支持向量机是建立在统计学习理论中VC维和结构风险最小化原则基础上的一种新的机器学习方法。它具备坚实的数学理论基础,在模型复杂度和期望风险之间寻求最佳结合点,推广能力较强,很好地解决了传统机器学习方法中的过学习、维数灾难等问题,在有限样本、高维的模式识别问题中性能卓越,已成为机器学习领域中的研究难点与热点。正是由于支持向量机诸多的优越性能,它的出现为一些学习样本难以统计的实际应用(如煤矿人因事故等)提供了新的研究思路。近些年,随着我国煤炭需求量的逐年递增,煤矿特大事故也频繁发生。据统计,绝大部分煤矿事故直接或间接源于人因事故,人因事故已成为严重影响系统安全的重要因素。然而,由于煤矿行业的特殊性,人因事故形成因素繁多,事故特征不易提取,发生机理复杂,且事故数据难以精确统计,可利用的训练样本很少,因而单纯依靠传统安全系统工程方法评价人因事故有一定的局限性,而支持向量机提供了解决小样本、高维、非线性特征下的人因事故评价分析的有效方法。论文以统计学习理论为主线,讨论分析支持向量机分类算法中存在的不足,研究流形学习、内积相似性间隔、核校准等理论与支持向量机分类算法的融合,在理论改进的基础上,将支持向量机分类算法与煤矿安全评价理论相结合,应用支持向量机构建煤矿人因事故评价体系。论文研究工作主要集中在以下几个方面:1.支持向量机分类算法模型的改进研究针对支持向量机分类器对噪音过于敏感的缺陷,利用流形学习算法研究样本分布的内在规律,结合流形延伸方向分析其发展变化趋势,研究观测空间到嵌入空间的非线性映射下的分类性能评价方法,以此构造目标函数训练分类器。SVM求解最大间隔对应的分类超平面需要计算复杂的二次规划问题,时间复杂度较高。论文将核密度估计与支持向量机相结合,研究支持向量机的直接学习方法,以改进传统SVM算法在计算复杂性上的不足,具有模型简单、计算量小等优点,在保持较好泛化性能的同时得到更好的分类精度。此外,针对经典支持向量机在增量学习中的不足,给出一种基于云模型的最接近支持向量机增量学习算法。该方法利用最接近支持向量机的快速学习能力生成初始分类超平面,用其和k-近邻法对全部训练集进行约简,在得到的较小规模的精简集上构建云模型分类器直接进行分类判断。该算法模型简单,能够保持较好的分类精度和推广能力,运算速度较快。2.煤矿人因事故的安全评价指标体系研究论文在深入研究煤矿安全评价理论的基础上,详细分析了煤矿人因事故形成因素,针对人因事故的特点,提出一种基于蚁群优化算法的人因事故特征选择评价指标及相应的特征提取方法,将复杂的多因素交织的特征选择问题转化为并行的组合优化全局寻优过程。通过有效的特征选择,降低了系统的结构复杂性,消除冗余因素对系统评价的干扰。在此基础上,分析了改进的SVM算法模型在人因事故评价中的应用。3.支持向量机的模型选择算法及其在煤矿人子系统可靠性影响因素关联分析中应用研究核函数及其参数的选择对支持向量机的性能尤为重要。论文从间隔角度考虑,深入讨论SVM的推广能力、VC维与间隔之间的关系,提出一种新的特征空间中的内积相似性间隔,从理论上分析其函数集的表达能力,给出该函数集维数估计的上界;同时,借助核密度估计理论,构建基于核密度估计的高维特征空间中核参数模型评价指标,研究基于核密度估计的支持向量机核参数模型选择方法。在此基础上,论文详细分析了综采工作面人子系统可靠性及其影响因素,利用核密度估计聚类给出一种多指标人子系统可靠性等级划分方法,并结合支持向量机构建了可靠性等级与影响因素之间的显性映射关系,应用本文建立的模型选择方法进行核参数选择,使得该等级划分方法具有较好的非线性处理能力。4.支持向量机多类分类算法与煤矿组织管理因素安全评价模型研究研究提出一种新的支持向量机多类分类器,对参数进行有效约简,同时避免求解复杂的二次规划问题,解决了传统SVM在多类分类问题中的不足。在此基础上,将多类算法模型应用到煤矿安全组织管理因素分析,从人的管理、组织机构管理、企业环境管理、现场及技术管理四个方面详细分析了煤矿组织管理中的主要影响因素,提出一种基于核校准和支持向量机的组织管理安全评价等级预测方法,并分析了组织管理的安全评价等级与各影响因素的关联关系。5.煤矿人因事故安全评价分析原型系统研究了煤矿人因事故安全评价原型系统的设计与实现。将理论研究成果与实际应用相结合,从软件系统工程的角度,探讨了系统设计中的关键问题。该系统具有较好的实际应用价值,有助于提高煤矿安全管理水平,同时也为相关领域其它系统平台的研究提供参考和借鉴。