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

【摘要】：火災是影響煤礦生產(chǎn)安全的重大事故之一,而煤炭自燃是形成煤礦火災的主要原因。如果煤炭自燃能夠被準確地預報,不僅能夠減少煤礦的經(jīng)濟損失也能保障工人的生命安全,對煤礦的發(fā)展具有重大意義。 煤炭自燃預報的方法有很多,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釋放多種氣體,而這些氣體的濃度與煤溫之間存在非常復雜的非線性關系,很難用一個具體的映射來描述。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(Support Vector Machine,簡記為SVM)的煤炭自燃預測模型,通過對煤礦中現(xiàn)有的氣樣分析決策表進行屬性約簡,刪除冗余信息,確定可以反映煤炭自燃特征的指標氣體,并用約簡后的決策表進行支持向量機的參數(shù)優(yōu)選；接著通過具體的煤炭升溫實驗,確認了反映煤炭自燃特征的指標氣體,并用實驗數(shù)據(jù)對RS-SVM模型進行訓練和測試。 實驗結果表明,該模型與未經(jīng)屬性約簡的SVM與BP神經(jīng)網(wǎng)絡相比,有更高的準確率,能夠為煤炭自燃提供決策依據(jù)。 本文的主要研究內容如下： 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)進行參數(shù)尋優(yōu),優(yōu)化了支持向量機的參數(shù),提高了分類性能； 2.采用安徽理工大學煤炭自燃傾向性測定實驗室的儀器進行了煤炭自熱模擬實驗,采集并分析了相關數(shù)據(jù),確定了能夠反映煤炭自燃的指標氣體,這個結果與屬性約簡的結果一致；并用實驗數(shù)據(jù)對RS-SVM模型進行訓練和測試； 3.采用不同的煤炭自燃預測算法,比對預測的正確率,為RS-SVM模型的可靠性提供了事實依據(jù)。
【關鍵詞】：煤炭自燃 粗糙集 支持向量機 網(wǎng)格搜索法 粒子群算法 遺傳算法
【學位授予單位】：安徽理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：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知識11-13
• 1.3 國內外對煤炭自燃預警技術的研究狀況13-17
• 1.3.1 傳統(tǒng)的預測方法13-16
• 1.3.2 基于智能算法的預測方法16-17
• 1.4 本論文的主要工作以及章節(jié)安排17-18
• 2 RS-SVM煤炭自燃預警模型理論基礎18-30
• 2.1 粗糙集理論基礎18-20
• 2.1.1 知識與不可分辨關系18-20
• 2.1.2 屬性約簡20
• 2.2 支持向量機理論基礎20-29
• 2.2.0 機器學習模型21-22
• 2.2.1 經(jīng)驗風險最小化原理22-23
• 2.2.2 學習過程的一致性23-24
• 2.2.3 VC維24
• 2.2.4 結構風險最小化原則24-25
• 2.2.5 線性支持向量機25-28
• 2.2.6 非線性支持向量機28-29
• 2.3 RS-SVM用于煤炭自燃預測系統(tǒng)的可行性分析29-30
• 3 火災預警系統(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)中的應用30-33
• 4 火災預警系統(tǒng)中支持向量機的參數(shù)選取33-39
• 4.1 支持向量機的參數(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 交叉驗證法35-36
• 4.4 參數(shù)選取算法的對比實驗36-39
• 5 基于RS-SVM的煤炭自燃預警算法實驗研究39-51
• 5.1 煤炭自燃發(fā)火的實驗研究39-48
• 5.1.1 實驗設備介紹39-41
• 5.1.2 實驗步驟41-42
• 5.1.3 實驗數(shù)據(jù)42-45
• 5.1.4 實驗數(shù)據(jù)分析45-47
• 5.1.5 實驗結論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比實驗49-50
• 5.3.1 決策分類依據(jù)49
• 5.3.2 對比實驗49-50
• 5.4 實驗結果分析50-51
• 結論51-52
• 參考文獻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】

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用[J];安徽農(nóng)業(yè)科學;2009年08期

2 胡英俊;鄒德蘊;朱丕凱;段偉;;基于BP神經(jīng)網(wǎng)絡的煤層自燃預測[J];安全與環(huán)境學報;2007年01期

3 顏志軍;張躍軍;;基于聚類分析的決策表約簡[J];北京理工大學學報;2006年03期

4 秦書玉,陳長華,李健;煤炭自燃早期預報的模糊聚類關聯(lián)分析法[J];遼寧工程技術大學學報;2003年03期

5 張兵;鄧衛(wèi);;基于支持向量機理論的經(jīng)濟圈交通網(wǎng)絡評價研究[J];公路;2012年06期

6 朱樹先;張仁杰;鄭剛;;混合核函數(shù)對支持向量機分類性能的改進[J];上海理工大學學報;2009年02期

7 鄭龍江;李鵬;秦瑞峰;楊俊明;;氣體濃度檢測光學技術的研究現(xiàn)狀和發(fā)展趨勢[J];激光與光電子學進展;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)識別系統(tǒng)[J];計算機工程;2010年10期

9 安金龍,王正歐;一種適合于增量學習的支持向量機的快速循環(huán)算法[J];計算機應用;2003年10期

10 譚冠政;劉關俊;;基于粒子群算法的移動機器人全局最優(yōu)路徑規(guī)劃[J];計算機應用研究;2007年11期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 陳曉坤;煤自燃多源信息融合預警研究[D];西安科技大學;2012年

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

，

本文編號：275943