煤與瓦斯突出預測SOM-SVM模型.pdf_第1頁
已閱讀1頁,還剩56頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、煤炭生產是危險性極高的采礦行業(yè),生產過程中時刻伴隨著瓦斯、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,進行煤與瓦斯突出預測方法的研究具有重要意義,旨在提高突出預測精度和預測效率,進而為防突措施的實施提供更加科學的依據(jù)。
  自組織特征映射網是模擬大腦神經系統(tǒng)的自組織特征映射功能,通過學習可以提取一組數(shù)據(jù)中的

2、重要特征或某種內在規(guī)律,按離散時間方式進行分類,這種分類反映了樣本集的本質區(qū)別,它是一種非監(jiān)督自組織學習。支持向量機是從統(tǒng)計學理論的基礎上發(fā)展起來的,它是一種有導師學習算法,它根據(jù)結構風險最小化原則,盡量提高學習機的泛化能力,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)督學習算法的分類精度通常很難令人滿意,而有導師學習算法需要人工選取訓練樣本,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、訓練效率大大降低。因此,本文提出一種非監(jiān)督的SOM網和有導師學習的SVM相結合的SOM-SVM分類新模型,它不僅滿足了支持向量機對訓練樣本規(guī)模的要求,又保證了分類的準確率,本文嘗試將其應用于煤與瓦斯突出預測中。
  本文以煤與瓦斯突出機理及突出預測的概況為基礎,首先了解了影響瓦斯突出的各種因素,并結合國內外突出預測的研究現(xiàn)狀和研究成果,對現(xiàn)有分類方法進行了對比和改進,由于煤與瓦斯突出預測問題是多分類問題,本文采用Matlab可視化

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論