近年來(lái)，煤礦瓦斯安全生產(chǎn)事故頻發(fā)，特別是隨著開采深度的加大導(dǎo)致開采條件更趨復(fù)雜，瓦斯災(zāi)害的威脅越加嚴(yán)重，煤礦瓦斯安全生產(chǎn)事故已然成為煤炭行業(yè)可持續(xù)發(fā)展的制約因素，現(xiàn)有的安全技術(shù)基礎(chǔ)及管理已難以適應(yīng)當(dāng)前煤礦安全高效生產(chǎn)的迫切需求。因此，如何減少和防止瓦斯安全事故的發(fā)生，科學(xué)、系統(tǒng)地查除礦井瓦斯事故隱患和開展礦井瓦斯危險(xiǎn)性的演化機(jī)制分析及預(yù)測(cè)，擺脫瓦斯事故帶來(lái)的不利安全局面，是值得深入研究的課題。論文以國(guó)家自然科學(xué)基金為依托，以煤礦具體項(xiàng)目為實(shí)際應(yīng)用背景，對(duì)半監(jiān)督學(xué)習(xí)算法及其在煤礦瓦斯安全信息處理中的應(yīng)用進(jìn)行了深入研究。本文研究工作主要包括以下四個(gè)方面： 1.針對(duì)煤礦瓦斯安全數(shù)據(jù)的高維特性導(dǎo)致智能算法效率低下的問(wèn)題，提出了一個(gè)基于圖的無(wú)參數(shù)維數(shù)約減算法。首先，給出了一種新的邊界點(diǎn)定義方法，在所有非邊界點(diǎn)和離他們各自最遠(yuǎn)的同類點(diǎn)上建立內(nèi)在圖，同時(shí)在所有邊界點(diǎn)及它們各自的最近鄰異類點(diǎn)上建立了懲罰圖。通過(guò)一個(gè)新的判別準(zhǔn)則將問(wèn)題轉(zhuǎn)化為一個(gè)廣義特征分解問(wèn)題，通過(guò)求解得到從原始空間到低維空間的一個(gè)顯式映射。該算法避免了傳統(tǒng)基于圖的維數(shù)約減算法中近鄰參數(shù)的選擇，實(shí)驗(yàn)表明在降低了復(fù)雜度的同時(shí)，該算法仍能保...

【文章頁(yè)數(shù)】：123 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖1-1基于聚類假設(shè)的半監(jiān)督學(xué)習(xí)Figure1-1Clusterassumptionbasedsemi-supervisedlearning

聚類假設(shè)是指處在相同聚類中的樣本有較大的可能擁有相同的標(biāo)記。根據(jù)該假設(shè)，決策邊界就應(yīng)該盡量通過(guò)數(shù)據(jù)較為稀疏的地方，從而避免把稠密的聚類中的數(shù)據(jù)點(diǎn)分到?jīng)Q策邊界兩側(cè)。圖1-1給出了聚類假設(shè)下的半監(jiān)督學(xué)習(xí)方式。在這一假設(shè)下，大量未標(biāo)記樣本的作用就是幫助探明樣本空間中數(shù)據(jù)分布的稠密和稀疏....

圖1-2基于流形假設(shè)的半監(jiān)督學(xué)習(xí)Figure1-2Manifoldassumptionbasedsemi-supervisedlearning

Figure1-2Manifoldassumptionbasedsemi-supervisedlearning流形假設(shè)是指處于一個(gè)很小的局部鄰域內(nèi)的樣本具有相似的性質(zhì)，因此，其標(biāo)記也應(yīng)該相似。圖1-2給出了流形假設(shè)下的半監(jiān)督學(xué)習(xí)方式。這一假設(shè)反映了決策函數(shù)的局部平滑性....

圖2-2a中給出的是PCA的基本原理圖，箭頭所指的方向是數(shù)據(jù)集方差最大的

箭頭所指的方向是數(shù)到的是第一主成分。著名的特征域所提出的方法，圖2-2b給出了(b)Eig及基于Eigenface的維數(shù)約減效果

圖2-2PCA原理及基于Eigenface的維數(shù)約減效果

博士學(xué)位論文（2-4）是由對(duì)應(yīng)的的特征值構(gòu)成的對(duì)角矩陣，。主成分變換得到：（2-5）選擇方差最大的個(gè)分量，得到數(shù)據(jù)進(jìn)行維數(shù)約減后的結(jié)果：（2-6）其中是最大的個(gè)特征值對(duì)應(yīng)的特征向量，為降維結(jié)果。圖2-2a中給出的是PCA的基本原理圖，箭頭所指的方向是數(shù)據(jù)集方差最大的方....

本文編號(hào)：3937910