本文分析了煤與瓦斯突出機理和影響因素，在利用煤礦瓦斯監(jiān)控系統(tǒng)監(jiān)測的瓦斯?jié)舛葦?shù)據(jù)信息的基礎上，把支持向量機方法應用于煤與瓦斯突出的預測中，為解決礦井瓦斯突出預測問題提供了一條新途徑。 本文主要進行以下工作：首先對煤與瓦斯突出監(jiān)測瓦斯?jié)舛刃蛄械臅r域特征向量、頻域特征向量和小波域特征向量進行特征提取與選擇分析。提出了基于差分進化算法的特征選擇方法。之后，選取合適的核函數(shù)，構建了煤與瓦斯突出預測的最小二乘支持向量回歸機（LS-SVR）模型，同樣利用差分進化算法進行核參數(shù)尋優(yōu)，來提高參數(shù)搜素速度和提高預測模型的性能。通過與其他預測算法比較預測，結果表明：煤與瓦斯突出的LS-SVR模型解決了小樣本、非線性、高維數(shù)、局部極小值等實際問題。最后設計了煤與瓦斯突出預測系統(tǒng)，實現(xiàn)連續(xù)非接觸式地煤與瓦斯突出預測，預測結果與實際相吻合，具有重大的現(xiàn)實意義。

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
Abstract
1 緒論
    1.1 問題的提出
    1.2 本文研究的目的和意義
    1.3 國內(nèi)外研究動態(tài)和趨勢
        1.3.1 煤與瓦斯突出機理的研究概況
        1.3.2 國內(nèi)外基于數(shù)學模型的煤與瓦斯突出預測技術現(xiàn)狀
    1.4 煤與瓦斯突出工作面預測技術的發(fā)展狀況
        1.4.1 區(qū)域預測指標
        1.4.2 工作面煤與瓦斯突出預測
    1.5 模式識別方法綜述[17]
    1.6 研究內(nèi)容
2 基于支持向量機的煤與瓦斯突出預測
    2.1 支持向量機的基本思想
        2.1.1 最優(yōu)超平面
        2.1.2 支持向量機分類
    2.2 核函數(shù)
        2.2.1 核函數(shù)特征空間
        2.2.2 核函數(shù)構造方法
    2.3 最小二乘支持向量回歸機
        2.3.1 支持向量機回歸
        2.3.2 最小二乘支持向量回歸機
3 特征選擇與提取
    3.1 概述
    3.2 煤與瓦斯突出支持向量機識別的類別可分離性判據(jù)
    3.3 瓦斯?jié)舛葘崟r監(jiān)測序列信息的特征提取
        3.3.1 監(jiān)控信號的時域特征
        3.3.2 監(jiān)測信號的頻域特征
        3.3.3 小波域的特征計算
    3.4 瓦斯?jié)舛葘崟r監(jiān)測序列信息的特征選擇
        3.4.1 特征選擇定義
        3.4.2 特征選擇和學習算法的相互作用
    3.5 基于差分進化算法的特征選擇
        3.5.1 差分進化計算的基本原理
        3.5.2 二進制差分進化算法
        3.5.3 求解步驟
4 基于 LS-SVR 模型煤與瓦斯突出預測結果分析與比較
    4.1 基于 LS-SVR 模型煤與瓦斯突出預測
        4.1.1 最小二乘支持向量回歸機訓練參數(shù)選擇
        4.1.2 基于 LS-SVR 的煤與瓦斯突出預測模型訓練
    4.2 LS-SVR 在常規(guī)煤與瓦突出識別中的應用與算法比較
        4.2.1 基于 LS-SVR 常規(guī)煤與瓦突出預測
        4.2.2 與神經(jīng)網(wǎng)絡方法對比
        4.2.3 支持向量機與其它瓦斯突出評價方法的比較
5 基于 LS-SVR 模型的煤與瓦斯突出預測系統(tǒng)
    5.1 概述
    5.2 系統(tǒng)的功能需求
    5.3 基于 LS-SVR 模型煤與瓦斯突出預測系統(tǒng)設計
        5.3.1 系統(tǒng)總體設計
        5.3.2 數(shù)據(jù)傳輸模塊
        5.3.3 LS-SVR 模型預測煤與瓦斯突出模塊
        5.3.4 顯示儲存預報結果模塊
結論
參考文獻
作者簡歷
學位論文數(shù)據(jù)集



本文編號：3785685