本文關鍵詞：基于優(yōu)化支持向量機的煤與瓦斯突出預測研究

  更多相關文章： 支持向量機 粒子群算法 遺傳算法 煤與瓦斯突出

【摘要】：煤與瓦斯突出是煤礦自然災害之一,有較強的破壞性和突發(fā)性,它是受多種因素綜合作用的復雜的非線性問題。支持向量機(SVM)具有較強的泛化能力,適用于解決非線性的小樣本問題,它是以統(tǒng)計學習理論為基礎創(chuàng)建的一種新型機器學習方法。因此,本文利用支持向量機這些優(yōu)點,提出了基于支持向量機的煤與瓦斯突出危險分類預測模型。支持向量機的泛化能力和分類預測精度受懲罰參數(shù)C和核函數(shù)參數(shù)δ影響。在建立瓦斯突出預測的支持向量機模型時,采用灰色關聯(lián)分析法與熵權法結合的方法取影響瓦斯突出的主要因素,建立分類預測模型指標體系。支持向量機參數(shù)選取視為組合優(yōu)化問題,從而建立目標函數(shù),并將粒子群優(yōu)化算法(PSO)、遺傳算法(GA)分別用于支持向量機預測模型參數(shù)的優(yōu)化中,實現(xiàn)了參數(shù)自動尋優(yōu)及選取。以生產礦井實測數(shù)據(jù)集作為訓練樣本和檢驗樣本用于本文建立的PSO-SVM、 GA-SVM瓦斯突出分類預測模型中,仿真結果表明,兩種優(yōu)化算法均能有效地選取支持向量機瓦斯突出分類預測模型參數(shù),與遺傳算法相比,粒子群參數(shù)尋優(yōu)操作過程相對簡單,模型訓練時間短、分類精度高,具有良好的推廣性能。基于粒子群優(yōu)化的支持向量機在煤與瓦斯突出危險分類預測中的應用對保證煤礦安全生產具有極其重要的意義。
【關鍵詞】：支持向量機 粒子群算法 遺傳算法 煤與瓦斯突出
【學位授予單位】：遼寧工程技術大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TD713;TP18
【目錄】：

• 致謝4-5
• 摘要5-6
• Abstract6-10
• 1 緒論10-19
• 1.1 研究背景10-11
• 1.2 研究目的及意義11-12
• 1.3 國內外煤與瓦斯突出預測研究現(xiàn)狀12-16
• 1.4 研究內容與方法16-17
• 1.4.1 研究內容16
• 1.4.2 研究方法16-17
• 1.4.3 論文結構17
• 1.5 技術路線17-19
• 2 煤與瓦斯突出機理及突出影響因素19-29
• 2.1 煤與瓦斯突出機理19-20
• 2.2 煤與瓦斯突出發(fā)生條件及發(fā)展過程20-22
• 2.2.1 煤與瓦斯突出發(fā)生的條件20-21
• 2.2.2 煤與瓦斯突出的發(fā)展過程21-22
• 2.3 煤與瓦斯突出的一般規(guī)律22
• 2.4 煤與瓦斯突出影響因素分析22-25
• 2.4.1 地質條件23
• 2.4.2 煤體物理性質23-24
• 2.4.3 煤層瓦斯參數(shù)24-25
• 2.5 基于灰色關聯(lián)分析突出預測指標選取25-29
• 2.5.1 灰色關聯(lián)度分析26-27
• 2.5.2 灰色關聯(lián)度計算27-29
• 3 基于統(tǒng)計學理論的支持向量機29-41
• 3.1 統(tǒng)計學習理論29-33
• 3.1.1 經驗風險29-30
• 3.1.2 VC維理論30-31
• 3.1.3 推廣性的界31-32
• 3.1.4 結構風險最小化32-33
• 3.2 支持向量機33-41
• 3.2.1 支持向量機思想34-35
• 3.2.2 支持向量機原理35-37
• 3.2.3 SVM模型建立37-39
• 3.2.4 SVM核函數(shù)選擇39
• 3.2.5 參數(shù)對SVM性能影響39-41
• 4 SVM參數(shù)優(yōu)化算法41-53
• 4.1 粒子群優(yōu)化算法41-45
• 4.1.1 粒子群算法原理41-43
• 4.1.2 粒子群算法操作43-44
• 4.1.3 粒子群算法特點44
• 4.1.4 PSO-SVM模型44-45
• 4.2 遺傳優(yōu)化算法45-51
• 4.2.1 遺傳算法原理45-48
• 4.2.2 遺傳算法操作48-49
• 4.2.3 遺傳算法特點49-50
• 4.2.4 GA-SVM模型50-51
• 4.3 粒子群算法與遺傳算法分析比較51-53
• 5 支持向量機在煤與瓦斯突出預測中的應用53-62
• 5.1 突出危險評定指標測定53-57
• 5.1.1 瓦斯壓力測定53-55
• 5.1.2 堅固系數(shù)測定55-56
• 5.1.3 瓦斯放散初速度測定56-57
• 5.2 基于SVM突出危險性預測及結果分析57-60
• 5.2.1 煤與瓦斯突出樣本及危險等級選取57-58
• 5.2.2 PSO-SVM預測模型58-59
• 5.2.3 GA-SVM預測模型59-60
• 5.2.4 結果分析60
• 5.3 工程應用60-62
• 結論62-63
• 展望63-64
• 參考文獻64-67
• 作者簡歷67-69
• 學位論文數(shù)據(jù)集69

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 曲方;安文超;李迎業(yè);李忠群;;基于GRA-SVM方法的煤與瓦斯突出預測模型研究[J];中國煤炭;2012年11期

2 楊明顯;張旭;譚顯龍;;石壕煤礦煤與瓦斯突出因素分析及區(qū)域危險性預測[J];中國礦業(yè);2012年11期

3 王超;宋大釗;杜學勝;張振國;朱棟;楊道偉;;煤與瓦斯突出預測的距離判別分析法及應用[J];采礦與安全工程學報;2009年04期

4 王延林;楊勝強;歐曉英;;灰色關聯(lián)分析在煤與瓦斯突出預測中的應用[J];煤炭技術;2009年03期

5 田靖安;王亮;程遠平;馬賢欽;李偉;沈鎮(zhèn)波;;煤層瓦斯壓力分布規(guī)律及預測方法[J];采礦與安全工程學報;2008年04期

6 王繼仁;鄧存寶;鄧漢忠;;煤與瓦斯突出微觀機理研究[J];煤炭學報;2008年02期

7 薛永存;盧萬杰;付華;;灰色理論在煤與瓦斯突出的主控因素分析中的應用[J];礦山機械;2007年12期

8 桂祥友;郁鐘銘;;基于灰色關聯(lián)分析的瓦斯突出危險性風險評價[J];采礦與安全工程學報;2006年04期

9 劉昭倫;;地質構造對煤與瓦斯突出的控制作用[J];科技資訊;2006年08期

10 鐘曉暉;朱令起;郭立穩(wěn);勾昱君;;煤體破裂過程輻射溫度場的研究[J];煤炭科學技術;2006年02期

，

本文編號：689328