加权GA-BP网络与SVM在煤与瓦斯突出预测中的应用研究

摘要

随着我国经济的蓬勃发展，对煤的需求量也逐年上升，煤是冶金、化工的重要原料。因大量开采煤矿而带来的矿井事故也频繁出现，其中，煤与瓦斯突出而导致的事故占所有矿井事故比重最大。突出事故频繁出现的原因有很多，不能准确有效预测出突出是造成事故发生的重要原因之一。根据预测结果可以采取相应的安全措施，把危险降低到最小值。所以，一个准确率高的预测模型是可以有效的减小事故发生率，提高安全生产系数。
　　本文分别运用神经网络与SVM构造出两种突出预测模型。在神经网络预测模型中，运用了GA算法来优化神经网络的权值与阈值，提高网络性能；在SVM预测模型中，合理选择核函数，然后再根据核函数确定出需要优化的参数，对比各种不同的参数优化法选择出最佳的参数c值和g值，这样可以提高所构建的SVM训练与测试时的准确率。其中，c是指惩罚因子，g是设置γ函数的参数。
　　为了增强模型的预测准确率，在进行神经网络与SVM训练与预测前，首先对训练与预测数据进行权值处理，权值的大小是通过运用灰关联分析法以及求比重法来处理影响突出的5个重要因素来确定的，这5个主要影响因素分别为：瓦斯压力、放散初速度、开采深度、煤体破坏类型、坚固性系数。对每个影响因素进行权值处理有助于促进强因素的影响作用，抑制弱因素的影响作用，从而达到提高预测准确率的效果。
　　实例仿真结果表明：经过数据加权处理后的GA-BP网络以及SVM预测模型能较为准确的预测出煤与瓦斯的突出，具有一定的实用性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 课题研究的目的和意义

1.2 煤与瓦斯突出预测研究现状

1.3 神经网络在突出预测中的应用

1 .4 SVM在突出预测中的应用

1 .5 SVM分类原理在突出预测中的应用

1.6 突出的分类

1.7 论文主要研究内容及安排

第二章 加权GA-BP神经网络预测模型整体方案

2.1 引言

2 .2 加权GA-BP网络预测模型的目标

2.3 目标实现方法选择

2 .4 加权GA-BP神经网络预测模型的结构

2.5 在灰关联分析基础上的权值确定

2.6 BP神经网络

2 .7 确定BP网络中主要参数

2.8 小结

第三章 GA-BP网络中参数的优化和实例验证

3.1 引言

3.2 训练样本集的确定与归一化

3.3 网络参数的设置

3.4 GA算法优化权值与阈值

3 .5 构建预测煤与瓦斯突出GA-BP神经网络

3 .6 加权GA-BP网络的程序设计

3.7 样本集的处理

3.8 实例验证

3.9 小结

第四章 加权SVM预测模型整体方案

4.1 引言

4 .2 SVM介绍

4 .3 加权SVM预测模型的目标

4.4 目标实现方法的选择

4 .5 加权SVM预测模型的结构

4.6 小结

第五章 加权SVM模型中参数的优化和实例验证

5.1 引言

5 .2 PSO算法

5.3 确定核函数类型

5 .4 SVM参数优化

5 .5 LibSVM中参数设置方法

5.6 建立分类模型和预测模型

5.7 实例验证

5.8 小结

第六章 总结与展望

6.1 研究总结

6.2 课题展望

参考文献

致谢

攻读学位期间的研究成果