矿井突水是煤矿安全生产面临的主要威胁之一。快速分析突水成因和准确判别突水水源是矿井突水灾害治理的关键步骤。为有效防治矿井突水灾害，准确快速地判识矿井突水水源，提出一种基于粒子群优化算法（PSO）结合极限梯度提升回归树（XGBoost）的矿井突水水源识别模型（PSO-XGBoost），通过高效的参数全局搜索模式进一步提高突水水源识别效率与精度，并将该模型成功应用于辽宁抚顺煤田老虎台矿区以验证模型的实用性。基于老虎台矿40组水样光谱数据，首先利用多元散射校正、平滑去噪、标准化及主成分分析对原始光谱数据预处理，依据分层随机抽样按照7：3比例进行训练集和测试集划分。其次，初始化粒子个体最优值和全局最优值，利用PSO对XGBoost算法的learning＿rate、n＿estimatiors、max＿depth等7项参数进行迭代寻优，构建最优参数组合下的分类识别模型。为进一步研究该模型的优越性，选取平均判识准确率和对数损失值作为评价指标，对比PSO-XGBoost模型与PSO-SVM、PSO-RF模型的分类识别结果，同时通过100次重复交叉验证评价各模型的泛化能力。对比结果表明，PSO-SVM、PSO-RF和PSO-XGBoost模型对测试集数据的平均判识准确率分别为87.76%、87.56%、90.63%和93.13%。对于重复交叉验证，XGBoost、PSO-SVM、PSO-RF和PSO-XGBoost模型的平均准确度分别为87.76%、87.56%、90.63%和93.13%，相应的对数损失平均值分别为0.5453、0.5460、0.5623和0.4534。综合分析评价指标结果得出，PSO-XGBoost模型在矿井突水水源识别方面具有更高的判别精度和更好的泛化能力。

0 引言
1 PSO-XGBoost模型基本原理及构建
1.1 XGBoost算法基本原理
1.2 粒子群优化算法（PSO）
1.3 PSO-XGBoost模型构建
1.4 模型评价指标
2 PSO-XGBoost模型应用
2.1 矿区概况
2.2 数据采集与处理
2.3水源判别结果
3 不同模型判识结果对比
4 结论

董东林,张陇强,张恩雨,傅培祺,陈宇祺,林新栋,李慧哲.基于PSO-XGBoost的矿井突水水源快速判识模型[J/OL].煤炭科学技术:1-13[2023-06-13].DOI:10.13199/j.cnki.cst.2023-0446.