矿井突水水源判别的ESN正则化模型

针对标准回声状态神经网络（ESN）因病态解而导致水源判别模型准确率低,精度差的问题,提出了将6种正则化方法与ESN神经网络相结合,并应用于矿井突水水源的判别,与标准ESN模型的判别结果进行对比分析。结果表明:ESN模型易出现过拟合问题,判别准确率只有49%~88%;而采用阻尼最小二乘奇异分解法（DSVD）与广义交叉验证法（GCV）相耦合的正则化方法能够较好的解决模型病态解问题,使模型的准确率提高到100%,最佳判别精度比标准ESN模型提高了64%,稳定性提高了61%;且该方法对不同规模的储备池结构表现出较强的适应性,不仅简化了模型的映射关系,提高计算效率,还增强模型的泛化能力。因此,基于GSVD_GCV正则化的ESN水源判别模型可作为一种快速有效判别矿井突水来源的新方法。