shù)，反映了繼承當(dāng)前速度的程度，較大的權(quán)重有利于全局搜索，而較小的權(quán)重有利于局部搜索。初始時，令ω為1。在迭代初期設(shè)置較大的權(quán)重能夠搜索到較大的范圍，后期設(shè)置較小的權(quán)重可以提高搜索精度，進(jìn)行局部搜索。所以采用冪函數(shù)公式來模擬慣性權(quán)重的衰減方式，公式如下：

其中，ω(k)為第k次迭代時的慣性權(quán)重，dmax為最大迭代次數(shù)。

(5)替換：新建種群y^*，令y^*＝y(tǒng)，對種群y^*中適應(yīng)度不符合要求的粒子進(jìn)行隨機維替換，如果替換后的粒子的適應(yīng)度優(yōu)于替換前的粒子的適應(yīng)度，就用種群y^*替換y，并且更新種群y^*中相應(yīng)的粒子以及個體極值位置和全局極值位置；所述的替換原則為：如果種群y中某個粒子的適應(yīng)度未達(dá)到要求，例如本實施例中將適應(yīng)度值大于30％視為未達(dá)到要求，則將種群中適應(yīng)度值最優(yōu)的粒子的相應(yīng)維復(fù)制到未達(dá)到要求粒子的相應(yīng)維上，使粒子更接近全局最優(yōu)；

(6)判斷：判斷是否達(dá)到最大迭代次數(shù)，如果達(dá)到最大迭代次數(shù)，則停止迭代，并輸出最優(yōu)粒子，即最優(yōu)參數(shù)組合；如果未達(dá)到最大迭代次數(shù)，則跳轉(zhuǎn)到步驟(3)繼續(xù)執(zhí)行。

以不同數(shù)據(jù)集為輸入，利用pso算法優(yōu)化即可得到不同的支持向量回歸機或支持向量分類機模型。為了更好的預(yù)測振動速度、振動頻率和振動持續(xù)時間，分別以步驟1得到的樣本數(shù)據(jù)集和振動速度數(shù)據(jù)為輸入數(shù)據(jù)集，利用改進(jìn)的pso算法對支持向量回歸機的四個參數(shù)進(jìn)行組合尋優(yōu)，得到精確度更高的振動速度支持向量回歸機模型；以步驟1得到的樣本數(shù)據(jù)集和振動頻率數(shù)據(jù)為輸入數(shù)據(jù)集，利用改進(jìn)的pso算法對支持向量回歸機的四個參數(shù)進(jìn)行組合尋優(yōu)，得到精確度更高的振動頻率支持向量回歸機模型；利用步驟1得到樣本數(shù)據(jù)集和振動持續(xù)時間數(shù)據(jù)為輸入數(shù)據(jù)集，利用改進(jìn)的pso算法對支持向量回歸機的四個參數(shù)進(jìn)行組合尋優(yōu)，得到精確度更高的振動持續(xù)時間支持向量回歸機模型。

步驟3：分別利用步驟2得到的振動速度、振動頻率和振動持續(xù)時間的支持向量回歸機模型，對步驟1得到的樣本數(shù)據(jù)集進(jìn)行回歸，得到振動速度、振動頻率和振動持續(xù)時間的預(yù)測數(shù)據(jù)，以這些數(shù)據(jù)和被保護建筑物的固有頻率數(shù)據(jù)及樣本的實際分類結(jié)果數(shù)據(jù)共同作為輸入數(shù)據(jù)，利用改進(jìn)的pso算法對支持向量分類機的四個參數(shù)進(jìn)行組合尋優(yōu)，得到判斷爆破是否屬于安全爆破的支持向量機分類機模型。

步驟4：利用步驟3得到的支持向量分類機模型對待預(yù)測的爆破振動數(shù)據(jù)進(jìn)行分類預(yù)測，判斷當(dāng)前爆破參數(shù)的設(shè)計方案是否是安全的。