摘要
在地下煤矿开采中，快速准确地识别矿井水突水源对于控制风险至关重要。当应用于小样本、高维度的水化学数据时，传统的费希尔判别分析往往会受到特征冗余和多重共线性的限制。为了解决这一问题，我们提出了GWO–Fisher模型，这是一种将灰狼优化算法与费希尔判别分析相结合的混合模型。该模型首先通过基于相关性的预筛选，再利用结合了费希尔分析精度与特征尺寸惩罚因素的适应度函数进行全局优化，从而得到简洁且易于理解的特征集。该模型以中国山西谢沟煤矿的数据为训练样本，将17个水化学指标简化为12个关键特征，训练准确率可达92.98%，测试准确率为86.21%，相比传统费希尔分析提升了10.35个百分点。在三个不同矿区的四个煤矿中进行独立验证时，该模型的准确率仍保持在83%以上，并始终将总溶解固体、钾离子和碳酸氢根离子作为核心特征。错误分类的模式在不同矿区之间具有一致性，且与水文地质条件密切相关。所提出的GWO–Fisher模型在预测精度与水文地质可解释性之间取得了良好平衡，无论是在单个矿区还是不同矿区之间的比较中，都展现了可靠的性能。
