基于粗糙集和聚类的采空区煤自燃火灾预报

采用标志气体分析法对煤自燃火灾预报时存在特征维数较高、特征之间存在冗余及人为划分温度段的不合理性等问题,文中提出基于粗糙集和聚类的采空区煤自燃火灾预报方法。即使用粗糙集对原始样本去除冗余和特征维数约简,再用聚类方法对约简后的特征进行聚类得到各温度段的特征中心,并使用模式识别的方法,确定出煤自燃标志气体特征其与温度段特征中心的相似性,从而实现采空区遗煤自燃状态的识别和早期预报。     

基于支持向量机分类算法的多煤种煤 自燃危险性预测

为了高效地防治煤矿井下煤自燃,在分析现有的煤自燃预测方法的基础上,针对性地开展了基于支持向量机分类算法的煤自燃危险性预测研究.选取指标气体(氢气、一氧化碳、二氧化碳、甲烷、乙烯、乙烷)、气体浓度比值(烯烷比、Graham系数)和煤炭种类(褐煤、长焰煤、气煤、肥煤、焦煤、贫煤、无烟煤)作为特征指标,危险等级作为样本标签,建立了多煤种支持向量机煤自燃危险性预测模型.使用K-CV(K折交叉验证)法和网格搜索法、遗传算法、粒子群算法相结合的方式进行参数寻优,得出由网格搜索法确定的参数的模型分类准确率最高.将测试集带入模型进行检验,得出模型分类准确率为98.26%.最后将多煤种支持向量机模型与单煤种支持向量机模型和神经网络进行对比,得出多煤种支持向量机性能最优,能够很好地适用于现场煤自燃预测.     

融合粗糙集与球形支持向量机的多分类识别

构造了融合粗糙集与球形支持向量机的多分类识别模型,提出了基于相对距离的球形支持向量机多分类识别算法。首先,通过粗糙集对样本集进行属性约简;然后,对约简后的样本集运用球形支持向量机进行训练,对于未知样本,按照未知样本到各类球心相对距离的大小进行分类,将未知样本归入相对距离较小的一类中去;最后,仿真结果证明:该方法可以有效地消除冗余属性,降低支持向量机的样本输入维数,提高了泛化能力。     

基于RS-SVM在电力短期负荷预测中的应用

提出了一种基于支持向量机算法和粗糙集理论结合的短期电力负荷预测方法。首先利用粗糙集理论对电力负荷决策系统进行约简,消除样本无用信息和冗余,然后在此基础上设计支持向量机多分类器,进行短期预测分类。这样,可以有效减小SVM训练的数据,加快多分类器的处理速度。实验结果显示它能够有效地提高负荷预测精度,缩短了预测时间。     

基于粗糙集与粒子群优化支持向量机的瓦斯突出预测模型

针对煤矿开采中煤与瓦斯突出的预测问题,在综合分析瓦斯突出影响因素的基础上,利用粗糙集理论和支持向量机相结合的方法,选取煤厚变化、地质构造、煤坚固性系数、巷道采压、瓦斯变化、钻屑瓦斯解吸值等10个特征指标建立瓦斯突出预测决策表,并利用粗糙集理论中的属性约简算法剔除冗余信息,再使用粒子群算法优化支持向量机的参数,通过核函数将瓦斯突出主控因素映射到高维空间,拟合主控因素与瓦斯突出强度之间的非线性映射关系,建立了基于粗糙集理论和粒子群优化支持向量机的瓦斯突出预测模型.选用典型的瓦斯突出实例作为学习样本,以河南某矿的突出实例作为测试样本进行预测.实验结果表明,该模型能够满足煤与瓦斯突出预测的要求,预测结果与实际结果一致,准确率较高,具有较好的适应性.     

基于粗糙集的支持向量机微阵列数据分类方法

DNA 微阵列技术,使人们可以同时观测成千上万个基因的表达水平,对其数据的分析已成为生物信息学研究的焦点.针对微阵列基因表达数据维数高、样本小、非线性的特点,设计了一种基于粗糙集的支持向量机基因表达数据分类方法,该方法采用粗糙集进行基因特征约简,运用支持向量机进行数据分类,实验表明其分类效果良好.     

基于粗糙集与支持向量机的分类算法

针对高维大样本环境下支持向量机训练算法面临界的耗时增大与维数灾问题,将序列最小优化算法(SMO)与粗糙集(RS)的数据处理功能相结合,提出一种新的基于粗糙集与支持向量机的分类算法RS.SMO.该算法依据属性的重要性对数据集作属性约简,用粗糙边界集法生成类边界集作为SMO的训练子集,使训练集比原始训练集的维数与规模都有一定程度的减少,可构造出具有较好时空性能的算法.实验结果表明,RS-SMO算法能实现结构风险最小化,且性能优于SMO算法.     

煤自然发火预报的人工神经网络模型

采用自组织特征映射神经网络(SOFM)对采空区煤自然发火与否进行了识别分类.在此基础上,建立了通过分析采空区抽放孔气体成分和抽放孔位置参数来预报煤炭自燃的BP神经网络模型.对模型预测结果与实际情况进行了对比分析,结果表明,用人工神经网络方法识别和预报采空区煤自燃是可行的.为煤自燃程度的识别和预报探索出了一种新的方法.     

利用相似度分割特征集的混合核构造方法

核函数作为样本相似性的衡量尺度是影响支持向量机分类效果的重要因素。为了使相似性衡量尺度与样本特征的分布特点相适应,提出利用相似度分割特征集的混合核函数构造方法。通过研究每维特征在不同相似性函数下的区分能力,将特征集分割成相应的特征子集,并根据特征子集在分类中的重要性程度,对相应的样本相似度矩阵进行线性加权,得到最终的分类结果。实验结果表明,文中提出的混合核可以同时具有多种不同特性核函数的优点,改善了支持向量机分类器性能。     

基于机器学习的高血压病历文本分类

为了探讨中文病历文本预处理后高维稀疏性的特点,导致文本分类精度低、算法模型收敛速度慢等性能问题,提出一种基于粗糙集的词袋(BOW)模型结合支持向量机(SVM)的文本分类算法(BOW+SVM)。该算法首先采用BOW模型对特征词提取构建高维度文本空间向量,然后利用粗糙集的属性约简算法对文本特征处理,把模糊的、冗余的属性从决策规则中清除,降低空间向量维数,最后利用所提纯的特征与SVM分类器交叉结合进行文本分类。在Python+TensorFlow环境中设计六种交叉结合的算法仿真对比实验,结果表明:基于BOW+SVM高血压病历文本分类模型精准度可达97%。可见改进后的模型,能够解决样本分部不均,克服高维度稀疏特征空间的问题,有效改善病案管理工作流程。     

煤层自然发火指标气体的选择实验分析研究

通过对煤样进行热解实验,研究了新峪煤业公司5110工作面主采10#、11#煤层自然发火特性,测定了煤样在不同热解温度下CO、CO2、CH4、C2H4、C2H6等气体的浓度,确定了这些气体的检出温度。在实验研究的基础上,结合指标气体优选原则,分析了自然发火指标气体随温度变化的规律性,选出了适合本矿煤层自然发火预测预报的指标气体,对提高煤炭自燃早期预测预报的准确度和矿井防火有重要指导意义。     

煤炭自燃早期预报的模糊聚类关联分析法

针对煤炭自燃危险程度的模糊聚类分析预报法存在的不确定性，提出用关联分析法对其进行补充、修正与完善。即用模糊聚类分析法分类后，用关联分析法求待预报样本与各类之间的关联度，根据相关程度预报，将两种方法组合成模糊聚类关联分析预报法。用该法对煤炭自燃早期预测预报，不仅克服了模糊聚类单一分析预报法的不足，使定性预报转为定量预报，而且提高了预报的准确程度，为有针对性的控制煤炭自燃提供了更科学的依据。     

基于粗糙集和支持向量机的股指期货预测模型研究

本文提出基于粗糙集和支持向量机的股指期货走势预测模型。在模型中首先使用粗糙集对指标集进行特征选择,剔除冗余指标,然后使用支持向量机对基于历史数据的股指期货价格走势进行预测。为了评估该预测模型的性能,将预测结果与传统的自回归移动平均模型和BP神经网络模型的预测结果进行比较。实验结果表明了该模型的有效性。     

Study on Predicting Coal Spontaneous Combustion in Qingshan Mine

1 Introduction The mine fires caused by coal spontaneouscombustionthreats seriously to the safety of coalindustry. To prevent this kind of fire occurring,people pay more and more attentiontotheforecastfunction of sign gas of coal spontaneouscombustion[1]. The sign gas of coal spontaneouscombustion is a certain kind of gas which canforecast and reflect the state of coal spontaneouscombustion,and the quantity of this kind of gaschanges regularly with coal warming up.The signgas has positive mean…     

姚桥矿煤最短自然发火期实验和数值分析

针对目前煤炭自然的严重情况，利用大型煤低温自然发火实验台，对煤自然特性参数进行了测定和计算，确定了煤的自然发火期、临界温度、气体产生率、放热强度和极限参数，为煤自然过程的研究和煤自然火灾的预测和防治打下了基础。实验中所得数据能够很好的满足现场要求，实验精度在90％以上。     

基于信息增益优化支持向量机模型的煤矿瓦斯爆炸风险预测

为了探索基于样本数据的煤矿瓦斯爆炸风险预测,依据本质安全理念构建了预测瓦斯爆炸风险的指标集,结合机器学习与特征优化算法提出了信息增益(information gain,IG)与支持向量机(support vector machine,SVM)的组合模型,通过对优化后的14种特征信息的分类学习,完成对风险未知样本的预测任务.以全国100家煤矿企业为研究对象,使用不同模型分别预测瓦斯爆炸风险并全面分析和比较,实验结果表明,经过IG优化后的SVM模型预测正确率达到了95.45％,相对于单一SVM模型提高了9.09％,同时高于其他预测模型,证明了该组合模型在瓦斯爆炸风险预测领域的优越性.     

井下煤炭自燃发火期预测

准确地预测井下煤炭自燃发火期,并制定出预防和处理措施,才能防止火灾事故的发生。本文分析了煤炭氧化自燃系统所表现出的各种“白色信息”,并以火区附近的一氧化碳浓度作为预测指标,建立了自燃发火期预测模型,与实例是符合的。     

巷道煤体温度探测仪的开发与应用

在煤矿巷道防灭火工作中,由巷道松散煤体的蓄热散热环境、漏风动力和强度以及松散煤体内氧气分布的共同作用,在巷道变形与起伏带、巷道交叉应力集中区等地点煤柱内常出现高温,极易引发煤自燃火灾。测量煤自燃温度的主要目的是为了定位煤炭自燃高温区域。探测煤炭自燃温度(≥100℃)一直是煤矿安全生产过程中的重大难题之一。基于单片机技术,开发研制了一种新型巷道煤体温度探测仪,并以某煤矿为试点进行了现场应用,对巷道煤体温度信息进行了采集,得到了煤体温度的实时数据和变化发展趋势,即巷道煤体一定深度范围内,温度有不同程度的升降,具有波动性。煤壁内高温点距煤壁距离一般都在1~2 m左右,大于2 m以后煤体内温度趋于稳定。经现场试验验证,此仪器操作简便,测试温度准确稳定,能够较好的反映煤壁内部的温度数据。     

基于信息增益的中文网页SVM分类研究

针对中文网页文本分类中特征降维方法和传统信息增益方法的缺陷和不足做出优化改进,旨在有效提高文本分类效率和精度.首先,采取词性过滤和同义词归并处理对特征项进行初次特征降维,然后提出改进的信息增益方法对特征项进行特征加权运算,最后采用支持向量机(SVM)分类算法对中文网页进行文本分类.理论分析和实验结果都表明本方法比传统方法具有更好的性能和分类效果.