基于SVM的煤與瓦斯突出危險性區(qū)域預(yù)測及防突技術(shù)研究.pdf

1、煤與瓦斯突出是一個受多種因素綜合影響的、復雜的非線性問題,用傳統(tǒng)方法對其進行預(yù)測有很大缺陷。隨著計算機技術(shù)和信息處理技術(shù)的快速發(fā)展,很多智能方法和技術(shù)也逐漸滲透到了類似于突出預(yù)測的一些問題中,其中支持向量機是一種基于統(tǒng)計學習理論的機器學習方法,主要用于解決小樣本、非線性、高維數(shù)、局部極小值等實際問題,并且具有良好的分類識別效果,已被廣泛應(yīng)用到眾多領(lǐng)域的模式識別和預(yù)測預(yù)報中。為此,本文提出以現(xiàn)場和實驗室檢測數(shù)據(jù)為基礎(chǔ),通過引入支持向量機建

2、立學習模型,實現(xiàn)突出危險性的分類預(yù)測。
　　由于突出影響因素眾多,不易區(qū)分突出發(fā)生的必要條件。因此,必須對原始數(shù)據(jù)進行預(yù)處理,以便獲得影響突出的關(guān)鍵因素。為了有效解決該問題,本文采用灰色關(guān)聯(lián)分析與熵權(quán)法結(jié)合的方法從原始樣本中提取關(guān)鍵的特征指標。
　　通過關(guān)鍵指標選取預(yù)測模型的訓練和測試樣本,并在此基礎(chǔ)上建立支持向量機預(yù)測模型,其中整個模型的訓練及測試過程在MATLAB平臺下完成,并調(diào)用了LIBSVM軟件包中的部分函數(shù)進行仿真

3、程序的設(shè)計。另外,本文從支持向量機自身核函數(shù)選型以及參數(shù)優(yōu)化的角度,對模型分類準確性的影響進行進一步研究,驗證基于徑向基(RBF)核函數(shù)更適合用于煤礦的突出分類預(yù)測。在此基礎(chǔ)上分別通過交叉驗證法和遺傳算法對支持向量機的懲罰參數(shù)C和核參數(shù)g進行尋優(yōu),證明遺傳算法能夠在兩個參數(shù)優(yōu)選的前提下取得更好的測試效果。
　　最后利用支持向量機的分類預(yù)測方法建立五陽煤礦南豐擴區(qū)76、78采區(qū)的區(qū)域危險性預(yù)測模型,測試結(jié)果與實際突出危險性情況相符。