本文關(guān)鍵詞：基于RS-SVM的煤炭自燃預(yù)警系統(tǒng)研究及應(yīng)用，由筆耕文化傳播整理發(fā)布。

【摘要】：火災(zāi)是影響煤礦生產(chǎn)安全的重大事故之一,而煤炭自燃是形成煤礦火災(zāi)的主要原因。如果煤炭自燃能夠被準(zhǔn)確地預(yù)報(bào),不僅能夠減少煤礦的經(jīng)濟(jì)損失也能保障工人的生命安全,對(duì)煤礦的發(fā)展具有重大意義。 煤炭自燃預(yù)報(bào)的方法有很多,本文采用氣體分析法來判斷煤炭是否具有自燃隱患。煤炭在氧化升溫的過程中會(huì)釋放多種氣體,而這些氣體的濃度與煤溫之間存在非常復(fù)雜的非線性關(guān)系,很難用一個(gè)具體的映射來描述。而且有些氣體并不能反映煤炭的自燃特征。為了解決這個(gè)問題,本文提出了一種基于粗糙集(Rough Set,簡記為RS)-支持向量機(jī)(Support Vector Machine,簡記為SVM)的煤炭自燃預(yù)測模型,通過對(duì)煤礦中現(xiàn)有的氣樣分析決策表進(jìn)行屬性約簡,刪除冗余信息,確定可以反映煤炭自燃特征的指標(biāo)氣體,并用約簡后的決策表進(jìn)行支持向量機(jī)的參數(shù)優(yōu)選；接著通過具體的煤炭升溫實(shí)驗(yàn),確認(rèn)了反映煤炭自燃特征的指標(biāo)氣體,并用實(shí)驗(yàn)數(shù)據(jù)對(duì)RS-SVM模型進(jìn)行訓(xùn)練和測試。 實(shí)驗(yàn)結(jié)果表明,該模型與未經(jīng)屬性約簡的SVM與BP神經(jīng)網(wǎng)絡(luò)相比,有更高的準(zhǔn)確率,能夠?yàn)槊禾孔匀继峁Q策依據(jù)。 本文的主要研究內(nèi)容如下： 1.分別采用網(wǎng)格搜索法((Grid Searching)、粒子群算法(Particle Swarm Optimization,簡稱PSO)和遺傳算法(Generation Algorithm,簡稱GA)進(jìn)行參數(shù)尋優(yōu),優(yōu)化了支持向量機(jī)的參數(shù),提高了分類性能； 2.采用安徽理工大學(xué)煤炭自燃傾向性測定實(shí)驗(yàn)室的儀器進(jìn)行了煤炭自熱模擬實(shí)驗(yàn),采集并分析了相關(guān)數(shù)據(jù),確定了能夠反映煤炭自燃的指標(biāo)氣體,這個(gè)結(jié)果與屬性約簡的結(jié)果一致；并用實(shí)驗(yàn)數(shù)據(jù)對(duì)RS-SVM模型進(jìn)行訓(xùn)練和測試； 3.采用不同的煤炭自燃預(yù)測算法,比對(duì)預(yù)測的正確率,為RS-SVM模型的可靠性提供了事實(shí)依據(jù)。
【關(guān)鍵詞】：煤炭自燃 粗糙集 支持向量機(jī) 網(wǎng)格搜索法 粒子群算法 遺傳算法
【學(xué)位授予單位】：安徽理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TD752.2
【目錄】：

• 摘要5-6
• Abstract6-10
• 1 緒論10-18
• 1.1 研究背景和研究意義10-11
• 1.2 煤炭在空氣中自熱自燃的相關(guān)知識(shí)11-13
• 1.3 國內(nèi)外對(duì)煤炭自燃預(yù)警技術(shù)的研究狀況13-17
• 1.3.1 傳統(tǒng)的預(yù)測方法13-16
• 1.3.2 基于智能算法的預(yù)測方法16-17
• 1.4 本論文的主要工作以及章節(jié)安排17-18
• 2 RS-SVM煤炭自燃預(yù)警模型理論基礎(chǔ)18-30
• 2.1 粗糙集理論基礎(chǔ)18-20
• 2.1.1 知識(shí)與不可分辨關(guān)系18-20
• 2.1.2 屬性約簡20
• 2.2 支持向量機(jī)理論基礎(chǔ)20-29
• 2.2.0 機(jī)器學(xué)習(xí)模型21-22
• 2.2.1 經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原理22-23
• 2.2.2 學(xué)習(xí)過程的一致性23-24
• 2.2.3 VC維24
• 2.2.4 結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則24-25
• 2.2.5 線性支持向量機(jī)25-28
• 2.2.6 非線性支持向量機(jī)28-29
• 2.3 RS-SVM用于煤炭自燃預(yù)測系統(tǒng)的可行性分析29-30
• 3 火災(zāi)預(yù)警系統(tǒng)中的屬性約簡算法30-33
• 3.1 屬性約簡算法的描述30
• 3.2 屬性約簡算法在本系統(tǒng)中的應(yīng)用30-33
• 4 火災(zāi)預(yù)警系統(tǒng)中支持向量機(jī)的參數(shù)選取33-39
• 4.1 支持向量機(jī)的參數(shù)選取問題33
• 4.2 常用的參數(shù)選取算法33-35
• 4.2.1 網(wǎng)格搜索法(GS)34
• 4.2.2 粒子群算法(PSO)34-35
• 4.2.3 遺傳算法(GA)35
• 4.3 交叉驗(yàn)證法35-36
• 4.4 參數(shù)選取算法的對(duì)比實(shí)驗(yàn)36-39
• 5 基于RS-SVM的煤炭自燃預(yù)警算法實(shí)驗(yàn)研究39-51
• 5.1 煤炭自燃發(fā)火的實(shí)驗(yàn)研究39-48
• 5.1.1 實(shí)驗(yàn)設(shè)備介紹39-41
• 5.1.2 實(shí)驗(yàn)步驟41-42
• 5.1.3 實(shí)驗(yàn)數(shù)據(jù)42-45
• 5.1.4 實(shí)驗(yàn)數(shù)據(jù)分析45-47
• 5.1.5 實(shí)驗(yàn)結(jié)論47-48
• 5.2 RS-SVM模型的算法步驟48-49
• 5.3 RS-SVM模型與其他算法的對(duì)比實(shí)驗(yàn)49-50
• 5.3.1 決策分類依據(jù)49
• 5.3.2 對(duì)比實(shí)驗(yàn)49-50
• 5.4 實(shí)驗(yàn)結(jié)果分析50-51
• 結(jié)論51-52
• 參考文獻(xiàn)52-55
• 后記或致謝55-56
• 作者簡介及讀研期間主要科研成果56

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 韓勇鵬;;SVM方法及其在乳制品分類問題上的應(yīng)用[J];安徽農(nóng)業(yè)科學(xué);2009年08期

2 胡英俊;鄒德蘊(yùn);朱丕凱;段偉;;基于BP神經(jīng)網(wǎng)絡(luò)的煤層自燃預(yù)測[J];安全與環(huán)境學(xué)報(bào);2007年01期

3 顏志軍;張躍軍;;基于聚類分析的決策表約簡[J];北京理工大學(xué)學(xué)報(bào);2006年03期

4 秦書玉,陳長華,李健;煤炭自燃早期預(yù)報(bào)的模糊聚類關(guān)聯(lián)分析法[J];遼寧工程技術(shù)大學(xué)學(xué)報(bào);2003年03期

5 張兵;鄧衛(wèi);;基于支持向量機(jī)理論的經(jīng)濟(jì)圈交通網(wǎng)絡(luò)評(píng)價(jià)研究[J];公路;2012年06期

6 朱樹先;張仁杰;鄭剛;;混合核函數(shù)對(duì)支持向量機(jī)分類性能的改進(jìn)[J];上海理工大學(xué)學(xué)報(bào);2009年02期

7 鄭龍江;李鵬;秦瑞峰;楊俊明;;氣體濃度檢測光學(xué)技術(shù)的研究現(xiàn)狀和發(fā)展趨勢[J];激光與光電子學(xué)進(jìn)展;2008年08期

8 胡一帆;林欣;丁永生;吳怡之;;基于核函數(shù)SVM的穿戴式姿態(tài)識(shí)別系統(tǒng)[J];計(jì)算機(jī)工程;2010年10期

9 安金龍,王正歐;一種適合于增量學(xué)習(xí)的支持向量機(jī)的快速循環(huán)算法[J];計(jì)算機(jī)應(yīng)用;2003年10期

10 譚冠政;劉關(guān)俊;;基于粒子群算法的移動(dòng)機(jī)器人全局最優(yōu)路徑規(guī)劃[J];計(jì)算機(jī)應(yīng)用研究;2007年11期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 陳曉坤;煤自燃多源信息融合預(yù)警研究[D];西安科技大學(xué);2012年

  本文關(guān)鍵詞：基于RS-SVM的煤炭自燃預(yù)警系統(tǒng)研究及應(yīng)用，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：275943