基于海量高维煤炭数据的分布式贝叶斯算法的研究与应用

随着信息技术的快速发展,在煤炭产业中也挖掘出了大量的煤炭数据。煤炭产业管理者希望能够应用现有的煤炭数据进行分析预测,但是海量煤炭数据的处理分析是一地大难点。文章针对煤炭数据的分类问题,提出了基于MapReduce分布式计算框架的贝叶斯分类算法,该算法分布式地完成分类问题,能够更加快速、有效地处理大规模的数据。通过文中的实验结果也进一步说明文中提出的分布式贝叶斯分类算法有很高的效率,与传统算法相比有明显的加速比,并且,该算法也具有很好的可扩展性。     

基于逻辑回归-聚类算法的采空区危险等级评价模型

采空区危险性分级研究在矿山灾害防治和风险管理中具有重要意义。为克服传统采空区危险性评价指标繁多、计算复杂等问题，提出了一种采空区危险等级快速评价模型。基于110个采空区样本，将随机森林算法（Random Forest， RF）与递归特征消除理论（Recursive feature elimination， RFE）相结合，筛选出对采空区危险性分级信息量贡献较大的指标，克服传统评价指标繁多且不易获取的缺陷，实现采空区评价指标体系精简降维。基于逻辑回归理论得到采空区危险性概率模型，并应用K-means快速聚类算法求得采空区危险性概率的4个聚类中心点，耦合2种算法构建了采空区危险等级快速分级模型，以克服传统采空区危险性评价方法计算复杂、普适性差的缺陷。为验证该评价模型的有效性，基于混淆矩阵对评价模型的准确性进行了验证分析。研究表明：①RQD值、矿柱尺寸布置、岩体结构、采空区高度、地质构造、工程布置、地下可见水赋值为采空区分级评价中信息贡献量较大的指标；②模型分级准确率达到77.4%，第一类错误率降低至6.25%，危险采空区的预测准确率达到93.75%，评价结果可为采空区后续治理提供可靠依据。     

基于逻辑回归-聚类算法的采空区危险等级评价模型

采空区危险性分级研究在矿山灾害防治和风险管理中具有重要意义。为克服传统采空区危险性评价指标繁多、计算复杂等问题，提出了一种采空区危险等级快速评价模型。基于110个采空区样本，将随机森林算法（Random Forest， RF）与递归特征消除理论（Recursive feature elimination， RFE）相结合，筛选出对采空区危险性分级信息量贡献较大的指标，克服传统评价指标繁多且不易获取的缺陷，实现采空区评价指标体系精简降维。基于逻辑回归理论得到采空区危险性概率模型，并应用K-means快速聚类算法求得采空区危险性概率的4个聚类中心点，耦合2种算法构建了采空区危险等级快速分级模型，以克服传统采空区危险性评价方法计算复杂、普适性差的缺陷。为验证该评价模型的有效性，基于混淆矩阵对评价模型的准确性进行了验证分析。研究表明：①RQD值、矿柱尺寸布置、岩体结构、采空区高度、地质构造、工程布置、地下可见水赋值为采空区分级评价中信息贡献量较大的指标；②模型分级准确率达到77.4%，第一类错误率降低至6.25%，危险采空区的预测准确率达到93.75%，评价结果可为采空区后续治理提供可靠依据。     

大规模煤炭数据下分布式神经网络算法的研究与实现

文章针对海量规模数据,提出了基于云计算平台的分布式神经网络算法,该算法能够分布式的完成神经网络的构建,最终准确地进行分类预测。实验部分的结果用数据进一步表明了文章提出的算法具有很高的效率,与传统算法相比有很高的加速比及很好的可扩展性。     

云平台下的基于项目的KNN协同过滤算法在煤炭系统中的研究与应用

随着互联网技术的发展,往往希望通过分析消费者已有的历史数据,推荐消费者可能感兴趣的产品,并进一步取得更好的销售记录。煤炭系统中希望通过分析用户的消费记录,从而推荐给用户潜在的煤炭产品,提高煤炭的销售量。基于用户协同过滤算法被广泛地应用在煤炭推荐系统中,基于项目的 KNN协同过滤算法是通过分析产品之间的相似性完成聚类并推荐。传统的基于项目的 KNN协同过滤算法对现有的海量规模的煤炭系统中的销售记录数据不能高效、快速地完成推荐工作。文章基于海量规模数据,提出了基于MapReduce的分布式、基于项目的KNN协同过滤算法。通过实验结果表明,文中提出的算法具有很高的加速比,并且,具有很好的可扩展性。     

云计算在设备故障诊断中的应用研究

通过分析云计算的特点和互联网应用开发模式,提出了一种基于云计算的设备故障诊断方法,并讨论了关键技术和实现方法。以转子系统动力学分析为例,采用CloudSim环境下进行仿真实验,实验结果表明,该方法能够大大提高节点机群的处理速度和资源利用率。     

基于MapReduce的频繁项目集挖掘算法在煤炭销售系统中的研究

煤炭系统中,往往希望分析不同煤炭产品购买之间的关联规则,并通过一定的关联性推荐煤炭商品,有助于购买者购买并取得更高的销售量。发掘频繁项目集是关联规则中经常用到的关键技术。随着煤炭系统数据库中信息的增多,原有的频繁项目集挖掘算法无法快速高效地完成频繁项目的挖掘。针对海量数据信息频繁项目集挖掘问题,提出了分布式频繁项目集挖掘算法,该算法是基于MapReduce分布式计算框架,能够高效地完成数据库中的频繁项目挖掘工作。通过实验结果证明该算法具有很高的效率及可扩展性。     

基于Mapreduce的权重集成算法在煤炭行业数据处理中的应用

集成算法通过将多个分类器集成起来,能够有效地提高分类算法的预测精度。集成算法在煤炭开采、预测中也得到了广泛地应用。基于权重的集成算法是通过赋予不同分类器权重,进一步改进了集成算法的性能。但是,由于集成算法需要对多个分类器构建模型,随着数据规模的增大,传统的集成算法不能快速、有效地完成集成学习工作。本文针对煤炭领域中的大规模数据,提出了基于MapReduce分布式框架的分布式权重集成算法,该算法分布式完成集成的及预测工作。通过大量的实验结果进一步证明了本文提出的算法具有很高的效率以及很好的可扩展性。     

云计算在移动通讯领域关键技术中的应用

移动通讯领域的快速发展产生了大量的数据,庞大规模的数据给通讯领域中关键技术的发展带来了巨大的挑战。传统的逻辑回归算法不具有处理海量数据的能力。本篇论文中,针对移动通信领域中的大规模数据,提出在云计算平台下高效准确构建逻辑回归模型的算法。通过大量的实验表明了改进的算法具有明显的高效性以及很好的可扩展性。     

煤炭开采成本的预测方法研究

分析和确定了影响煤炭开采成本的资源条件因素，探讨了由煤炭资源条件决定的吨煤开采成本（标准开采成本）的预测方法．并以平顶山矿区为例，运用Ｓ曲线确定了开采成本随时间的变化规律，建立了标准开采成本的神经元网络和稳健回归预测模型，取得了良好的效果．     

基于Mapreduce协同理论的煤炭营销数据分析技术的研究与实现

随着互联网电子商务的高速发展,推荐系统在电子商务领域得到了广泛的应用。煤炭产业也开始引进了电子销售系统。在煤炭系统中,推荐系统利用消费者对消费商品的排名打分,分析相似性并进一步预测消费者可能感兴趣的商品。协同过滤算法被普遍应用在推荐系统中。但是,煤炭销售数据规模逐渐增大,传统的协同过滤算法不能有效地处理海量规模煤炭数据,推荐效率很低。本文针对大规模煤炭销售数据,提出了基于Mapreduce的分布式协同过滤算法,该算法有效地完成推荐系统的预测及推荐工作。通过大量的实验结果也进一步表明本文提出的算法与传统算法相比,具有很高的效率,并且扩展性良好。     

多元回归分析法在露天矿成本预测中的应用

介绍了多元回归分析方法及其数学模型,并指出该原理的特点、适用范围及注意事项;同时,阐明了多元回归分析在露天矿成本预测中的重要性,它能为露天矿如何寻找降低运输成本的途径指明控制方向。     

基于极大似然估计的logistic回归模型在煤与瓦斯突出危险等级评价中的应用

为了提高煤与瓦斯突出危险等级预测的准确性和增强预测预报方法的实用性,选取开采深度、瓦斯压力等五个关键影响因素作为煤与瓦斯突出的评判指标,建立了煤与瓦斯突出多元logistic回归非线性概率评级模型,对模型参数的确定采用了极大似然函数估计法,并利用MATLAB遗传算法工具箱的主要函数ga()求出模型系数的初始值,再用搜索工具箱中的fminsearch函数求出模型系数的最终值。通过对16组样本的学习和对6组样本的预测,验证了该模型在煤与瓦斯突出危险等级判别中的有效性、准确性。另外,该模型结构简单,计算量小、实用性强,易于程序实现,有借鉴价值。     

计算机集散控制系统在煤炭运输中的应用

介绍了一种煤炭运输集散控制系统的设计方法与该系统在现代煤矿生产中的应用,利用该系统可以方便实现煤炭运输中的分散控制与集中管理,系统具有可靠性高、实时性好、通用性强等优点,有效提高生产效率,增加经济效益。     

基于云平台的矩阵分解协同过滤算法在煤炭销售系统中的研究

协同过滤技术被广泛地应用在推荐系统中。随着电子商务的快速发展,煤炭产业也引进了电子销售系统。近年来,矩阵分解的协同过滤算法得到了煤炭销售系统的广泛应用。但是,随着互联网的快速发展,煤炭电子销售记录呈现指数级增长,传统的基于矩阵分解的协同聚类算法不能有效、快速地完成销售系统的推荐工作。文章针对大规模煤炭数据推荐工作,提出了分布式矩阵分解协同过滤算法,该算法基于云计算平台,能够分布式、高效地完成推荐系统的推荐工作。通过实验结果进一步展示了本算法与传统协同过滤算法相比,具有很高的加速比以及很好的可扩展性。     

云计算平台下分布式支持向量机在煤炭行业分类预测应用

支持向量机(SVM)普遍应用在机器学习领域的学习算法,广泛用于分类学习。支持向量机也应用在很多实际应用领域中。该算法也广泛地应用在煤炭系统的分类预测工作中。随着数字时代的发展,煤炭系统的数据规模也呈现大规模增长趋势。针对海量规模数据,传统的支持向量机模型不能有效地完成煤炭系统中数据的分类、回归等工作。文章针对大规模数据处理困难的问题,提出了分布式支持向量机模型。该模型针对现有流行的云计算平台,在该平台下构建基于Hadoop分布式计算框架的分布式模型,该分布式支持向量机模型能够高效、快速地完成真实数据的分类或回归任务,具有很高的效率。文中的实验部分通过大量的实验数据进一步证明了文章提出算法的可行性。     

基于云计算的分布式煤矿安全监控系统研究

煤矿安全生产对国民经济的健康有序发展具有深远影响,是国内外一大研究焦点问题。借助安全性高、扩展性强的云计算开展分布式煤矿安全监控系统研究具有重要现实意义。文章首先对相关技术进行简单介绍,之后对基于云计算的分布式煤矿安全监控系统设计方案进行了深入分析。