基于神经网络的冲击地压危险性预测预报

文章分析了影响冲击地压危险性的主要因素，首次利用神经网络模型模拟各个因素之间的复杂的非线性关系，消除了传统预测方法中的人为确定冲击危险指标的影响。检验结果表明：模型可靠，预测精度高。为冲击地压与人工智能等高新技术的进一步结合奠定了基础，进一步拓宽了神经网络技术的研究领域。     

复杂开采条件工作面冲击影响因素及危险区域分析

为解决开采条件复杂且煤体具有强冲击倾向性的工作面容易发生冲击地压的问题,以特定工程为例,通过研究冲击地压的影响因素(包括开采深度、冲击倾向性、原岩应力、顶板岩层结构特征、煤层厚度变化、地质构造、开采技术条件),确定各因素对冲击地压的影响程度.采用数值模拟方法分析工作面开采过程中煤柱应力分布以及演变规律,确定煤柱的冲击危险性,并运用多因素耦合法和模糊综合评判的方法确定工作面冲击地压的危险性和危险区域.研究表明:在对冲击地压影响因素进行分析的基础上,采用多因素耦合法对开采条件复杂的工作面进行冲击危险区域预测具有科学性与实用性,有助于受冲击威胁工作面的安全回采.     

冲击地压Fisher判别分析预测

为对冲击地压危险性进行准确地预测预报.在综合分析冲击地压多种影响因素的基础上,采用Fisher判别分析方法,结合文献提供的张集矿历年冲击地压24组相关数据实例,建立了冲击地压预测预报的Fisher判别分析模型,模型回代预测准确率为100%,误判率为0.将模型应用到张集煤矿冲击地压分级预测问题中,并与支持向量机方法、BP网络进行比较,研究结果表明:Fisher判别分析模型具有较高的可靠性,判别效率及准确率高,能对冲击地压进行有效预测.     

煤矿冲击地压危险性模糊综合评价

为准确预测煤矿冲击地压,采用理论分析、数学建模和现场应用相结合的方法对冲击地压危险性评价展开系统研究.引入多层次模糊数学评价理论,分析冲击地压影响因素,确定冲击地压危险性评价指标.结合1-9标度表提出冲击地压危险性评价方法,并在忻州窑煤矿5931面进行现场应用.工作面冲击地压危险性评分为0.506,危险等级为C,属于中等冲击,与煤岩冲击倾向性测定实验和现场微震监测结果较为吻合,验证了数学评价方法的可靠性.     

局部加权随机森林的冲击地压危险性等级预测

为对煤矿冲击地压危险性等级进行预测,综合考虑煤层厚度、煤层倾角、开采深度、顶板岩性、构造情况、开采方法、有无煤柱、采煤工艺等影响因素.采用局部加权学习方法建立冲击地压危险性等级预测模型,其中分类器选择随机森林,样本间距离采用欧氏距离函数进行计算.实验选取17组冲击地压数据进行研究,其中14组数据用于建立预测模型,采用十折交叉验证法对模型进行评价,并与采用决策树和朴素贝叶斯生成的模型进行比较,预测准确率得到较大提高,最后使用该模型对其它3组测试数据进行预测,预测结果与实际类别吻合.研究结果表明:采用局部加权随机森林方法可以建立泛化性能更好的冲击地压预测模型.     

冲击地压危险性等级识别的随机森林模型及应用

 为快速、准确地预测冲击地压危险性,借鉴随机森林理论,选取影响冲击地压的10 项主要因素:煤层、倾角、埋深、构造情况、倾角变化、煤厚变化、瓦斯浓度、顶板管理、卸压、响煤炮声作为判别因子,建立冲击地压危险性识别的随机森林模型.利用重庆砚石台矿24 组实测数据作为学习样本建立随机森林分类器,在对样本分类的同时,计算预测变量的重要性值GI,发现构造情况为最重要的评价指标,其后是响煤炮声和倾角.利用其他12 组现场数据作为预测样本对该模型进行测试,预测结果与实际情况吻合较好.     

巷道掘进冲击危险性预测与防治

对于掘进巷道,其冲击地压危险性不仅在掘进迎头,而且将波及到巷道后路处于高应力的区域.因此,为确保巷道掘进期间整个巷道的安全,需要对巷道迎头和后路进行冲击地压危险性监测.该文介绍了巷道掘进冲击危险性预测的方法及其防治技术.     

赵各庄矿3137深部孤岛工作面冲击地压危险性研究

赵各庄矿3137工作面为深部孤岛工作面,埋深大,煤层厚,地质构造复杂,边界煤柱不规整,存在较大的冲击地压危险性。本文采用可能性指数诊断法和经验类比法进行综合的冲击地压危险程度分析和危险区域划分,为本区域冲击地压的预测和防治提供了保障。     

人工神经网络法预测待采煤层冲击地压在煤矿中的应用

为了解决大同矿区某矿冲击地压的预测难题,本文在对该矿其他待采煤层的地质力学特征进行系统研究的基础上,结合人工神经网络方法,参照采场矿压监测数据,对其冲击地压危险性进行预测,预测效果良好。     

基于主成分分析与BP神经网络的冲击地压预测

冲击地压的发生会对矿山造成巨大的经济损失,预测预报是防治冲击地压的重要组成部分。文章将主成分分析方法与反向传播人工神经网络(即BP神经网络)方法相结合,用于对冲击地压的预测。首先,利用主成分分析法对冲击地压的影响因素进行分析,降低数据的维数。然后,将所得的数据作为BP神经网络的输入数据进行训练,用训练好的神经网络对冲击地压进行预测。预测结果与实际结果的对比表明,利用主成分分析—BP神经网络方法对冲击地压预测是可行的。     

支持向量机的凸优化求解

支持向量机(SVM)是一种基于统计学习理论的机器学习方法,由于其优越的学习性能,已经成为当前模式识别、数据挖掘、大数据处理等机器学习领域的研究热点.查阅相关同类文章,发现其中对SVM理论中公式,如距离函数d、拉格朗日函数L(w,b,α)、二次凸优化函数f(x)等的来龙去脉缺少细致的阐述.本文对SVM理论中典型的线性最优二分类问题的求解进行了完整的推导,并给出了对岩屑岩性分类识别的结果,也为今后的非线性多类模式分解作出铺垫.     

基于逆云模型的支持向量机多类分类方法

针对支持向量机在进行多类识别中存在的拒分问题,结合能够描述客观世界不确定性的模糊理论,提出利用逆云模型描述样本对各类逆云隶属度的多类分类方法.实验表明,该方法能够有效地消除样本拒分现象,提高识别率.     

Novel method of mining classification information for SVM training

Support vector machine(SVM) is an important classification tool in the pattern recognition and machine learning community,but its training is a time-consuming process.To deal with this problem,we propose a novel method to mine the useful information about classification hidden in the training sample for improving the training algorithm,and every training point is assigned to a value that represents the classification information,respectively,where training points with the higher values are chosen as candidate support vectors for SVM training.The classification information value for a training point is computed based on the classification accuracy of an appropriate hyperplane for the training sample,where the hyperplane goes through the mapped target of the training point in feature space defined by a kernel function.Experimental results on various benchmark datasets show the effectiveness of our algorithm.     

支持向量机算法用于癌症数据建模

支持向量机算法(Support Vector Machine)是基于统计学习理论(SLT)发展起来的新一代机器学习方法,并被成功地应用到很多模式识别问题中。文中支持向量机分类算法用于卵巢癌病变与非卵巢癌病变质谱数据建模。对卵巢癌数据进行判别预测,预报正确率达到98%。通过与KNN、神经网络等算法的预报结果相比较,其预报能力强于KNN、神经网络算法在这个问题中的应用,为支持向量机算法可以应用于癌症疾病辅助检测提供一例证。     

面向维基百科的概念依赖关系挖掘方法

在互联网技术高度发达的时代,网络上的学习资源呈现出指数型增长态势,面对各种学习对象、概念之间存在的多样化和无序性,如果能识别出之间的依赖关系,将有可能对计算机教育产生重要影响。针对该问题,提出一种面向维基百科的概念依赖关系识别方法,利用概念在维基百科中的特点,设计出一套识别概念依赖关系模型,在公共数据集上采用基于机器学习的分类算法进行测试。实验结果表明,该模型具有较高准确率和召回率,能够有效发现概念之间的依赖关系。     

小样本学习在高分遥感影像分类与识别中的应用

遥感影像分类与识别是近年来深度学习以及图像分类与识别研究的热点,其中一个关键问题是因样本数据集的数据较少而极易出现过拟合。许多图像分类的模型和方法并不完全适用于遥感影像分类,将小样本学习与遥感影像处理结合起来,实现遥感影像数据增强和识别模型优化是一个可行的思路。根据小样本学习的发展现状,针对特征提取、模型分类方法,归纳总结了典型学习方法的原理及其在相关领域的应用; 分析遥感影像处理的现状和存在问题,基于适用场景、优缺点对各方法进行了比较; 通过分析小样本学习在高分遥感影像分类与识别上的应用,发现引入注意力机制和迁移学习后,小样本学习能够用于样本数据量小的遥感影像分类。     

基于SVM的表面肌电信号动作模式识别*

为更好地将表面肌电信号应用于智能轮椅的人机接口,提出了一种基于SVM的表面肌电信号动作模式的识别算法。采用一对一的方式构造SVM多值分类器,按照投票原则确定测试样本的类别归属,并与动作模式识别的核fisher算法和RBF神经网络算法进行了对比分析。实验结果表明,支持向量机(SVM)算法识别率更高,可以取得理想的学习效果和泛化性能,很好地解决小样本、非线性及局部极小值问题。     

岩溶塌陷预测的高斯过程机器学习模型

为研究在多种复杂影响因素下岩溶塌陷如何准确预测,针对现有方法的局限性,建立了一种基于高斯过程机器学习的岩溶塌陷预测模型.该模型通过对少量学习样本的学习,就可以建立岩溶塌陷与其影响因素之间的复杂非线性映射关系.将模型应用于工程实例,研究结果表明,岩溶塌陷预测的高斯过程机器学习模型是科学可行的,具有预测精度高、适用性强、参...     

利用神经网络学习的岩体分级

将神经网络理论应用于岩体分级,意在探索出一条更强有力的分级新途径。利用神经网络对已知样本集进行学习,建立各种地质及工程因素与岩体的等价级别之间非线性映射。学习后的网络及权值可用于识别新的岩体的等价级别。主要探讨了PDP模型学习岩体分级的方法,并给出了应用结果。     

Event Type Recognition Based on Trigger Expansion

Event extraction is an important research point in information extraction, which includes two important sub-tasks of event type recognition and event argument recognition. This paper describes a method based on automatic expansion of the event triggers for event type recognition. The event triggers are first extended through a thesaurus to enable the extraction of the candidate events and their candidate types. Then, a binary classification method is used to recognize the candidate event types. This method effectively improves the unbalanced data problem in training models and the data sparseness problem with a small corpus. Evaluations on the ACE2005 dataset give a final F-score of 61.24%, which outperforms traditional methods based on pure machine learning.