為了準確預測淮南礦區(qū)缺少觀測站的礦井工作面概率積分法參數(shù),基于灰色關聯(lián)分析與支持向量機原理建立了灰色關聯(lián)分析（GRA）-支持向量機（SVM）模型,利用MATLAB中的Libsvm工具箱對選取的26組淮南礦區(qū)主要礦井工作面觀測站數(shù)據(jù)進行訓練和預測,并用實測數(shù)據(jù)對模型進行測試。模型預測的最大相對誤差為5.52%,最大平均誤差百分率為3.67%,最小泛化性能值為0.7959。測試結果表明灰色關聯(lián)分析-支持向量機模型可以通過限制模型訓練過程中的權值和閾值范圍提高訓練效率,并且具有實際預測價值和較高的預測精度,能夠作為一種有效的概率積分法參數(shù)預測方法。 

【文章頁數(shù)】：5 頁

【文章目錄】：
0 引言
1 概率積分法參數(shù)與灰色關聯(lián)分析法
    1.1 概率積分法參數(shù)與地質采礦因素之間的關系
    1.2 灰色關聯(lián)分析法的原理
    1.3 概率積分法參數(shù)的灰色關聯(lián)分析
2 基于GRA與SVM的概率積分法參數(shù)預測模型
    2.1 支持向量機的原理
    2.2 模型的建立與求解
    2.2 模型訓練精度評定
3 模型測試
4 結束語


【參考文獻】：
期刊論文
[1]灰色關聯(lián)分析與BP神經(jīng)網(wǎng)絡的概率積分法參數(shù)預測[J]. 趙忠明,施天威,董偉,劉永良.  測繪科學. 2017(07)
[2]基于概率積分法的礦區(qū)地表沉陷預計分析[J]. 劉欣,吳昊,賈勇帥,魏超.  北京測繪. 2017(01)
[3]機器學習輔助下的概率積分法參數(shù)預計模型尋優(yōu)[J]. 沈震,徐良驥,劉瀟鵬,秦長才,王振兵.  測繪通報. 2016(10)
[4]基于支持向量機的遙感圖像分類研究綜述[J]. 王振武,孫佳駿,于忠義,卜異亞.  計算機科學. 2016(09)
[5]基于灰色支持向量機的地鐵沉降滾動預測[J]. 張育鋒,李圖南.  北京測繪. 2016(02)
[6]地表沉陷預計參數(shù)精度分析[J]. 劉偉韜,劉歡,陳志興,李媚.  測繪科學. 2016(08)
[7]厚松散層開采條件下覆巖運動與地表移動規(guī)律研究[J]. 徐良驥,王少華,馬榮振,朱楠.  測繪通報. 2015(10)
[8]基于Matlab的概率積分法開采沉陷預計參數(shù)解算[J]. 沈震,徐良驥,劉哲,秦長才.  金屬礦山. 2015(09)
[9]概率積分法預計參數(shù)反演方法研究進展[J]. 朱曉峻,郭廣禮,方齊.  金屬礦山. 2015(04)
[10]地表移動概率積分法計算參數(shù)的相關因素分析[J]. 李培現(xiàn),譚志祥,鄧喀中.  煤礦開采. 2011(06)

碩士論文
[1]基于灰色關聯(lián)分析的成本指標評價模型研究[D]. 王小煥.武漢理工大學 2014



本文編號：3719162