煤與瓦斯突出預測SOM-SVM模型.pdf

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