本发明涉及一种基于改进svm算法的爆破飞石预测方法，属于神经网络以及工程爆破安全。
背景技术：
1、随着盾构/tbm制造水平的飞速发展，现已实现了隧道掘进的智能化、信息化，自主制造的盾构已基本覆盖市场。但山岭隧道往往地质条件复杂多变，施工风险高，tbm难以有效适应，且造价高昂，从隧道建设发展的实际来看，钻爆法施工具有较强的灵活性和适用性，仍是隧道施工中较为重要和普遍的施工方法。爆破飞石是隧道爆破施工过程中的一种潜在危害，需要对隧道爆破引起的爆破飞石进行相关的研究和计算预测，避免在爆破时产生重大危险，降低飞石对周围环境和人员的影响。
2、为了避免或减轻爆破飞石事故的发生，同时为爆破施工带来最大的经济效益。国内制定了一系列法规条例和爆破作业规程,如我国《爆破安全规程》(gb6722-2014)。然而爆破飞石事故仍时有发生，究其原因，爆破飞石的产生除了规范爆破作业规程外，还受到爆破参数的影响，例如炮孔孔径、炮孔长度、炸药单耗、装药量等，而经验公式和数值仿真技术考虑的影响因素有限，导致预测的飞石距离与现场实际情况存在一定的差异，无法精准预测到爆破中飞石距离。
技术实现思路
1、有鉴于此，本发明的目的在于提供一种基于改进svm算法的爆破飞石预测方法，以解决现有技术中所提到的技术问题。
2、一种基于改进svm算法的爆破飞石预测方法，包括以下步骤：
3、s1、采集爆破作业过程中不同地区观测数据的数据集作为原始数据x；
4、s2、根据所述原始数据x计算投影矩阵p，并将所述原始数据x投影到所述投影矩阵p中，得到降维后的数据y'：
5、s3、构建svm模型，并利用优化公式对所述svm模型进行优化，所述优化公式为：
6、
7、
8、其中，c为惩罚因子，表示对样本过度误差的惩罚程度；k(xjxi)是核函数，w为初始权重，a为样本向量，a*为样本向量的权重，ai为第i个样本向量，为第i个样本向量的权重，yi为第i个样本实际值，st为约束于；
9、s4、将所述数据y'输入至优化后的所述svm模型中进行训练，得到爆破飞石距离f(x)；
10、s5、在原始数据x中随机选取一部分数据作为测试样本，并通过优化后的所述svm模型对所述测试样本进行预测，再采用计算召回率的方式来评价所述测试样本的适应度r是否符合要求；
11、s6、利用适应度r符合要求的所述测试样本，评估所述svm模型的性能。
12、可选地，在所述s1中，所述原始数据x包括：
13、爆破装药负荷、间距、孔长、深孔、具体钻孔、堵塞、荷质比和平均装药量以及爆破飞石距离。
14、可选地，在所述s2中，所述投影矩阵p的计算方法，包括：
15、s2-1、对所述原始数据x进行归一化处理，将所述原始数据x映射到[0,1]的范围内进行缩放得到矩阵xnorm；
16、
17、s2-2、计算所述矩阵xnorm的协方差矩阵c；
18、s2-3、计算协方差矩阵c的特征值和特征向量；
19、s2-4、将所述协方差矩阵c进行随机分割得到若干当前协方差矩阵c1；
20、s2-5、从若干所述当前协方差矩阵c1中随机筛选一个所述当前协方差矩阵c1以及对应的降维数据y'，并根据所述当前协方差矩阵c1和所述降维数据y'，通过svm算法计算新的矩阵a，将所述当前协方差矩阵c1更新为所述矩阵a的值，其中：
21、y'＝x*p；
22、
23、c1＝a；
24、s2-6、重复步骤所述s2-5，直至svm算法达到预设的迭代次数或者满足收敛条件，所述svm算法终止，并将最终计算得到的所述矩阵a作为所述投影矩阵p。
25、可选地，在所述s2-2中，计算所述矩阵xnorm的协方差矩阵c的方法，包括：
26、计算矩阵xnorm的每一列的均值，然后计算矩阵x的每一列与其均值的差值，将所述差值组成一个n维向量，再计算n维向量与自身的协方差矩阵c。
27、可选地，在所述s4中，所述爆破飞石距离f(x)为：
28、f(x)＝w*xi+b；
29、其中，w为初始权重，xi为个体i的位置，b为超平面的截距。
30、可选地，评价所述测试样本的适应度r是否符合要求的方法，包括：
31、若所述适应度r小于95％，则所述测试样本的适应度r不符合要求，开始更新初始权重w，并将更新的权重vi带入所述s4的权重中继续运算，直至所述适应度r不小于95％，其中：
32、
33、vi＝wvi+0.05*r1*(xi-1-xi)+0.15*r2(xi+1-xi)；
34、xi＝xi+vi；
35、其中，tp为svm模型预测正确的测试样本数量，fn为svm模型预测错误的测试样本数量，vi为更新的权重，r1、r2为随机迭代的[0,1]的随机数，xi+1为位于当前个体的前一个个体的位置，xi-1为位于当前个体的后一个个体的位置；
36、若所述适应度r不小于95％，则所述测试样本的适应度r符合要求，执行下一步骤，并将计算的爆破飞石距离f(x)作为预测的飞石距离。
37、可选地，所述投影矩阵p将特征向量按对应特征值大小从上到下按行排列。
38、可选地，所述收敛条件在于将所述n维向量降维到45％-55％。
39、可选地，在所述s5中，所述svm模型将预测精度在±0.05范围内的预测样本定为预测正确，将预测精度超出±0.05范围的预测样本定为预测错误。
40、可选地，所述svm模型的性能评估指标为平均绝对百分比误差mape，当所述平均绝对百分比误差mape小于0.05时表明所述svm模型具有实用性；
41、
42、其中，m为样本数量，是第i个样本预测值，yi是第i个样本实际值。
43、本发明能产生的有益效果包括：
44、本发明所提供的一种基于改进svm算法的爆破飞石预测方法，可以减少输入变量之间的相关性，减少了相关性评估中重复相似的因素，有效的把变量降低维度，同时又保留了建模工程中的基本信息，可以有效的预测到爆破中飞石距离。同时，可以通过考虑现场因素和施工条件来模拟爆破现场的爆破效果，预测飞石距离，从而设定合理的安全距离以及提前采取措施来保证爆破飞石范围内的建筑的安全。
1.一种基于改进svm算法的爆破飞石预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进svm算法的爆破飞石预测方法，其特征在于，在所述s1中，所述原始数据x包括：
3.根据权利要求1所述的一种基于改进svm算法的爆破飞石预测方法，其特征在于，在所述s2中，所述投影矩阵p的计算方法，包括：
4.根据权利要求3所述的一种基于改进svm算法的爆破飞石预测方法，其特征在于，在所述s2-2中，计算所述矩阵xnorm的协方差矩阵c的方法，包括：
5.根据权利要求3所述的一种基于改进svm算法的爆破飞石预测方法，其特征在于，在所述s4中，所述爆破飞石距离f(x)为：
6.根据权利要求3所述的一种基于改进svm算法的爆破飞石预测方法，其特征在于，评价所述测试样本的适应度r是否符合要求的方法，包括：
7.根据权利要求3所述的一种基于改进svm算法的爆破飞石预测方法，其特征在于，所述投影矩阵p将特征向量按对应特征值大小从上到下按行排列。
8.根据权利要求4所述的一种基于改进svm算法的爆破飞石预测方法，其特征在于，所述收敛条件在于将所述n维向量降维到45％-55％。
9.根据权利要求1所述的一种基于改进svm算法的爆破飞石预测方法，其特征在于，在所述s5中，所述svm模型将预测精度在±0.05范围内的预测样本定为预测正确，将预测精度超出±0.05范围的预测样本定为预测错误。
10.根据权利要求1所述的一种基于改进svm算法的爆破飞石预测方法，其特征在于，所述svm模型的性能评估指标为平均绝对百分比误差mape，当所述平均绝对百分比误差mape小于0.05时表明所述svm模型具有实用性；
