学位论文 > 优秀研究生学位论文题录展示

煤与瓦斯突出预测算法的研究

作　者: 许登旭
导　师: 李振璧
学　校: 安徽理工大学
专　业: 电路与系统
关键词: 煤与瓦斯突出支持向量机最小二乘粒子群算法遗传算法
分类号: TD713.2
类　型: 硕士论文
年　份: 2013年
下　载: 19次
引　用: 0次
阅　读: 论文下载

内容摘要

当前煤炭生产的安全形势严峻,而威胁安全生产的最大因素及造成的损失最大的就是煤与瓦斯突出。如何有效的对煤与瓦斯突出进行预测,为煤矿工作者提供准确可靠的决策依据,避免或降低煤与瓦斯突出造成的生命财产损失是国内外煤矿共同面临的研究课题。因此研究煤与瓦斯突出预测模型具有重大现实意义。一直以来专家及技术人员尝试多种方法来解决该问题,例如：声波探测、打孔、电磁波探测等。但最理想的解决办法是对突出进行预测,使得能够及时的做出应对措施。近些年,支持向量机方法在数据挖掘及预测领域发展较好并取得了很多成果。煤与瓦斯突出是一个影响因素多、高度非线性的过程,而支持向量机在解决小样本、高维度、非线性的问题方面有较为突出的优势。所以在此使用支持向量机来进行煤与瓦斯突出的预测。本文分析影响煤与瓦斯突出的各种因素,介绍支持向量机的理论及发展,介绍了全局优化算法遗传算法和粒子群算法,使用它们来优化支持向量机里的参数。重点针对基本支持向量机存在的一些问题提出基于粒子群的最小二乘支持向量机算法(PSO-LS-SVM)和基于遗传算法的最小二乘支持向量机算法(GA-LS-SVM),利用最小二乘支持向量机工具箱和煤矿现场采集的数据建立预测模型,并用此模型进行分类预测,与传统的方法相比,有效地提高了煤与瓦斯突出预测的训练速度和分类精度,满足了煤与瓦斯突出预测的实时需要。

全文目录

摘要  5-6
Abstract  6-7
目录  7-15
引言  15-16
1 绪论  16-18
  1.1 研究背景  16
  1.2 国内外研究现状  16-17
  1.3 本文研究的主要内容  17-18
2 支持向量机的理论知识  18-32
  2.1 机器学习的理论知识  18-19
  2.2 统计学习理论的基本概念  19-25
    2.2.1 经验风险最小化原则  19-20
    2.2.2 VC维  20-21
    2.2.3 结构风险最小化  21-22
    2.2.4 最优分类超平面  22-25
  2.3 非线性SVM  25-26
  2.4 核函数  26-28
    2.4.1 核函数的基本理论  26-27
    2.4.2 核函数的选取  27-28
  2.5 支持向量机多分类构造方法  28-32
    2.5.1 “一对多”分类方法  29
    2.5.2 “一对一”分类方法  29
    2.5.3 基于二叉树的多类分类方法  29-32
3 煤与瓦斯突出的基本研究  32-40
  3.1 煤与瓦斯突出的机理  32
  3.2 煤与瓦斯突出类型  32-34
    3.2.1 突出  32-33
    3.2.2 压出  33
    3.2.3 倾出  33-34
  3.3 煤与瓦斯突出的规律  34
  3.4 影响煤与瓦斯突出的因素  34-40
    3.4.1 地质构造  34-35
    3.4.2 煤体结构  35-36
    3.4.3 围岩条件  36-37
    3.4.4 煤层埋藏深度  37-40
4 研究区地质条件概述  40-46
  4.1 矿井概况  40-41
    4.1.1 位置与交通  40-41
    4.1.2 地形地貌  41
  4.2 煤系地层及煤层特征  41-43
    4.2.1 煤系地层的特征  41-42
    4.2.2 煤系煤层的特征  42-43
  4.4 研究区瓦斯特征  43-44
    4.4.1 地勘期间瓦斯含量测定的数据  43
    4.4.2 生产期间瓦斯含量测定的数据  43-44
  4.5 潘三矿B11-2煤层瓦斯突出特征分析  44-46
5 支持向量机算法的改进  46-62
  5.1 最小二乘支持向量机  46-48
  5.2 粒子群优化算法  48-52
    5.2.1 算法原理  48-50
    5.2.2 粒子群算法流程  50-51
    5.2.3 粒子群算法改进  51-52
  5.3 PSO-LS-SVM模型  52-54
    5.3.1 粒子设计  53
    5.3.2 算法步骤  53-54
  5.4 遗传算法  54-59
    5.4.1 染色体编码  55
    5.4.2 初始化  55-56
    5.4.3 选择  56
    5.4.4 交叉  56
    5.4.5 变异  56
    5.4.6 适应度函数  56-57
    5.4.7 遗传算法流程  57-58
    5.4.8 遗传算法的优点  58-59
  5.5 GA-LS-SVM模型  59-62
    5.5.1 编码方法  59-61
    5.5.2 遗传算法优化LS-SVM的步骤  61-62
6 基于支持向量机的煤与瓦斯突出预测的实现  62-76
  6.1 预测参数的选取  62-66
    6.1.1 数据预处理的概念  62
    6.1.2 拉依达定律  62-63
    6.1.3 遗失数据的弥补  63-64
    6.1.4 特征选取  64-66
    6.1.5 数据规范化  66
  6.2 煤与瓦斯突出预测结果及分析  66-76
    6.2.1 软件工具介绍  66-67
    6.2.2 煤与瓦斯突出预测实验步骤  67-71
    6.2.3 煤与瓦斯突出预测结果  71-74
    6.2.4 预测结果分析  74-76
结论  76-78
参考文献  78-82
致谢  82-83
作者简介及读研期间主要科研成果  83

煤与瓦斯突出预测算法的研究

内容摘要

全文目录

相似论文