为解决在有限监测信息下,矿井突水水源识别中原始指标众多,识别矩阵呈现出的高维、稀疏性问题,采用相关性理论和支持向量机（SVM）,提出了矿井突水水源识别方法.计算训练样本相关性及单指标误判个数.依据误判数对各指标进行重要性排序.构建指标组合并约简出测试正确率最高的指标组合,再利用构建的基于相关性理论的矿井突水水源SVM识别模型,实现高维小样本评价.结果表明:Ca2+,Mg2+,K++Na+彼此间相关性较高;K++Na+和CL-,HCO3-和SO42-相关性均较低;Ca2+较重要,SO42-和CL-

对目前广泛使用的矿井突水水源判别方法进行了综合评述.从整体而言,除了水化学分析方法外,其他方法都是以一定理论为基础,或构造最优函数,根据判别目标达到最优时的状态进行水源识别;或构造适当的区间,根据一定的法则使判别目标进入不同的区间,进行水源识别.样本较多时采用BP神经网络法,样本较少时采用SVM法会取得更好得预测效果.针对研究区实际状况,选择基于MATLAB的BP神经网络法进行突水预测,准确率达到91.67%,训练样本的选择和数量对预测结果影响较大.

针对目前支持向量机(SVM)参数选择不准确导致突水水源识别率不高的问题,提出经过遗传算法(GA)优化的支持向量机应用于突水水源的识别,研究结果表明,该模型的预测结果与实际情况相符合,更加适用于矿井突水的水源识别。