本文關(guān)鍵詞：基于優(yōu)化支持向量機(jī)的煤與瓦斯突出預(yù)測(cè)研究

  更多相關(guān)文章： 支持向量機(jī) 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(zāi)害之一,有較強(qiáng)的破壞性和突發(fā)性,它是受多種因素綜合作用的復(fù)雜的非線性問(wèn)題。支持向量機(jī)(SVM)具有較強(qiáng)的泛化能力,適用于解決非線性的小樣本問(wèn)題,它是以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)創(chuàng)建的一種新型機(jī)器學(xué)習(xí)方法。因此,本文利用支持向量機(jī)這些優(yōu)點(diǎn),提出了基于支持向量機(jī)的煤與瓦斯突出危險(xiǎn)分類預(yù)測(cè)模型。支持向量機(jī)的泛化能力和分類預(yù)測(cè)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(yù)測(cè)的支持向量機(jī)模型時(shí),采用灰色關(guān)聯(lián)分析法與熵權(quán)法結(jié)合的方法取影響瓦斯突出的主要因素,建立分類預(yù)測(cè)模型指標(biāo)體系。支持向量機(jī)參數(shù)選取視為組合優(yōu)化問(wèn)題,從而建立目標(biāo)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(jī)預(yù)測(cè)模型參數(shù)的優(yōu)化中,實(shí)現(xiàn)了參數(shù)自動(dòng)尋優(yōu)及選取。以生產(chǎn)礦井實(shí)測(cè)數(shù)據(jù)集作為訓(xùn)練樣本和檢驗(yàn)樣本用于本文建立的PSO-SVM、 GA-SVM瓦斯突出分類預(yù)測(cè)模型中,仿真結(jié)果表明,兩種優(yōu)化算法均能有效地選取支持向量機(jī)瓦斯突出分類預(yù)測(cè)模型參數(shù),與遺傳算法相比,粒子群參數(shù)尋優(yōu)操作過(guò)程相對(duì)簡(jiǎn)單,模型訓(xùn)練時(shí)間短、分類精度高,具有良好的推廣性能�；诹Ｗ尤簝�(yōu)化的支持向量機(jī)在煤與瓦斯突出危險(xiǎn)分類預(yù)測(cè)中的應(yīng)用對(duì)保證煤礦安全生產(chǎn)具有極其重要的意義。
【關(guān)鍵詞】：支持向量機(jī) 粒子群算法 遺傳算法 煤與瓦斯突出
【學(xué)位授予單位】：遼寧工程技術(shù)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：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(guó)內(nèi)外煤與瓦斯突出預(yù)測(cè)研究現(xiàn)狀12-16
• 1.4 研究?jī)?nèi)容與方法16-17
• 1.4.1 研究?jī)?nèi)容16
• 1.4.2 研究方法16-17
• 1.4.3 論文結(jié)構(gòu)17
• 1.5 技術(shù)路線17-19
• 2 煤與瓦斯突出機(jī)理及突出影響因素19-29
• 2.1 煤與瓦斯突出機(jī)理19-20
• 2.2 煤與瓦斯突出發(fā)生條件及發(fā)展過(guò)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(guò)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(zhì)條件23
• 2.4.2 煤體物理性質(zhì)23-24
• 2.4.3 煤層瓦斯參數(shù)24-25
• 2.5 基于灰色關(guān)聯(lián)分析突出預(yù)測(cè)指標(biāo)選取25-29
• 2.5.1 灰色關(guān)聯(lián)度分析26-27
• 2.5.2 灰色關(guān)聯(lián)度計(jì)算27-29
• 3 基于統(tǒng)計(jì)學(xué)理論的支持向量機(jī)29-41
• 3.1 統(tǒng)計(jì)學(xué)習(xí)理論29-33
• 3.1.1 經(jīng)驗(yàn)風(fēng)險(xiǎn)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(jié)構(gòu)風(fēng)險(xiǎn)最小化32-33
• 3.2 支持向量機(jī)33-41
• 3.2.1 支持向量機(jī)思想34-35
• 3.2.2 支持向量機(jī)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(duì)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(diǎn)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(diǎn)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(jī)在煤與瓦斯突出預(yù)測(cè)中的應(yīng)用53-62
• 5.1 突出危險(xiǎn)評(píng)定指標(biāo)測(cè)定53-57
• 5.1.1 瓦斯壓力測(cè)定53-55
• 5.1.2 堅(jiān)固系數(shù)測(cè)定55-56
• 5.1.3 瓦斯放散初速度測(cè)定56-57
• 5.2 基于SVM突出危險(xiǎn)性預(yù)測(cè)及結(jié)果分析57-60
• 5.2.1 煤與瓦斯突出樣本及危險(xiǎn)等級(jí)選取57-58
• 5.2.2 PSO-SVM預(yù)測(cè)模型58-59
• 5.2.3 GA-SVM預(yù)測(cè)模型59-60
• 5.2.4 結(jié)果分析60
• 5.3 工程應(yīng)用60-62
• 結(jié)論62-63
• 展望63-64
• 參考文獻(xiàn)64-67
• 作者簡(jiǎn)歷67-69
• 學(xué)位論文數(shù)據(jù)集69

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 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(yù)測(cè)模型研究[J];中國(guó)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(xiǎn)性預(yù)測(cè)[J];中國(guó)礦業(yè);2012年11期

3 王超;宋大釗;杜學(xué)勝;張振國(guó);朱棟;楊道偉;;煤與瓦斯突出預(yù)測(cè)的距離判別分析法及應(yīng)用[J];采礦與安全工程學(xué)報(bào);2009年04期

4 王延林;楊勝?gòu)?qiáng);歐曉英;;灰色關(guān)聯(lián)分析在煤與瓦斯突出預(yù)測(cè)中的應(yīng)用[J];煤炭技術(shù);2009年03期

5 田靖安;王亮;程遠(yuǎn)平;馬賢欽;李偉;沈鎮(zhèn)波;;煤層瓦斯壓力分布規(guī)律及預(yù)測(cè)方法[J];采礦與安全工程學(xué)報(bào);2008年04期

6 王繼仁;鄧存寶;鄧漢忠;;煤與瓦斯突出微觀機(jī)理研究[J];煤炭學(xué)報(bào);2008年02期

7 薛永存;盧萬(wàn)杰;付華;;灰色理論在煤與瓦斯突出的主控因素分析中的應(yīng)用[J];礦山機(jī)械;2007年12期

8 桂祥友;郁鐘銘;;基于灰色關(guān)聯(lián)分析的瓦斯突出危險(xiǎn)性風(fēng)險(xiǎn)評(píng)價(jià)[J];采礦與安全工程學(xué)報(bào);2006年04期

9 劉昭倫;;地質(zhì)構(gòu)造對(duì)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(guò)程輻射溫度場(chǎng)的研究[J];煤炭科學(xué)技術(shù);2006年02期

，

本文編號(hào)：689328