【摘要】：數(shù)據(jù)挖掘(Data Mining)是從大量的、不完全的、有噪聲的、模糊的、隨機的實際應用數(shù)據(jù)中,提取隱含在其中的、人們事先不知道的、但又是潛在有用的信息和知識的過程[1]。數(shù)據(jù)挖掘作為基于統(tǒng)計學習理論的新的學習技術,是近年來數(shù)據(jù)應用領域中相當熱門的研究課題之一,已成為統(tǒng)計學、機器學習等諸多領域的研究熱點,數(shù)據(jù)挖掘技術已成為大數(shù)據(jù)時代最熱門的技術。因此,近年來數(shù)據(jù)挖掘理論得到深入研究,并在建模、預測與控制等諸多領域得到了廣泛的應用。沖擊礦壓是引起煤礦微震的主要原因,是礦山井巷和采場周圍煤巖體由于變形能釋放而產生的以突然、急劇、猛烈的破壞為特征的動力現(xiàn)象[2]。即,井下煤巖體在開挖擾動下,應力重分布過程中煤巖體破裂會產生以彈性波形式突然釋放的變形能,震級一般小于3級。煤礦微震發(fā)生的實質是煤礦巖體的非線性以及非連續(xù)性破壞的過程[3][4],具有典型的非線性非連續(xù)特征,因此,煤礦微震過程的復雜性導致一般的線性模型無法有效的預測微震災害。本文運用數(shù)據(jù)挖掘技術去研究在高能量(JE4?10)情況下煤礦微震災害的預測問題。數(shù)據(jù)集為波蘭某煤礦每8小時監(jiān)測一次的能量和脈沖的實時數(shù)據(jù)[5][6],選自UCI機器學習數(shù)據(jù)庫中的seismic-bumps數(shù)據(jù)集。針對這些數(shù)據(jù),以機器學習法中的k最近鄰法、決策樹、adaboost分類、支持向量機和隨機森林為主,用五折交叉驗證的標準化均方誤差(NMSE)的大小來判斷各種機器學習法結果的可靠性,比較各種算法的NMSE值和對數(shù)據(jù)集的預測精度來分析各算法的優(yōu)劣性,并選出最適合的算法。采用R軟件對數(shù)據(jù)集進行處理[7-9],實現(xiàn)五折交叉驗證的NMSE和各機器算法建模分析的R語言編程。研究發(fā)現(xiàn)k最近鄰方法、決策樹、adaboost分類、支持向量機和隨機森林對處理高能量煤礦微震數(shù)據(jù)都具有較好的誤差容忍性,分類效果理想,其中隨機森林對多樣本、高維度的煤礦微震預測問題能很好的控制誤差,預測精度高。關于高能量情況下煤礦微震災害的預測問題,隨機森林效果最理想。本文的研究得出,高能量震動事件是煤礦微震發(fā)生的必要條件,數(shù)據(jù)挖掘運用于煤礦微震的監(jiān)測數(shù)據(jù)分析上是切實可行的,對煤礦微震監(jiān)測數(shù)據(jù)進行數(shù)據(jù)挖掘,分析各因素間潛在的聯(lián)系,找出煤礦微震的致災機理和發(fā)生的規(guī)律。本文所提出的煤礦微震預測模型對微震事件雖然不能全部做出準確的預報,有一定的漏報和誤報,但還是可以識別和預報出相當一部分煤礦微震事件,這為防震減災工作提供了參考,也為數(shù)據(jù)挖掘應用于煤礦微震災害預測提供了新思路。
[Abstract]:Data mining (Data Mining) is a process of extracting hidden, unknown, but potentially useful information and knowledge from a large number of, incomplete, noisy, fuzzy and random practical data. As a new learning technology based on statistical learning theory, data mining is one of the most popular research topics in the field of data application in recent years, and has become a hot research topic in many fields such as statistics, machine learning and so on. Data mining technology has become the most popular technology in big data era. Therefore, the theory of data mining has been deeply studied in recent years, and has been widely used in many fields such as modeling, prediction and control. Rock burst is the main cause of micro-earthquake in coal mine, and it is the dynamic phenomenon caused by sudden, sharp and violent destruction of coal and rock mass around mine roadway and stope due to the release of deformation energy [2]. That is to say under the disturbance of excavation the fracture of coal and rock mass in the process of stress redistribution will result in the sudden release of deformation energy in the form of elastic wave and the magnitude of the earthquake is generally less than 3. The essence of the occurrence of coal mine microearthquakes is the process of nonlinearity and discontinuity failure of rock mass in coal mine [3] [4], which has typical nonlinear discontinuous characteristics. Because of the complexity of microseismic process in coal mine, the general linear model can not effectively predict the microseismic disaster. In this paper, data mining technology is used to study the prediction of coal mine microseismic disaster under the condition of high energy (JE4?10). The data set is the real time data of energy and pulse monitored every 8 hours in a coal mine in Poland [5] [6], selected from the seismic-bumps data set in UCI machine learning database. For these data, the k nearest neighbor method of machine learning, decision tree adaboost classification, support vector machine and random forest are used to judge the reliability of the results of various machine learning methods with the magnitude of standardized mean square error (NMSE) of 50% discount cross-validation. By comparing the NMSE values of various algorithms and the prediction accuracy of data sets, the advantages and disadvantages of each algorithm are analyzed, and the most suitable algorithm is selected. The data set is processed by R software [7-9], and 50% discount cross-validation NMSE and R language programming for modeling and analysis of each machine algorithm are realized. It is found that k-nearest neighbor method, decision tree adaboost classification, support vector machine and random forest have good tolerance to deal with high-energy coal mine microseismic data, and the classification effect is ideal. The high dimensional micro-earthquake prediction problem can control the error well and the prediction accuracy is high. The stochastic forest effect is the most ideal for the prediction of coal mine microseismic disaster under high energy condition. In this paper, it is concluded that the high energy earthquake event is the necessary condition for the occurrence of the coal mine microearthquake, and it is feasible to apply data mining to the analysis of the monitoring data of the mine microearthquake, and the data mining for the monitoring data of the coal mine microearthquake is carried out. This paper analyzes the potential relationship among various factors and finds out the mechanism and occurrence law of coal mine microearthquakes. Although the prediction model proposed in this paper can not make accurate prediction of all micro-earthquake events, but it can still identify and predict a considerable number of micro-earthquake events in coal mines. It provides a reference for earthquake prevention and disaster reduction, and also provides a new idea for the application of data mining in the prediction of coal mine microseismic disaster.
【學位授予單位】：云南師范大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TD326;TP311.13

【相似文獻】

相關期刊論文 前10條

1 陳修寬;董祥軍;石芙芙;;Web數(shù)據(jù)挖掘綜述[J];山東輕工業(yè)學院學報(自然科學版);2009年03期

2 黃會明;王紅星;;SQL Server 2005在數(shù)據(jù)挖掘中的應用[J];煤炭技術;2011年06期

3 吳孝麗;周焱;;Microsoft SQL Server數(shù)據(jù)挖掘的高級研究[J];煤炭技術;2011年07期

4 糜元根;數(shù)據(jù)挖掘方法的評述[J];南京化工大學學報(自然科學版);2001年05期

5 李小平,焦李成;數(shù)據(jù)挖掘中信息顆粒及其構造[J];西安石油學院學報(自然科學版);2001年04期

6 秦忠寶,彭文利,何衛(wèi)平,陳偉東;網(wǎng)絡環(huán)境下數(shù)據(jù)挖掘若干問題的述評[J];西北輕工業(yè)學院學報;2002年02期

7 葉克江,陳廣宇;數(shù)據(jù)挖掘的實現(xiàn)方法及其應用[J];鄭州輕工業(yè)學院學報;2002年03期

8 高磊紅,駱舒心,仇記清,雷和穩(wěn),段惠敏;一類復雜工業(yè)生產過程中的數(shù)據(jù)挖掘[J];河北化工;2003年06期

9 喬淑云;數(shù)據(jù)挖掘[J];江蘇煤炭;2003年04期

10 譚立云,高學東,武森;數(shù)據(jù)挖掘方法與應用[J];華北科技學院學報;2004年02期

相關會議論文 前10條

1 史東輝;蔡慶生;張春陽;;一種新的數(shù)據(jù)挖掘多策略方法研究[A];第十七屆全國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2000年

2 張弦;;數(shù)據(jù)挖掘在農業(yè)中的應用[A];紀念中國農業(yè)工程學會成立30周年暨中國農業(yè)工程學會2009年學術年會（CSAE 2009）論文集[C];2009年

3 魏順平;;教育數(shù)據(jù)挖掘:現(xiàn)狀與趨勢[A];信息化、工業(yè)化融合與服務創(chuàng)新——第十三屆計算機模擬與信息技術學術會議論文集[C];2011年

4 關清平;沉培輝;;概率網(wǎng)絡在數(shù)據(jù)挖掘上的應用[A];科技、工程與經濟社會協(xié)調發(fā)展——中國科協(xié)第五屆青年學術年會論文集[C];2004年

5 丁瑾;;基于Web數(shù)據(jù)挖掘的綜述[A];山西省科學技術情報學會學術年會論文集[C];2004年

6 聶茹;田森平;;Web數(shù)據(jù)挖掘及其在電子商務中的應用[A];中南六�。▍^(qū)）自動化學會第24屆學術年會會議論文集[C];2006年

7 李菊;王軍;;數(shù)據(jù)挖掘在客戶關系管理的應用[A];計算機技術與應用進展·2007——全國第18屆計算機技術與應用（CACIS）學術會議論文集[C];2007年

8 肖陽;李啟賢;;數(shù)據(jù)挖掘在中國鋼鐵行業(yè)中的應用[A];中國計量協(xié)會冶金分會2012年會暨能源計量與節(jié)能降耗經驗交流會論文集[C];2012年

9 楊磊;王貴成;汪勇;張占勝;;SQL Server 2005在數(shù)據(jù)挖掘中的應用[A];2009年中國智能自動化會議論文集（第二分冊）[C];2009年

10 謝中;邱玉輝;;面向商務網(wǎng)站有效性的數(shù)據(jù)挖掘方法[A];第十八屆全國數(shù)據(jù)庫學術會議論文集（技術報告篇）[C];2001年

相關重要報紙文章 前10條

1 本報記者褚寧;數(shù)據(jù)挖掘如“挖金”[N];解放日報;2002年

2 周蓉蓉;數(shù)據(jù)挖掘需要點想像力[N];計算機世界;2004年

3 □中國電信股份有限公司北京研究院 張舒博 □北京郵電大學計算機科學與技術學院 牛琨;走出數(shù)據(jù)挖掘的誤區(qū)[N];人民郵電;2006年

4 《網(wǎng)絡世界》記者 王瑩;數(shù)據(jù)挖掘保險業(yè)的新藍海[N];網(wǎng)絡世界;2012年

5 劉俊麗;基于地理化的網(wǎng)絡數(shù)據(jù)挖掘與分析提升投資有效性[N];人民郵電;2014年

6 本報記者 連曉東;數(shù)據(jù)挖掘：金融信息化新熱點[N];中國電子報;2002年

7 本報記者 鳳小華 朱仁康;“數(shù)字挖掘軟件”引領中國信息化新浪潮[N];中國電子報;2003年

8 本報記者　史延廷;“成功企業(yè)數(shù)據(jù)挖掘暨數(shù)量化管理論壇”在京舉辦[N];中國旅游報;2002年

9 朱小寧;數(shù)據(jù)挖掘：信息化戰(zhàn)爭的基礎工程[N];解放軍報;2005年

10 本報記者 王小平;從“大集中”走向數(shù)據(jù)挖掘[N];金融時報;2002年

相關博士學位論文 前10條

1 于自強;海量流數(shù)據(jù)挖掘相關問題研究[D];山東大學;2015年

2 張馨;全基因組SNP芯片應用于CNV和L0H分析的軟件比對與數(shù)據(jù)挖掘[D];復旦大學;2011年

3 彭計紅;基于數(shù)據(jù)挖掘的癡呆中醫(yī)證的研究[D];南京中醫(yī)藥大學;2015年

4 李秋虹;基于MapReduce的大規(guī)模數(shù)據(jù)挖掘技術研究[D];復旦大學;2013年

5 李榮;生物信息數(shù)據(jù)挖掘若干關鍵問題研究與應用[D];復旦大學;2004年

6 李玉華;面向服務的數(shù)據(jù)挖掘關鍵技術研究[D];華中科技大學;2006年

7 吳少智;時間序列數(shù)據(jù)挖掘在生物醫(yī)學中的應用研究[D];電子科技大學;2010年

8 王珊珊;知識指導下的數(shù)據(jù)挖掘在新聞和金融工具之間因果關系上的應用[D];中國科學技術大學;2009年

9 楊虎;序列數(shù)據(jù)挖掘的模型和算法研究[D];重慶大學;2003年

10 陳平;數(shù)據(jù)挖掘網(wǎng)格若干關鍵技術研究[D];北京郵電大學;2007年

相關碩士學位論文 前10條

1 林仁紅;基于數(shù)據(jù)挖掘的機遇識別與評價研究[D];首都經濟貿易大學;2007年

2 張彥俊;游戲運營中的數(shù)據(jù)挖掘[D];復旦大學;2011年

3 焦亞召;基于多核函數(shù)FCM算法在數(shù)據(jù)挖掘聚類中的應用研究[D];昆明理工大學;2015年

4 王杰鋒;物聯(lián)網(wǎng)能耗數(shù)據(jù)智能分析及其應用平臺設計[D];江南大學;2015年

5 劉學建;數(shù)據(jù)挖掘在電子商務推薦系統(tǒng)中的應用研究[D];昆明理工大學;2015年

6 戴陽陽;基于數(shù)據(jù)挖掘的金融時間序列預測研究與應用[D];江南大學;2015年

7 石思優(yōu);基于主題模型的醫(yī)療數(shù)據(jù)挖掘研究[D];廣東技術師范學院;2015年

8 陳丹;移動互聯(lián)網(wǎng)信令挖掘實現(xiàn)智慧營銷的設計與實現(xiàn)應用研究[D];華南理工大學;2015年

9 陳思;基于數(shù)據(jù)挖掘的大學生客戶識別模型的研究[D];昆明理工大學;2015年

10 位長帥;基于客戶數(shù)據(jù)挖掘的電信客戶關系管理研究[D];西南交通大學;2015年

，

本文編號：2233064