基于SVM的煤與瓦斯突出危險性區域預測及防突技術研究.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,用傳統方法對其進行預測有很大缺陷。隨著計算機技術和信息處理技術的快速發展,很多智能方法和技術也逐漸滲透到了類似于突出預測的一些問題中,其中支持向量機是一種基于統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、局部極小值等實際問題,并且具有良好的分類識別效果,已被廣泛應用到眾多領域的模式識別和預測預報中。為此,本文提出以現場和實驗室檢測數據為基礎,通過引入支持向量機建

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

3、程序的設計。另外,本文從支持向量機自身核函數選型以及參數優化的角度,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)核函數更適合用于煤礦的突出分類預測。在此基礎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C和核參數g進行尋優,證明遺傳算法能夠在兩個參數優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測方法建立五陽煤礦南豐擴區76、78采區的區域危險性預測模型,測試結果與實際突出危險性情況相符。