基于PSO-XGBoost 的礦井突水水源快速判識模型

董東林 ，張隴強 ，張恩雨 ，傅培祺 ，陳宇祺 ，林新棟 ，李慧哲

（中國礦業(yè)大學(北京) 地球科學與測繪工程學院, 北京 100083）

0 引 言

煤炭作為我國短時間內(nèi)不可替代的穩(wěn)定主體能源，煤炭資源的安全、清潔、高效開采關乎我國能源安全和經(jīng)濟的健康可持續(xù)發(fā)展[1-3]。然而，我國煤礦水文地質(zhì)條件異常復雜，煤層在開采過程中水害頻發(fā)[4]，不僅長期制約著我國煤炭資源的安全開采，還嚴重威脅著井下礦工的生命安全。礦井發(fā)生突水后，快速、準確地判識突水水源是礦井水害治理的關鍵[5-6]。傳統(tǒng)的礦井突水水源判識法主要有水位動態(tài)觀測[7]、水溫、水化學[8-9]、同位素示蹤[8-10]及基于GIS[11-12]等方法。地下水化學能真實反應地下水中不同離子的本質(zhì)特征[13]，眾多學者基于水化學參數(shù)分析，以不同離子作為主要判別指標，建立相應的突水水源識別模型[14]，為基于水化學判識突水水源奠定了深厚基礎。常見的突水水源判識模型大體分為基于數(shù)學方法（多元統(tǒng)計[15-16]、模糊數(shù)學法[17]、灰色系統(tǒng)法[18]）和結合計算機技術（神經(jīng)網(wǎng)絡[19]、SVM法[20]、可拓識別法[21]）兩大類。這些方法在提高礦井突水水源判別準確性的同時，還推動了礦井防治水理論的發(fā)展，然而這些方法在應用過程中仍舊存在局限和不足。比如，基于水化學參數(shù)的判別模型雖然性能較為穩(wěn)定，但識別時間長，效率低，較難適應礦井突水的實時監(jiān)測[22]，不宜在短時間內(nèi)快速開展礦井突水災害防治；神經(jīng)網(wǎng)絡具有較強的非線性映射能力、自學習能力和容錯性，但對訓練樣本要求較高，樣本選擇的合適與否將直接影響到最終的判識結果[23]；模糊數(shù)學和灰色數(shù)學法較難確定因子權重和隸屬度[24]；可拓識別法在處理差異較小的樣本數(shù)據(jù)時容易造成誤判。近年來，紫外?可見分光光度法被廣泛應用于醫(yī)學、環(huán)境、化工、地質(zhì)學等諸多領域，但鮮有文獻報道利用該技術方法來識別礦井突水水源的應用研究。紫外可見分光技術憑借時間響應快、精度高和抗干擾等特點，為礦井突水水源判識提供新的思路和方法。

光譜數(shù)據(jù)承載著測試水源的重要特征信息[25]，因此，基于光譜數(shù)據(jù)的突水水源判別是高維數(shù)據(jù)的多分類問題。常見分類算法有決策樹（DT）、隨機森林（RF）、BP 神經(jīng)網(wǎng)絡、支持向量機（SVM）、XGBoost 等。決策樹算法易于理解和解釋，但如果樹深度過大，會導致過擬合問題，此外，決策樹算法對于連續(xù)性變量處理較為困難[26]。隨機森林算法雖然改善了決策樹容易過擬合的缺陷[27]，但該算法在解決不平衡數(shù)據(jù)集分類精度方面仍有待進一步提高。BP 神經(jīng)網(wǎng)絡基于反向誤差傳播原理，網(wǎng)絡訓練耗時長，且需多次訓練才能獲取較為穩(wěn)定的模型。SVM分類適合于處理高維模式下的小樣本數(shù)據(jù)[28]，但受參數(shù)影響明顯，對于噪聲和異常值較敏感[29]。XGBoost 算法是一種提升樹模型，基于對GBDT 算法的高效改進，兼具對高維數(shù)據(jù)集的規(guī)模求解和精準分類，并且該算法引入正則項技術避免了過擬合情況，有效提高了模型分類識別的泛化能力。

研究基于遼寧撫順煤田老虎臺礦不同類型水樣的40 組光譜數(shù)據(jù)，采用XGBoost 模型進行礦井突水水源識別研究，并利用粒子群優(yōu)化算法（PSO）對XGBoost 模型的學習率（learning rate）、隨機采樣率、最小葉子節(jié)點樣本權重（min child weight）和樹最大深度（max depth）等7 項參數(shù)進行優(yōu)化，建立PSOXGBoost 分類識別模型，以實現(xiàn)對礦井突水水源的精準高效預測，為礦井突水水源識別提供新的思路與方法。

1 PSO-XGBoost 模型基本原理及構建

1.1 XGBoost 算法基本原理

XGBoost 是基于 Gradient Boosting Decision Tree(GBDT)算法高效改進而來，兼具良好的分類性能和運行速度[30]。相較于Boosting 庫，XGBoost 算法通過對損失函數(shù)二階泰勒展開，并引入正則項以實現(xiàn)整體最優(yōu)解，以此來控制模型整體復雜度，從而有效提高了算法的泛化能力。此外，為防止出現(xiàn)過擬合問題，該算法采用同時對特征選擇并行處理的方法，使得該算法運行速度更快，且結果更具有可解釋性。

假設給定包含n個樣本數(shù)量的數(shù)據(jù)集D={(xi,yi)|xi∈Rm,yi∈R,i=1,2,···,n}由m個特征組成，共n個樣本，其中Rm和R分別為m維實數(shù)向量數(shù)據(jù)集和實數(shù)集合。

式中：fk為一棵回歸樹；K為回歸樹的總數(shù)目；F為回歸樹空間。

目標函數(shù)Obj為

式中：l為損失函數(shù)，用來衡量分類預測值和真實值之間的誤差；為分類預測值；yi為真實值；?(fk)為正則項。

XGBoost 算法采用梯度提升迭代運算，每經(jīng)過一次迭代過程，將添加新的回歸樹，則第t次迭代運算結果為：

將式（3）代入式（2），計算出第t次迭代的目標函數(shù)表達式為Obj(t)：

式中：σ為常數(shù)項。

將式（4）二階泰勒展開，并加入正則項?(fk)防止出現(xiàn)過擬合現(xiàn)象。

式中：γ為葉子樹懲罰系數(shù)；T為樹葉子節(jié)點數(shù)目；ω為葉子權重；λ為權重懲罰系數(shù)；|| ||為對ω2進行正則運算。

由于XGBoost 算法中參數(shù)較多，調(diào)參過程隨機性大，需要通過參數(shù)尋優(yōu)來提高模型的分類預測精度。因此選用處理多參數(shù)優(yōu)化問題效果顯著的PSO算法優(yōu)化模型參數(shù)，通過減少參數(shù)選取的隨機性，以此來提高模型的分類預測性能。

1.2 粒子群優(yōu)化算法（PSO）

粒子群優(yōu)化算法（PSO）是一種基于模仿鳥群覓食行為構建起來的群智能算法[31-32]。相比于蟻群、遺傳和模擬退火等智能優(yōu)化算法，該算法完善了蟻群算法收斂速度慢和遺傳算法、模擬退火算法易陷入局部最優(yōu)解等缺陷[33]。PSO 算法憑借參數(shù)少、結構簡單、效率高、容易實現(xiàn)以及能解決非凸問題等優(yōu)點，已被廣泛用來解決支持向量機（SVM）[34]、BP 神經(jīng)網(wǎng)絡[35]、極限學習（ELM）等算法的優(yōu)化問題，并且優(yōu)化效果顯著。PSO 算法將優(yōu)化問題的解定義為在有限維度空間內(nèi)搜索粒子，每個粒子由一個位置矢量和速度矢量組成，所有粒子共同合作擇優(yōu)，通過自身最優(yōu)值和粒子群的最優(yōu)值向更好的位置搜索。每個粒子通過適應度函數(shù)計算適應值來衡量自身位置的優(yōu)劣，同時粒子群中所有粒子都追隨當前最優(yōu)粒子在解空間中位置進行搜索。

假設有一個D維的搜索空間，群中粒子總數(shù)為m，第i個粒子的位置表示為向量Xi=[xi1,xi2,···,xiD]T，速度向量表示為Vi=[Vi1,Vi2,···,ViD]T，該粒子自身搜索到的最優(yōu)位置為Pi=[Pi1,Pi2,···,PiD]T，整個種群搜索到的最優(yōu)位置表示為Pg=[Pg1,Pg2,···,PgD]T，這里g為粒子編號，g∈(1,2,3,···,m)。初始化粒子群后PSO 算法將計算每個粒子的適應值，通過不斷更新迭代來搜索最優(yōu)解。每進行一次迭代，粒子Xi通過個體最優(yōu)值Pi和群體最優(yōu)值Pg來更新自身的位置和速度，迭代公式如下：

式中：k為迭代次數(shù)；ω為慣性系數(shù)，用來控制算法的收斂和搜索能力；r1、r2為[0,1]之間的隨機數(shù)；c1和c2分別為加速因子，表示將粒子推向個體最優(yōu)值Pi和群體最優(yōu)值Pg的加速項權重。

1.3 PSO-XGBoost 模型構建

基于XGBoost 原理與PSO 算法理論，將PSO 應用于XGBoost 分類器的參數(shù)尋優(yōu)，構建PSO-XGBoost礦井突水水源光譜分類預測模型（圖1），流程為：

圖1 礦井突水水源識別模型流程Fig.1 Flow of mine water inrush source identification model

1）對測量得到的光譜數(shù)據(jù)進行多元散射校正、平滑去噪及標準化預處理；

2）對預處理后的光譜數(shù)據(jù)進行主成分分析，依照累計貢獻率選取若干主成分，根據(jù)主成分分析結果重新計算數(shù)據(jù)集，以此來實現(xiàn)數(shù)據(jù)集降維；

3）按照7∶3 的比例劃分訓練集與測試集，設定適當?shù)倪m應度函數(shù)并初始化粒子個體最優(yōu)值和全局最優(yōu)值，對learning_rate、max_depth 等參數(shù)進行尋優(yōu)；

4）迭代更新粒子速度與位置，通過計算其適應度值，不斷更新個體最優(yōu)值與全局最優(yōu)值至達到迭代終止條件；

5）選取最優(yōu)參數(shù)值，構建參數(shù)優(yōu)化的XGBoost 分類模型，導入訓練集進行模型訓練學習。

1.4 模型評價指標

研究選擇判識正確率和對數(shù)損失值對模型的分類判識效果進行評價。其中正確率A計算公式為

其中：np為模型正確分類樣本個數(shù)；n為樣本總個數(shù)。模型正確分類的樣本數(shù)越多，正確率越高，模型分類效果越好。

對數(shù)損失值類似于邏輯回歸中的損失函數(shù)值，通過對錯誤分類結果的懲罰修正，實現(xiàn)對分類器的分類效果量化，其計算公式為：

其中，Y為輸出變量；X為輸入變量；L為損失函數(shù)；N為輸入樣本量；M為分類類別數(shù)；yij用于表示類別j是否是輸入實例xi的真實類別；pij為模型輸入實例xi屬于類別j的概率。對數(shù)損失值越接近0，表示損失越小，模型分類效果也就越好。

2 PSO-XGBoost 模型應用

2.1 礦區(qū)概況

老虎臺煤礦開采于1907 年，位于遼寧省撫順煤田中部，井田東西部分別與龍鳳礦報廢井田和西露天礦井田相鄰，南至煤層露頭，北至最終開采境界線，面積約為6.88 km2（圖2）。礦區(qū)整體地勢南高北低，南部最高為老虎臺山，中部礦區(qū)地勢平坦，渾河從礦區(qū)北部由東向西流過，是礦區(qū)水系的主干流。

圖2 研究區(qū)位置Fig.2 Location of the study area

礦區(qū)共發(fā)育4 個含水層，自上而下依次為：第四系沖積砂及礫石孔隙含水層、古近系西露天組泥灰?guī)r裂隙含水層、古近系栗子溝組和老虎臺組凝灰?guī)r、玄武巖弱含水層和白堊系龍鳳坎組砂礫巖含水層，其中第四系沖積砂、礫石含水層為主要含水層，其余為弱含水層（圖3）。各含水層水文地質(zhì)特征如下：

圖3 含隔水層垂向示意Fig.3 Vertical of aquifer layer

1）第四系沖積砂及礫石孔隙含水層。第四系沖積層位于基巖剝蝕面之上，厚度4～24.3 m，由粗細不等的砂卵石組成。含水層上部為黃色亞粘土及砂土覆蓋，底部為卵石, 單位涌水量q=0.841～4.12 L/(s·m)，滲透系數(shù)k=10.27～92.8 m/d。該層受大氣降水補給，富水性強，是礦井主要含水層，水質(zhì)類型為HCO3-Ca-Mg 型。

2）古近系西露天組泥灰?guī)r裂隙含水層。該層全區(qū)發(fā)育，屬泥灰?guī)r綠色頁巖系，為綠色含鈣質(zhì)頁巖及綠色石灰?guī)r互層，其單位涌水量q=0.07l L/(s·m)，滲透系數(shù)k=0.065 m/d，水質(zhì)類型為SO4-HCO3-Ca-Mg型，屬弱礦化淡水。

3）古近系栗子溝組和老虎臺組凝灰?guī)r、玄武巖弱含水層。由淺灰綠?暗灰綠色凝灰?guī)r及橄欖玄武巖組成，位于煤層底板以下，弱含水。單位涌水量q=0.516～0.000 015 l L/(s·m)，滲透系數(shù)k=1.178～0.228 m/d。該層在煤層露頭接受大氣降水和第四紀沖積層孔隙水補給，采掘工作面揭露時，局部表現(xiàn)為滴水和淋水，有的地點為裂隙水。

4）白堊系龍鳳坎組砂礫巖含水層。該層分布在井田西部，由不同巖石的角礫組成，巖石主要為花崗片麻巖，石英及玄武巖，微弱含水，其單位涌水量為0.001 89～0.002 47 L/(s·m)，滲透系數(shù)為0.000 462 3～0.007 84 m/d，平均水位標高76.20 m。

2.2 數(shù)據(jù)采集與處理

在老虎臺煤礦防治水專業(yè)人員的指導下，依據(jù)礦井突（淋）水特點和以往突水情況，科學選取了地表水體、第四系沖積砂及礫石孔隙含水層、古近系西露天組泥灰?guī)r裂隙含水層和老虎臺礦東部龍鳳井田老空積水4 種水樣類型。每種類型水單獨采集10 組，總計40 組水樣，水樣信息及編號見表1，對采取的水樣進行密封、避光運輸和保存。采用DR-3900 型分光光度計對采集到的水樣進行紫外-可見光光譜測量，波長范圍設置為320～1 100 nm，采樣間隔為1 nm，在測量前用靜置10 min 的超純水作為參比溶液進行基線校準，最終測得40 組光譜數(shù)據(jù)，各水樣光譜曲線如圖4 所示。

表1 水樣信息及編號Table 1 Water sample information and number

圖4 原始水樣光譜曲線Fig.4 Spectral curve of the original water sample

圖4 顯示光譜數(shù)據(jù)測量波段內(nèi)的最大值均集中在紫外光區(qū)，符合物質(zhì)對光的波長選擇性吸收的原理。由于本次研究集中在紫外?可見光波段，因此只選取320～700 nm 的波段測量值作研究數(shù)據(jù)集。在光譜測量過程中，可能受到光源不穩(wěn)定性、光路衰減和末端吸收、電路噪聲及外界雜散光等多種因素的影響，使得光譜圖像受到噪聲干擾。對此選用平滑去噪和多元散射校正法對光譜數(shù)據(jù)進行預處理，以增強光譜數(shù)據(jù)特征并消除干擾。平滑去噪選用Savitzky-Golay 卷積平滑法，先從4 類水樣中各取一組樣本計算不同窗口寬度和多項式階數(shù)取值下的均方差值（MSE），確定出最佳的S-G 法參數(shù)取值，得到的評價見表2。綜合來看，當窗口寬度取5，多項式階數(shù)取3 時有最小的MSE 值，采用該參數(shù)組合對數(shù)據(jù)集進行去噪處理。

表2 Savitzky-Golay 卷積平滑評價指標Table 2 Evaluation indexes of Savitzky-Golay convolution smoothing

對去噪后的數(shù)據(jù)集進行多元散射校正處理，減少由于水樣散射水平不同導致的光譜差異，將同一類水樣的譜線進行聚攏，最終預處理完成得到的水樣光譜曲線如圖5 所示。經(jīng)過光譜預處理后，各水樣光譜圖像之間的差異得到了顯著增強，譜線的靈敏度也有所提高，更易于后續(xù)模型的分類識別。

圖5 預處理后的水樣光譜曲線Fig.5 Spectral curve of pretreatment water samples

對預處理后的光譜數(shù)據(jù)min-max 標準化處理，并采用主成分分析法（PCA）對其進行特征提取。低維度的數(shù)據(jù)能加快識別算法的運算速度，同時讓數(shù)據(jù)的特征更明顯，提升識別準確度。設置累計貢獻率為90%，獲取5 個主成分，其累計貢獻率見表3，降維處理后的各主成分荷載得分如圖6 所示。主成分分析后的總數(shù)據(jù)點數(shù)從15 240 個減少到200 個，數(shù)據(jù)量減少了98.69%，極大地簡化了數(shù)據(jù)處理工作量?；赑CA 得到的特征向量重新計算并劃分數(shù)據(jù)集，考慮到樣本數(shù)量較少，采用隨機劃分訓練集、測試集的方式不能保證數(shù)據(jù)分布的一致性，因此采用分層隨機抽樣的方法按照比例7∶3 將數(shù)據(jù)集劃分為訓練集和測試集。

表3 主成分及其累計貢獻率Table 3 Cumulative contribution of principal components

圖6 主成分荷載得分Fig.6 Plot of principal component load scores

2.3 水源判別結果

對訓練集運用PSO 算法對XGBoost 分類器的參數(shù)進行尋優(yōu)，并將適應度判斷標準設定為每次迭代中模型經(jīng)過15 次交叉驗證得到的平均準確率，同時設置輸出迭代過程中相應的對數(shù)損失值進行輔助判別。本次需要優(yōu)化的參數(shù)有7 類：包括learning_rate、n_estimators、max_depth、min_child_weight、gamma、subsample 和colsample_bytree，其中l(wèi)earning_rate 為學習率，控制每次迭代更新權重時的步長；n_estimators 代表樹（弱分類器）的數(shù)量；max_depth用于指定樹的最大深度；min_child_weight 用于指定葉子節(jié)點最小權重和；gamma 值表示節(jié)點分裂所需的最小損失函數(shù)下降值；subsample 用于控制每棵樹隨機采樣的比例；colsample_bytree 用于控制每棵樹隨機采樣的列數(shù)占比。經(jīng)過100 次的迭代尋優(yōu)運算，PSO 算法的準確率迭代至最大值0.924，相應輸出的對數(shù)損失值也達到最小值0.427 6，并且在迭代18 次時收斂，最優(yōu)參數(shù)迭代尋優(yōu)過程如圖7 所示，最終尋優(yōu)得到的最佳參數(shù)取值如下：

基于最優(yōu)參數(shù)組合建立PSO-XGBoost 分類預測模型，在訓練集學習后對測試集進行分類判識，分類結果如圖8a 所示。通過圖8a 得出，PSO-XGBoost 算法分類性能良好，12 組測試集判別正確11 組，僅在對第九份樣本分類時將泥灰?guī)r裂隙水誤判為了地表水，模型的分類準確率達到了91.67%。表明PSO-XGBoost 模型對于水源光譜曲線有很好的分類性能。

圖8 3 種不同算法測試集判識結果Fig.8 Three different algorithm test sets to identify the results

3 不同模型判識結果對比

為進一步驗證PSO-XGBoost 算法模型在突水水源識別研究中的優(yōu)越性，在測試集上分別選擇PSO 優(yōu)化后的支持向量機（PSO-SVM）和隨機森林（PSO-RF）兩種不同分類方法與PSO-XGBoost 進行對比，各模型的迭代尋優(yōu)過程如圖9 所示。相較于PSO-XGBoost 模型的尋優(yōu)迭代過程，PSO-RF 模型在第28 次迭代時收斂，最大準確率91.8%，最小對數(shù)損失值0.488 4；PSO-SVM 模型在第18 次迭代收斂，最大準確率89.3%，最小對數(shù)損失值0.650 5。綜合判識準確率和對數(shù)損失值得出，PSO-XGBoost 的迭代尋優(yōu)結果最好。其中PSO-SVM 模型中核函數(shù)選擇為多項式核Poly，優(yōu)化后的參數(shù)取值為C=9.18，degree=6.67；PSO-RF 模型優(yōu)化參數(shù)取值為n_estimators=129，max_depth=3.86，min_samples_splits=6，min_samples_leaf=6，max_features=0.8。最終3 組對比算法得到的測試集分類結果如圖8 所示，其中PSO-SVM模型判錯2 組，準確率83.33%，PSO-RF 模型判錯一組，準確率和PSO-XGBoost 模型相同，達到91.67%。

圖9 3 種不同算法迭代尋優(yōu)結果Fig.9 Iterative optimization search results of three different algorithms

為消除訓練集、測試集劃分時存在的潛在特殊性和偶然性，同時更客觀地評估模型的泛化能力，采用100 次重復交叉驗證的方法按照8:2 比例的重新劃分訓練集、測試集, 并選擇平均準確率和平均對數(shù)損失值作為評價指標。首先將未優(yōu)化的XGBoost 模型與PSO-XGBoost 模型進行對比，未優(yōu)化的XGBoost 模型參數(shù)設為默認參數(shù)：n_estimators=300，max_depth=5，learning_rate=0.1，subsample=1，min_child_weight=1，colsampe-bytree=1，對比結果如圖10 所示。可以看出，經(jīng)過參數(shù)尋優(yōu)后的PSO-XGBoost 模型平均準確率93.18%，高于未優(yōu)化XGBoost 模型平均準確率87.76%，PSO-XGBoost 模型的平均對數(shù)損失值為0.462 5，低于XGBoost 模型的0.545 3。此外，PSOXGBoost 模型在判識平均準確率和平均對數(shù)損失值上的變化幅度更小，穩(wěn)定性更好，表明PSO-XGBoost 判識模型穩(wěn)定性良好，PSO 優(yōu)化效果顯著。

圖10 優(yōu)化前后準確率對比結果Fig.10 Comparison results of accuracy before and after optimization

進一步對PSO-XGBoost、PSO-SVM、PSO-RF 3種預測分類模型的準確性和對數(shù)損失值進行比較，對比結果見表4，對3 種不同模型進行100 次重復交叉驗證結果如圖11 所示。PSO-SVM 模型平均準確率87.56%，平均對數(shù)損失值為0.546 0，且穩(wěn)定性最差；PSO-RF 模型雖然在測試集預測分類中得到了與PSO-XGBoost 模型相同的準確率，但在重復多次交叉驗證評價的平均準確率為90.63%，平均對數(shù)損失值為0.562 3，綜合判識效果低于PSO-XGBoost 的93.18%和0.453 4，表明PSO-RF 模型的穩(wěn)定性不如PSO-XGBoost 模型。通過對比得出，PSO-XGBoost模型平均準確率達到三者中的最大值93.18%，平均損失值也最小，證明該模型不但具有較強的分類預測和泛化能力，而且還具有良好的穩(wěn)定性。因此，通過對比不同分類算法得出，基于PSO-XGBoost 的礦井突水水源模型是高效可行的。

表4 不同分類模型的性能對比Table 4 Performance comparison of different classification models

圖11 三種算法測試分類準確率比較Fig.11 Comparison of classification accuracy of s algorithms

4 結 論

1）基于水樣光譜數(shù)據(jù)，結合XGBoost 原理與PSO 理論，構建適用基于光譜數(shù)據(jù)的礦井突水水源分類預測的PSO-XGBoost 模型，為礦井突水水源判識提供了新思路。

2）選用PSO 對XGBoost 算法參數(shù)尋優(yōu)，選取最優(yōu)參數(shù)組合，模型優(yōu)化前后的分類準確率分別為87.76%和93.18%，對數(shù)損失值分別為0.545 3 和0.462 5，PSO-XGBoost 模型相較于優(yōu)化前的XGBoost 具有更高的預測精度和更好的穩(wěn)定性結果，表明PSO 能顯著提升XGBoost 模型的分類性能。

3）測試結果表明，將PSO-XGBoost 模型與PSORF 和PSO-SVM 分類學習模型進行對比，測試集在PSO-SVM、PSO-RF、PSO-XGBoost 三類模型的平均判識準確率分別為83.33%、91.67%和91.67%，在多次交叉驗證測試評價中，3 類模型的平均判識準確率分別為87.56%、90.63%、93.18%，平均對數(shù)損失值分別為0.546 0、0.562 3、0.453 4。對比結果表明PSOXGBoost 模型在分類預測精度和泛化能力方面明顯優(yōu)于其他2 種模型，因此，基于PSO-XGBoost 模型判識礦井突水水源的方法是高效可行的。