目前支持向量机（SVM)和随机森林（RF）等算法在在煤矿巷道支护领域应用较少，为了研究不同的机器学习模型进行支护参数设计的适用性，建立一个更高性能的模型实现锚杆支护的合理、科学设计。首先建立煤巷支护智能预测数据库：采用现场调研、问卷调查和文献检索等方式收集煤矿巷道样本；采用缺失值填补、箱形图修改离群点和局部异常因子剔除等方式对数据进行处理，建立煤巷支护数据库。提出一种基于合成少数类过采样(SMOTE)-遗传算法(GA)-SVM的煤巷支护参数预测模型：将数据库中的数据分成训练集与测试集，采用SMOTE技术平衡训练样本，提高模型对少数类样本的拟合能力；训练过程采用GA对SVM的超参数进行全局寻优，进一步提高模型整体性能。测试结果表明，SMOTE-GA-SVM模型的精度达到83.8%，比传统的SVM模型提高了21.8%。将人工神经网络（ANN）、随机森林（RF）、AdaBoost（ADA）和朴素贝叶斯分类器（NBC）等机器学习方法引入到煤巷锚杆支护参数预测中，建立对应的支护参数预测模型，比较结果表明：从最优到最差的预测模型排名分别为SMOTE-GA-SVM、RF、GA-ANN、SVM、NBC和ADA，6种模型的平均精度达69.9%，验证了机器学习方法在煤巷锚杆支护参数预测方面的可行性。在山西霍宝干河煤矿对SMOTE-GA-SVM模型进行了应用，模型精度达到87.5%，具有较强的适用性和可靠性。

0 引言
1 智能算法原理
1.1 SVM
1.2 遗传算法（GA）对SVM超参数寻优
2 煤巷支护数据库建立
2.1评价指标的选取
2.2数据采集与处理
2.3 合成少数类过采样技术（SMOTE）平衡样本
2.4数据标准化
3 煤巷支护参数预测机器学习模型的建立与评价
3.1 SMOTE-GA-SVM模型
3.2 RF模型
3.3 GA-ANN模型
3.4 AdaBoost模型和NBC模型
3.5 模型性能评估
4 工程应用
5 结论

陈攀,马鑫民,向俊杰等.煤巷支护参数预测研究[J/OL].工矿自动化:1-10[2023-10-10].DOI:10.13272/j.issn.1671-251x.2022120047.