SVR-Markov复合模型在采空区地表沉降预测中的应用

提出了一种支持向量回归机(SVR)-马尔科夫(Markov)复合预测模型,该模型能够更好地反映采空区地表沉降规律,能够比较准确地预测地表沉降量。通过碾子沟煤矿采空区治理工程监测数据与支持向量回归机-马尔科夫复合预测模型与支持向量回归机模型进行对比,证明马尔科夫复合预测模型能够在支持向量回归机模型的基础上提高采空区地表沉降预测的精度。     

基于神经网络的自然发火危险性评价与预测

对采空区煤炭自然发火进行了危险性评价,从自然发火条件入手,建立采空区自然发火事故模型,确定采空区发火现状危险等级为C级,较危险;利用采空区已有的自然发火预测指标建立BP神经网络的时间序列预测模型,对未来该采空区有无发火危险进行了预测,确定未来采空区发火可能性大小.结果表明:运用BP神经网络的时间序列预测模型对煤炭自然发火进行预测,采空区自然发火处于"有发火危险"程度,发火危险性较大,因此应做好采空区火灾预防工作.     

基于Memetic算法寻优SVM的瓦斯浓度预测

瓦斯浓度预测是进行煤矿瓦斯灾害表征的一个重要指标,为了提高瓦斯浓度预测模型的预测精度,提出了一种基于Memetic算法寻优的支持向量机预测模型。利用特征提取和特征选择的方法获取最优输入特征集进行降维简化处理,建立支持向量机回归模型,在学习过程中引入Memetic算法对传统支持向量机预测模型进行参数优化。通过用实际监测数据进行验证,结果表明:经过Memetic算法优化后的支持向量机预测模型提高了瓦斯浓度预测的精度。     

支持向量机在岩石破裂失稳声发射定位实验中的应用

声发射技术是研究岩石变形破坏微观机理的重要手段,对开采扰动下采空区煤岩破裂失稳的机制和前兆预测具有重要意义。基于声发射定位实验,利用支持向量机方法,对煤岩单轴抗压破裂与失稳过程中的声发射信号进行分析与预测,为采空区煤岩破裂定量化预测提供科学依据。     

基于遗传-支持向量回归的煤层底板突水量预测研究

针对煤层底板突水问题的小样本、非线性特点,采用支持向量回归算法对突水量进行预测,避免了定性分析的局限性。利用遗传算法全局搜索能力的优势,提出了基于遗传算法的支持向量回归参数寻优方法,并建立煤层底板突水量预测的遗传-支持向量回归模型。该模型首先通过遗传算法对训练样本的学习,得到支持向量回归机的最优参数值,然后运用遗传-支持向量回归模型对测试样本进行突水量预测。测试结果表明：与神经网络,传统支持向量回归机的预测值相比,煤层底板突水量预测的遗传-支持向量回归模型精度高,具有较强的泛化能力。     

基于物元可拓灰聚类模型的采空区火灾风险预测

从煤的自燃发火特性、采空区供氧和聚热条件等方面,研究建立了采空区遗煤自然发火风险评估分级指标体系;根据预测系统的灰特性将物元分析和灰聚类理论相结合,构建了采空区火灾节域物元M_(AP)及风险灰类关系度σ_(ki)计算模型,提出了一种新的采空区遗煤自然发火风险评估方法。通过潘北矿1212(3)采煤工作面实际应用结果表明,该方法对建模样本的数目没有限制,计算分析过程简单,易于实现安全信息管理与决策,且采空区火灾预测效果较好。     

矿井涌水量的支持向量机—马尔科夫链预测模型

为准确预测矿井涌水量,将支持向量机理论与马尔科夫链理论相结合,构建了支持向量机—马尔科夫预报模型.支持向量机—马尔科夫预报模型是基于原始数据首先建立起支持向量机模型,得到的预测值通过马尔科夫状态概率转移矩阵预报的方法进行二次拟合,通过对一些指标进行分析,从而实现对预测结果进行改善.矿井涌水量的支持向量机—马尔科夫链预测...     

采空区煤自燃实验分析及其数值模拟

在煤自然发火机理、渗流力学、自然发火预测、自燃危险区域判定理论的基础上,建立了采空区自燃模拟实验装置,并采用CFD数值模拟方法用相似原理研制了不规则介质采场相似模拟模型,得出了采空区的气体流动规律并通过模拟验证了实验结果采空区自然发火位置预测的可靠性。结果表明了采空区温度场的分布规律,以此判断采空区发火位置。     

基于支持向量机的露天矿爆破效果预测方法研究

提出了一种基于支持向量机的露天矿山爆破效果预测方法。通过随机森林算法选择出影响爆破效果的主要因素并根据爆破技术相关标准及经验确定爆破综合效果;基于得到的爆破主要影响因素和爆破综合效果,建立爆破效果预测模型;选取不同的机器学习方法与支持向量机进行比较,通过计算选出最优的爆破预测效果方法。结果表明:基于支持向量机方法对爆破效果预测效果良好,与现场实际爆破效果基本一致。     

基于移动坐标的采空区自然发火模型研究

通过对采空区内遗煤自然发火过程的分析,利用质量守恒定律和达西定律建立了采空区气体流动的流场模型,利用质量守恒和菲克定律建立了采空区内的氧浓度场模型,根据能量守恒建立了采空区内浮煤的温度场模型,以上3个模型联立即为采空区自然发火模型.根据采空区动态移动的特点,通过引入移动坐标系建立了移动坐标下的采空区自然发火模型,简化了自然发火模型求解.利用有限差分法对模型进行了数值求解,编制了解算软件.以山东古城煤矿2108综放工作面为例进行了采空区自然发火模拟,得出了工作面实际生产条件下采空区内温度分布,并与实际观测结果进行了对比分析,模拟结果与实际观测结果基本一致,从而验证了该自燃模型的正确性.     

矿山地质环境评价模型的改进SVM算法

经典SVM（Support vector machine）算法使用的对象样本较大、运算速度较慢,难以对矿山地质环境进行有效评价,故对其进行了改进,提出了一种改进SVM算法的矿山地质环境评价模型。该算法利用比特压缩原理,首先将样本数据进行比特压缩;然后用加权支持向量机训练分类器实现样本压缩,提高收敛速率。采用江西某矿区的实测数据分别对BP神经网络算法、经典SVM算法与改进SVM算法构建的评价模型进行对比分析,结果表明：①改进SMV算法构建的评价模型输出误差、收敛速率均优于BP神经网络算法建立的模型,经典SVM算法与改进SVM算法建立的评价模型的输出误差相近,但改进SVM算法构建的模型的收敛速率较高;②改进SMV算法随着比特压缩位数的增大,训练样本缩减率逐渐增大,即在样本数量减少、训练时间缩短、收敛速率提高的情况下,模型输出误差可基本保持不变。可见,采用改进SMV算法构建的评价模型,不仅提高了模型的训练速率,而且降低了样本数据量,可对矿山地质环境进行有效评价。     

金属矿采空区危险性判别的PCA-SVM模型研究

为了有效合理地判别金属矿采空区的危险性, 引入主成分分析法(PCA)及支持向量机(SVM), 建立了PCA-SVM判别模型。搜集国内金属矿40组采空区失稳资料, 首先利用主成分分析法对采空区失稳因素进行降维处理, 消除各因素之间的冗余, 获取样本集主要信息。然后利用支持向量机对保留的主成分数据进行建模, 并引入遗传算法对SVM模型参数进行优化, 改善SVM模型的判别效果。对判别模型进行训练及检验, 结果表明, 该模型对训练样本和检验样本的判别精度分别达到100%及90%。最后将该模型运用于工程实际中, 其判别结果与实际情况相符, 表明该模型在工程实际中具有一定的应用价值。     

立井井筒非采动破裂的遗传-支持向量机预测模型

选取表土层厚度、底板含水层厚度、底板含水层水位速降、井筒外径、井壁厚度、井筒投入使用时间6个立井井筒非采动破裂的特征属性作为判别因子,以工程实测数据作为学习样本,利用遗传算法优化支持向量机参数,建立了煤矿立井井筒非采动破裂的遗传-支持向量机预测模型,并对工程实例进行测试。研究结果表明,该模型预测精度高,回判估计的错误率低,为快速准确地预测立井井筒非采动破裂提供了一种新的方法和途径。     

BP神经网络改进TSVM的矿产资源评价模型研究

在矿产资源评价模型研究中,针对TSVM在未标识样本中必须指定正标识样本数这一问题,本文提出了一种新的改进算法对矿产资源进行评价,即基于BP神经网络优化的直推式支持向量机（BP-TSVM）。通过支持向量机将有标签样本进行识别分类,利用BP神经网络对已分类的边界内的无标签样本进行正负标注,然后作为下一次支持向量机训练时的有标签样本。提出的新算法避免了分类性能下降的问题,使得TSVM对正标签样本NP的估计更准确。同时,由于训练样本数量的保持使得训练时间大大减少。实验结果表明,与传统的SVM算法、TSVM算法和BP神经网络算法相比,本文提出的BP-TSVM算法能更准确地评价矿产资源。     

基于SVM算法的地震小断层自动识别

为了提高小断层解释的准确率,构建基于支持向量机(SVM)算法的断层自动识别方法。通过分析构造部位和非构造部位地震属性特征,建立SVM两分类的断层识别模型。首先,研究支持向量机两分类算法的基本原理和结构,表明支持向量机在两分类问题上具有准确率高的优点;然后建立断层正演模型,分析不同地震属性的断层响应特征,表明断层分布与属性值变化趋势相关;通过对支持向量机算法和正演模型的分析,表明利用地震属性作为支持向量机的输入,预测小断层具有可行性。从叠后地震数据中提取方差、曲率等与断层相关的属性集合;通过相关性分析和聚类分析评估属性,确定4种互相关性低的地震属性。利用14口钻井、3条巷道的地震属性和断层信息共606个数据,选取400个作为训练样本,构造SVM断层识别模型;206个数据作为测试样本,进行断层识别,识别正确率达到98%。利用地震属性建立的SVM断层自动识别模型,能够有效识别小断层,降低人为主观因素的影响,缩短了解释周期;钻孔分布越均匀、数目越多,解释精度就越高。     

基于模糊-支持向量机的煤层底板突水危险性评价

提出将模糊理论中的隶属度与支持向量机相结合的模糊-支持向量机模型,用于对煤层底板突水危险性的评价。在对肥城煤层底板突水危险性评价指标体系分析的基础上,通过对肥城矿区10个地段的样本数据训练确定最优的模型参数,并对4个测试样本进行了突水危险性评价。实验表明：该模型能够减少样本数据处理的复杂性,较好地解决小样本、非线性问题,为煤层底板突水危险性的评价提供了一种新方法。     

基于SVM增量学习算法的煤矿高压断路器故障模式识别方法

高压断路器故障模式的准确识别是矿井电网智能化发展过程中的重要支撑环节。针对高压断路器故障数据不易获取且故障样本较少的问题,提出了一种支持向量机与增量学习算法相结合的故障识别方法,确定了以断路器控制回路电流信号、电压信号以及分合闸振动信号为状态监测量,模拟了弹簧松动、铁芯卡涩、供电异常与线圈老化4种常见故障,提取了故障特征量并建立了故障数据样本与增量学习数据样本,采用支持向量机增量学习算法训练得到了故障识别模型,并利用新增数据样本对其进行了验证。结果表明:支持向量机增量学习算法可准确识别上述4种常见故障,并可以通过对新增样本的不断学习进一步提高识别精度。     

基于粗糙集与遗传算法的岩爆倾向性预测方法研究

结合粗糙集理论与遗传算法,提出一种新的岩爆倾向性预测方法。以碳化矿床采场工作面岩爆倾向性预测为例,选取9种岩爆影响因素作为条件属性,将采场工作面岩爆倾向性结果作为决策属性,选取77组采场岩爆或非岩爆工程实例数据,构成岩爆倾向性预测样本集合。将样本集合随机分为训练样本和测试样本2个集合,对2个集合的属性值进行量化,建立训练样本决策表与测试样本决策表。采用遗传算法对训练样本决策表的条件属性进行约简,得出条件属性的最小约简和核。应用粗糙集理论从约简结果中提取精简的岩爆倾向性判别规则集。用获得的规则集对测试样本决策表中的岩爆倾向性进行预测,并与实际结果对比,验证了判别规则集的可行性和有效性。结果表明,基于粗糙集与遗传算法的岩爆倾向性预测方法更具客观性和科学性,有较高的工程实用价值。     

基于SVM遥感图像矿化信息提取试验

在讨论核函数的选择算法及优化的基础上,提出了一种将支持向量机(SVM)算法应用于遥感矿化信息提取的方法。并以TM遥感数据为试验样本,进行假彩色合成,将舍成图像的RGB值作为训练样本的特征向量,应用核函数选择算法和人为选择核函数方法,采用SVM算法对样本进行分类,试验表明选用径向基核函数所得的分类效果最好。认为对遥感影像作预处理后采用RGB值作为特征向量,应用支持向量机算法进行遥感矿化信息提取的方法能够获得较好的识别效果;应用LOO估算选择的核函数模型能够较好地逼近最佳值。     

局部约束的自学习煤岩识别方法

针对训练样本不足情况下的煤岩图像识别问题,提出了一种局部约束的自学习(LCSL)煤岩识别方法。该方法首先从辅助数据中通过局部约束的字典优化模型获取高层结构特征,这些辅助数据是无标签的非煤岩自然图像,与煤岩图像的特征分布不同,且更容易获取;然后利用学习的高层结构特征结合局部约束线性编码提取煤岩图像特征;最后利用SVM算法对煤岩图像进行分类识别。实验表明:通过该方法得到的特征能够有效地表征煤岩图像,具有很强的鉴别性和鲁棒性,达到了很好地识别效果,相比于原有煤岩识别方法平均识别率提高了1%～3%。