支持向量机多分类预测技术研究 ——桑树坪煤矿煤与瓦斯突出预测

论文摘要

支持向量机是在统计学习理论基础上发展起来的一种新的非常有效的机器学习方法。由于其出色的学习性能,该技术已成为预测领域新的研究热点,其中支持向量机二类分类机的理论和实际应用研究相对成熟,而多分类的研究尚有待进一步深入。煤与瓦斯突出事故频发给人民生命财产带来巨大危害。煤与瓦斯突出过程是一个高度复杂过程,具有影响因素繁多、高度非线性等问题。本文采用支持向量机多分类预测方法对煤与瓦斯突出进行预测很有实际意义。本文通过大量阅读中外文献,了解了煤与瓦斯突出过程的特点;分析与突出关系密切的各个相关变量,同时对支持向量机基本理论知识、方法技术以及目前的研究领域、发展现状进行综述。在对支持向量机多项技术深入分析和比较后,确定适合突出的各项技术并进行理论说明;对基于支持向量机的几种多分类方法的性能进行研究和比较;探讨高斯径向基核函数的可分性与局部性,确定本文核函数;采用改进序列极小化方法进行特征选择,提高支持向量机在分类预测问题中的应用能力。本文建立了煤与瓦斯突出预测系统。根据研究区的自然地理情况,确定输入因子;选取合适的核函数和核参数;采用支持向量机一对多分类预测方法为煤与瓦斯突出预测建立模型,完成预测系统。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 支持向量机的发展及应用
• 1.2 煤与瓦斯突出预测研究意义
• 1.3 煤与瓦斯突出预测研究现状
• 1.4 论文主要工作及章节安排
• 2 支持向量机基本理论
• 2.1 概述
• 2.2 统计学习理论
• 2.2.1 机器学习问题
• 2.2.2 统计学习理论的基本概念
• 2.3 支持向量机分类
• 2.3.1 最优分类超平面
• 2.3.2 线性SVM
• 2.3.3 非线性SVM
• 2.4 支持向量机多类分类构造方法
• 2.4.1 “全局优化法
• 2.4.2 “一对多”方法
• 2.4.3 “一对一”方法
• 2.4.4 基于二叉树的多类分类方法
• 2.5 核函数
• 2.5.1 核函数理论及其基本性质
• 2.5.2 常用典型核函数
• 2.6 支持向量机与神经网络的比较
• 2.6.1 相似点
• 2.6.2 支持向量机的特点
• 2.7 本章小结
• 3 瓦斯突出因素分析
• 3.1 瓦斯突出机理
• 3.2 瓦斯突出类型
• 3.3 瓦斯突出一般规律
• 3.4 影响瓦斯突出的因素
• 3.4.1 围岩条件
• 3.4.2 煤层煤质特征
• 3.4.3 地质构造条件
• 3.4.4 煤体结构
• 3.4.5 煤层埋藏深度
• 3.4.6 其他因素
• 3.5 本章小结
• 4 研究区地质条件概述
• 4.1 矿井概况
• 4.1.1 位置与交通
• 4.1.2 地形地貌
• 4.2 煤系地层及煤层特征
• 4.2.1 煤系地层
• 4.2.2 煤层特征
• 4.3 研究区瓦斯的基本特征
• 4.4 煤与瓦斯突出类型及突出强度特征
• 4.5 煤与瓦斯突出与各种影响因素的关系
• 4.5.1 突出强度及瓦斯涌出量与开采深度的关系
• 4.5.2 突出强度及瓦斯涌出量与地质构造的关系
• 4.5.3 突出强度及瓦斯涌出量与突出预兆的关系
• 4.6 本章小结
• 5 基于支持向量机的煤与瓦斯突出预测的实现
• 5.1 构造支持向量机多分类预测模型
• 5.1.1 支持向量机多分类方法性能比较
• 5.1.2 构造一对多分类方法
• 5.2 核函数的选取
• 5.2.1 可分性
• 5.2.2 局部性
• 5.3 核函数参数的影响和选取
• 5.4 预测参数的选取
• 5.4.1 特征选取
• 5.4.2 数据规范化
• 5.4.3 参数选取
• 5.5 桑树坪煤矿煤与瓦斯突出预测及结果分析
• 5.5.1 煤与瓦斯突出预测结果
• 5.5.2 结果分析
• 5.6 本章小结
• 6 煤与瓦斯突出预测系统设计实现
• 6.1 可行性分析
• 6.2 需求分析
• 6.3 总体设计
• 6.4 详细设计
• 6.5 本章小结
• 7 结论
• 致谢
• 参考文献
• 附录 攻读硕士学位期间发表的论文