支持向量機在沖擊地壓預測模型中的應用研究.pdf

1、支持向量機（SVM）主要用于解決有限樣本學習問題，而且對數(shù)據(jù)的維數(shù)和多變性不敏感，具有較好的分類精度和泛化能力。SVM方法已經(jīng)被成功用于孤立的手寫體識別、文本分類、人臉識別等方面，并顯示了巨大的優(yōu)越性。支持向量機的主要應用是兩類問題的分類以及回歸，而現(xiàn)實中的許多問題都是多分類問題，如何將SVM擴展，構造性能良好的多值分類方法，一直是SVM研究的熱點。
　　沖擊地壓是一種復雜的非線性動力學現(xiàn)象，是煤礦開采等人工活動誘發(fā)的一種地質(zhì)災害

2、?，F(xiàn)在對于沖擊地壓的研究有許多的方法，如機制分析、現(xiàn)場試驗、聲發(fā)射、能量理論、強度理論、突變理論、分形理論等，但是由于沖擊地壓現(xiàn)象的復雜性，對它發(fā)生機制的認識還很難深入，因此采用傳統(tǒng)的數(shù)學、力學很難建立相應的預測模型。特別是現(xiàn)實中的沖擊地壓的數(shù)據(jù)還不是很多，那么如何在小樣本的情況下提取數(shù)據(jù)特征，以實現(xiàn)預測模型有較好的推廣能力，是一個重要的研究課題。本文采用統(tǒng)計學習理論中最成熟的支持向量機的方法來解決這類問題。
　　隨著計算機技術和

3、測試手段的提高，基于現(xiàn)場數(shù)據(jù)進行沖擊地壓研究有很好的應用前景，因此預測方法就顯得尤為重要。遺傳算法和微粒子群方法與支持向量機相結合，既能夠充分發(fā)揮支持向量機優(yōu)秀的推廣能力，又能夠發(fā)揮遺傳算法和微粒子群算法全局優(yōu)化性能。該方法既適用于處理小樣本，非線性等復雜問題，又避免了支持向量機參數(shù)確定困難的問題。
　　沖擊地壓危險程度分為3級：嚴重沖擊危險區(qū)，中等沖擊危險區(qū)，無沖擊危險區(qū)。所以研究多分類支持向量機對于預測沖擊地壓發(fā)生等級有著重要