發(fā)布時間：2020-04-30 08:56

【摘要】：瓦斯災(zāi)害嚴重威脅著煤礦生產(chǎn)安全,為了在瓦斯災(zāi)害防治中避免盲目性,做到有預(yù)見性,煤礦瓦斯災(zāi)害預(yù)測技術(shù)成為煤礦安全領(lǐng)域的研究重點。但是,現(xiàn)有瓦斯災(zāi)害預(yù)測技術(shù)不能很好的滿足實際應(yīng)用需求。為了提高瓦斯災(zāi)害預(yù)測技術(shù)的實用性,論文對煤礦瓦斯災(zāi)害危險性辨識方法展開深入研究,主要研究內(nèi)容如下:(1)針對煤礦監(jiān)測數(shù)據(jù)維度高的問題,研究了基于數(shù)據(jù)降維的集成分類模型(Ensemble Classification Model Based on Data Dimensionality Reduction,ECM-DDR)。該模型首先采用主成分分析、局部線性嵌入、核化線性降維、等度量映射和多維縮放降維方法對數(shù)據(jù)進行降維;然后,在五種降維方法產(chǎn)生的數(shù)據(jù)集上構(gòu)建集成分類模型;最后,選擇最優(yōu)的模型進行瓦斯災(zāi)害危險性辨識。實驗結(jié)果表明:ECM-DDR的運行時間較少,且基于局部線性嵌入的集成分類模型的準(zhǔn)確率比未降維的集成分類模型提高了 1.78%。(2)針對傳統(tǒng)降維方法在瓦斯災(zāi)害危險性識別精度提升中的不足,提出了基于相關(guān)性分析的選擇性集成回歸學(xué)習(xí)模型(Correlation Analysis-Selective Ensemble Regression Learning,CA-SERL)。該模型首先通過分析瓦斯?jié)舛扰c樣本屬性的相關(guān)性,實現(xiàn)屬性約簡;然后,對基學(xué)習(xí)器進行建模,并采用優(yōu)化前序選擇方法建立選擇性集成回歸學(xué)習(xí)模型;最后,將模型用于瓦斯災(zāi)害危險性辨識。實驗結(jié)果表明:CA-SERL模型對瓦斯災(zāi)害危險性的識別率比未進行相關(guān)性分析的四個單學(xué)習(xí)器平均提高了 15.12%,比未進行相關(guān)性分析的選擇性集成回歸學(xué)習(xí)模型提高了 4.11%。(3)為了進一步提高瓦斯災(zāi)害危險性辨識的性能,提出了基于聚類與組合適宜度(Cluster Selection and New Degree of Combination Fitness,CS-NDCF)的選擇性集成分類模型。CS-NDCF方法首先采用聚類算法對基分類器進行第一次篩選;然后,將聚類選擇的分類器結(jié)果集作為組合適宜度方法的輸入,對基分類器進行第二次篩選,得到基分類器結(jié)果集;最后,利用基分類器結(jié)果集構(gòu)建選擇性集成分類模型。實驗結(jié)果表明:CS-NDCF選擇策略對分類器的搜索效率較高,并且提高了選擇性集成分類模型的分類性能。
【圖文】：

(),,()) ((),(),,()) 12212222iiililHhCyCyCyHhCyCyCy (2其中，iH 為基于不同降維方法的集成分類模型。集成分類模型的數(shù)目與數(shù)據(jù)降維法的數(shù)目相對應(yīng)，均為 m。采用選擇規(guī)則 g (x)從 m 個集成分類模型中選擇一個分類性最好的模型，作為最優(yōu)的模型。最優(yōu)集成分類模型的選擇如公式(2.4)所示。) ,, , (o1 2iH gHH H(2其中，oH 表示基于數(shù)據(jù)降維方法的分類模型中分類性能最好的集成分類模型。(2) 模型框架模型框架圖如圖 2.1 所示�；跀�(shù)據(jù)降維的集成分類模型總共分為四層。第一層數(shù)據(jù)降維層，分別采用不同的降維方法對原始數(shù)據(jù)進行降維處理。第二層是基分類器模層，在不同降維方法產(chǎn)生的數(shù)據(jù)集上訓(xùn)練基分類器。第三層是集成分類模型構(gòu)建層采用投票法將基分類器集合中的分類器模型組合，建立基于數(shù)據(jù)降維的集成分類模型第四層是決策層，，對比不同降維方法下的集成分類模型的分類結(jié)果，決策出最優(yōu)的集分類模型。

(1) 數(shù)據(jù)降維方法的比較降維后保留的特征數(shù)目 n 會對數(shù)據(jù)降維方法的降維效果產(chǎn)生影響。當(dāng)特征數(shù)取不同值時，五種降維方法下的集成分類模型的分類準(zhǔn)確率變化趨勢如圖 2.2 所示。圖 2.2 ECM-DDR 模型的分類準(zhǔn)確率變化趨勢從圖 2.2 可以看出，基于數(shù)據(jù)降維的集成分類模型的分類精度與降維時保留的特征數(shù) n 呈正相關(guān)。另外，還可以看出，當(dāng) n=4 時，基于數(shù)據(jù)降維方法的集成分類效果要優(yōu)于特征數(shù)目為 2 和 3 的分類結(jié)果。因此，在構(gòu)建基于數(shù)據(jù)降維的集成分類模型時，選擇保留 4 個數(shù)據(jù)特征。另外，從圖 2.2 還可以看出，當(dāng)特征數(shù)目取值為 4 時，基于局部線
【學(xué)位授予單位】：西安科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TD713;TP181

【參考文獻】

相關(guān)期刊論文 前10條

1 楊守國;李樹剛;李正祿;;數(shù)據(jù)融合在煤礦監(jiān)測時序數(shù)據(jù)處理中的應(yīng)用[J];煤礦現(xiàn)代化;2015年06期

2 董丁穩(wěn);屈世甲;王紅剛;;礦井瓦斯監(jiān)測數(shù)據(jù)特征分析及預(yù)處理[J];工礦自動化;2015年09期

3 董丁穩(wěn);屈世甲;王紅;;基于多測點關(guān)聯(lián)分析的工作面瓦斯?jié)舛葘崟r預(yù)警[J];中國安全科學(xué)學(xué)報;2015年01期

4 呂坤坤;呂品;張文慶;;基于灰色GM(2,1)模型的工作面瓦斯涌出量預(yù)測[J];煤炭技術(shù);2014年08期

5 付華;謝森;徐耀松;陳子春;;基于ACC-ENN算法的煤礦瓦斯涌出量動態(tài)預(yù)測模型研究[J];煤炭學(xué)報;2014年07期

6 李潤求;施式亮;念其鋒;朱紅萍;朱川曲;;基于PSO-SVM的煤礦瓦斯爆炸災(zāi)害風(fēng)險模式識別[J];中國安全科學(xué)學(xué)報;2013年05期

7 戴洪磊;韓李濤;陳傳法;;基于擬牛頓優(yōu)化算法BP神經(jīng)網(wǎng)絡(luò)的瓦斯災(zāi)害預(yù)測模型[J];煤礦安全;2012年10期

8 張春霞;張講社;;選擇性集成學(xué)習(xí)算法綜述[J];計算機學(xué)報;2011年08期

9 牛鵬;魏維;李峻金;郭建國;;一種分類器選擇方法[J];計算機工程;2010年14期

10 張淑玲;崔洪慶;劉國興;馮文麗;;灰色關(guān)聯(lián)理論在礦井瓦斯涌出災(zāi)害預(yù)測中的應(yīng)用[J];煤炭技術(shù);2008年03期

相關(guān)博士學(xué)位論文 前2條

1 鄭歡;中國煤炭產(chǎn)量峰值與煤炭資源可持續(xù)利用問題研究[D];西南財經(jīng)大學(xué);2014年

2 付華;煤礦瓦斯災(zāi)害特征提取與信息融合技術(shù)研究[D];遼寧工程技術(shù)大學(xué);2006年

相關(guān)碩士學(xué)位論文 前3條

1 劉柁;基于鏈路預(yù)測的煤礦瓦斯災(zāi)害網(wǎng)絡(luò)研究[D];西安科技大學(xué);2016年

2 張濤濤;基于SVM模型的瓦斯爆炸災(zāi)害風(fēng)險評價研究[D];太原理工大學(xué);2014年

3 韓彥霞;基于選擇策略的集成學(xué)習(xí)方法研究[D];河北大學(xué);2011年

本文編號：2645601