高维数据流形的低维嵌入问题研究

Isomap是基于流形理论提出的一种非线性降维方法,用于恢复潜藏于高维空间低维子流形中数据的低维参数。Isomap方法的一个重要前提是假设数据空间与参数空间之间存在等距映射。通过流形学习和对Isomap方法的分析,证明了高维数据空间与参数空间之间存在一般意义下的等距映射,并引用一个基于Isomap的实例说明Isomap算法的有效性。     

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.     

瓦斯突出等级预测模型

针对瓦斯突出等级评判方法预测准确度低的问题，提出一种基于拉普拉斯特征映射算法（LE）和改进的乌鸦搜索算法（ICSA）优化核极限学习机（KELM）的瓦斯突出预测模型。利用LE算法对瓦斯突出数据进行非线性降维，消除变量间的相互重叠；引入Tent扰动序列、自适应步长和自适应感知概率改进传统的乌鸦搜索算法（CSA），有效避免算法陷入局部最优，提高算法的收敛性能；采用ICSA算法对KELM的相关参数进行寻优，建立基于LE和ICSA-KELM的瓦斯突出等级评判模型。经过对比试验表明，该模型能够有效提高预测准确率。     

Matlab在工作面煤与瓦斯突出预测中的应用

考虑到煤与瓦斯突出发生的内在机理的复杂性,突出影响因素与突出事件之间的非线性,阐述了人工神经网络的原理和算法,在分析了煤与瓦斯突出的主要影响因素的基础上,依据功能强大的matlab神经网络工具箱,采用BP人工神经网络模型,通过训练得到了影响突出因素与突出事件之间的关系,为突出非线性动力机制及预测提供了新的途径.实例表明,Matlab神经网络工具箱用于煤与瓦斯突出预测是可行的.     

非线性降维在高维医学数据处理中的应用

针对非线性高维医学数据降维的困难,引入了一种新的非线性降维方法Isomap,并从算法原理的角度讨论了方法在医学数据处理中的适用性。该文将Isomap应用在两个典型医学数据集(肺癌基因表达数据和乳腺癌病理数据)的分析中,发现它们的本质维数都低于3,因而可以得到在低维投影空间中的可视化表示。实验进一步将Isomap和主成份分析(PCA)的投影结果相比较,并统计类内距离,结果显示Isomap优于传统的线性降维技术。这说明了非线性降维技术在高维医学数据分析中的潜力。     

Isomap算法在地震属性参数降维中的应用

本文针对非线性高维地震属性参数降维的困难,引入了一种新的非线性降维方法Isomap,并将Isomap降维的结果与线性的MDS降维结果通过小波神经网络进行检验,从算法原理的角度讨论了Isomap算法在地震属性参数降维处理中的可适性．     

基于流形学习的网络数据流异常检测

将非线性流形学习应用于网络数据流的降维过程,基于局部保持投影(LPP)算法基本思想,提出基于类别信息的监督判别LPP(SDLPP)算法;与传统线性降维算法和传统流形学习算法的结果进行对比,以验证算法的准确性与稳定性;建立基于SDLPP算法的网络数据流异常检测系统实施模型。结果表明:SDLPP算法通过多目标优化,在保证局部保持投影同时实现类间距离最大与类内距离最小,在挖掘低维特征空间嵌入的同时提高了分类效果;非线性的流形学习算法能有效挖掘高维数据中的低维流形,保证了维数约减过程中的非线性结构;SDLPP算法能够生成显式投影映射,泛化性较好,时间复杂度低,更加适合网络数据流实时监测系统,并可应用于实际的网络数据流入侵检测模型。     

两种基于谱方法的流形学习算法研究

流形学习方法是一种新型的非线性降维方法,它可以有效地对具有内在流形形式的非线性高维数据进行维数约简.目前,流形学习已被成功应用于聚类、可视化等数据挖掘领域,表现出卓越的性能.首先讨论了流形学习的研究现状,然后介绍了这一领域中影响最大的2种算法:局部线性嵌入算法和等距特征映射算法.     

基于双度量约束的拉普拉斯特征映射

针对传统的拉普拉斯特征映射(LE:Laplacian Eigenmaps)算法采用欧氏距离度量样本点之间的位置关系只适用于线性数据集,但实际工程中的数据常表现出强烈的非线性导致最终的嵌入结果难以反映出原始数据的本质特征问题,提出了一种基于双度量约束的拉普拉斯特征映射(D-LE:Double metric constraint Laplace Eigenmaps)的算法.该算法采用余弦相似性评估样本间的相似性,并融合样本间以及样本与局部流形的度量关系,构建降维模型.通过在3个轴承数据集上进行实验,实验结果表明,该方法对处理非线性数据集能明显提高降维效果.     

基于核矩阵等距映射的无线传感网络节点定位算法

针对无线传感网络(Wireless Sensor Network, WSN)中节点位置信息呈现非线性的问题,基于偏最小二乘法(Partial Least Squares, PLS)稳健的多元线性回归特点,结合流形学习中的非线性降维方法,提出了一种基于PLS的核矩阵等距映射(Isometric Feature Mapping,ISOMAP)节点定位算法.通过节点间测地距离表征节点非相似性,利用样本点贡献率找寻和剔除邻域中的"短路"边,经质心变换和核变换后映射至高维特征区间,采用PLS方法求得节点位置.仿真结果表明,相比ISOMAP和多维尺度(Multidimensional Scale Method, MDS)算法,该算法具有良好的拓扑稳定性、泛化能力、稳健性和定位精度,降低了计算复杂度.     

煤与瓦斯突出声发射的神经网络预测方法

以自适应神经网络的基本原理为基础,以声发射总事件、大事件、能率时间序列为基础数据,将神经网络模型应用于煤与瓦斯突出危险性预测.应用结果表明,煤与瓦斯突出声发射神经网络预测法具有预测方法简单、准确性高等特点,可应用于工作面煤与瓦斯突出危险性的预测.     

煤与瓦斯突出预报的模糊聚类关联分析法

首先采用模糊聚类分析对煤与瓦斯突出的样本集合进行分类，建立不同突出程度的模糊模式。然后用关联分析确定待预报样本与模式的关联程度，以此预测预报样本的煤与瓦斯突出危险程度。这种预报方法相对于模糊聚类分类后，将模式与待预报样本组成新的样本集合，再进行聚类分析，以此分类结果进行预报法。不仅可靠程度高，而且能定量描述待报样本与模式的亲和程度。     

煤与瓦斯突出预测层次分析-模糊综合评判方法

将层次分析和模糊综合评判方法结合起来应用于煤与瓦斯突出预测研究中.运用层次分析法确定了煤与瓦斯突出各影响因素权重系数,采用隶属函数构造了单因素判别矩阵,并运用模糊综合评判法建立了煤与瓦斯突出预测模型. 对平顶山研究区典型工作面进行了瓦斯突出危险性的定量预测和突出等级划分.结果表明,应用层次分析-模糊综合评判方法预测煤与瓦斯突出强度是可行的.     

基于量子免疫遗传算法的煤与瓦斯突出神经网络预测

为了用BP神经网络更准确地预测煤与瓦斯突出危险性,将免疫算法中基于繁殖概率的抗体多样性保持机制引入量子遗传算法(QGA),提出量子免疫遗传算法(QIGA)优化神经网络模型QIGA-BP。模型采用QIGA分别对神经网络的隐含层和连接权值进行全局寻优,以此提高BP网络的搜索效率和泛化能力。以平均影响值分析法筛选的煤与瓦斯突出显著变量作为BP网络的最佳输入参数,分别用QIGA-BP,QGA-BP,免疫遗传优化BP模型和传统BP模型对突出煤层工作面的实例数据进行预测。结果表明,QIGA在BP网络优化过程中具有更好的优化性能,用QIGA-BP模型预测工作面突出危险性具有更好的预测能力和更高的预测准确率。     

煤与瓦斯突出预报数据关联性的聚类分析

合理地选择突出控制因素是进行突出预测的关键技术之一．首先给出了基于系统聚类的突出预报数据关联性分析方法，通过DB Index准则判断聚类模型的有效性．然后研究了煤与瓦斯突出控制因素的选择规则．最后以平顶山煤矿为例，分析了该矿突出预报数据间的关联性，得到了相应的变量聚类树，并选择了主要的突出控制因素．仿真结果验证了所提出的突出控制因素选择方法的合理性和有效性．图2，表3，参11．     

淮南地区地震和煤与瓦斯突出相关性研究

研究了区内地质构造的特点，利用地质动力区划理论解释了淮南地区地震和煤与瓦斯突出现象的成因：分析了大量地震和煤与瓦斯突出数据，以及区内地震和煤与瓦斯突出的分布特征，结果表明二者具有同步性和重叠性；地震所反应的应力场变化符合区内、煤与瓦斯突出的动力源特征以及二者在时空分布上存在相关性，为预测矿井动力现象发生的危险区域提供了宏观上的指导。     

煤与瓦斯突出灾变预警与应急辅助决策

为了实现煤与瓦斯突出突变预警，以便及时采取应急措施防止事故扩大，提出了煤与瓦斯突出灾变预警与应急辅助决策技术。具体对瓦斯涌出异常特征进行了分析，给出了煤与瓦斯突出灾变的监测与识别方法；结合煤矿现有的安全监测系统，对灾变后瓦斯涌出量预测、波及范围预测、区域断电措施等技术进行了研究；并利用以上技术对大平煤矿“10·20”瓦斯爆炸事故进行了反演，该技术能在瓦斯波及之前发出将波及预警和给出相关应急措施建议。