煤與瓦斯突出預(yù)測SOM-SVM模型.pdf

1、煤炭生產(chǎn)是危險(xiǎn)性極高的采礦行業(yè),生產(chǎn)過程中時(shí)刻伴隨著瓦斯、透水、塌方等安全隱患,而煤與瓦斯突出是最嚴(yán)重、破壞性最大的安全事故之一,因此礦井需要投入大量的人力和物力開展相應(yīng)的防突工作。為了減少防突措施的盲目性和采取合理的防突措施,進(jìn)行煤與瓦斯突出預(yù)測方法的研究具有重要意義,旨在提高突出預(yù)測精度和預(yù)測效率,進(jìn)而為防突措施的實(shí)施提供更加科學(xué)的依據(jù)。
　　自組織特征映射網(wǎng)是模擬大腦神經(jīng)系統(tǒng)的自組織特征映射功能,通過學(xué)習(xí)可以提取一組數(shù)據(jù)中的

2、重要特征或某種內(nèi)在規(guī)律,按離散時(shí)間方式進(jìn)行分類,這種分類反映了樣本集的本質(zhì)區(qū)別,它是一種非監(jiān)督自組織學(xué)習(xí)。支持向量機(jī)是從統(tǒng)計(jì)學(xué)理論的基礎(chǔ)上發(fā)展起來的,它是一種有導(dǎo)師學(xué)習(xí)算法,它根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,盡量提高學(xué)習(xí)機(jī)的泛化能力,在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢。
　　非監(jiān)督學(xué)習(xí)算法的分類精度通常很難令人滿意,而有導(dǎo)師學(xué)習(xí)算法需要人工選取訓(xùn)練樣本,這些樣本直接影響著分類精度,并且對于大規(guī)模數(shù)據(jù)集,這種算法的

3、訓(xùn)練效率大大降低。因此,本文提出一種非監(jiān)督的SOM網(wǎng)和有導(dǎo)師學(xué)習(xí)的SVM相結(jié)合的SOM-SVM分類新模型,它不僅滿足了支持向量機(jī)對訓(xùn)練樣本規(guī)模的要求,又保證了分類的準(zhǔn)確率,本文嘗試將其應(yīng)用于煤與瓦斯突出預(yù)測中。
　　本文以煤與瓦斯突出機(jī)理及突出預(yù)測的概況為基礎(chǔ),首先了解了影響瓦斯突出的各種因素,并結(jié)合國內(nèi)外突出預(yù)測的研究現(xiàn)狀和研究成果,對現(xiàn)有分類方法進(jìn)行了對比和改進(jìn),由于煤與瓦斯突出預(yù)測問題是多分類問題,本文采用Matlab可視化