论文部分内容阅读
煤矿采空区自燃是严重威胁煤矿安全生产的灾害之一,其所造成的损失也是巨大的,严重威胁了煤矿工人的生命安全和煤炭工业的可持续发展。因此对于采空区煤炭自燃进行预测研究是很有现实意义的,可以为矿上提供基础的预报信息,有效降低煤炭自燃所造成的损失和伤亡,达到防火减灾的目的。在研究煤自燃过程中,人们逐步发现在预测指标体系的选取上要考虑各种因素,并且与自然发火与否有一定关系,这种关系具有具有不确定性是一种非线性映射关系,这给采空区自然发火预测带来了一定的局限性和难度。因此面对大量的采空区自燃指标测定数据资料,如何准确识别出关键的指标信息,如何构建出泛化能力强的模型来模拟这些指标信息与采空区自燃之间的非线性关系,是采空区火灾预测研究领域中亟待解决的问题。本文将粗糙集和支持向量机两种算法相结合,建立了基于粗集与支持向量机的采空区自然发火预测模型。通过采用基于粗糙集理论和OPTICS算法相结合的连续属性离散化算法对煤自燃样本原始的连续数据进行离散化处理,并利用粗糙集理论将离散化后的决策表进行采空区自然发火信息的知识获取,即在保持分类能力不变的情况下,删除不相关或不重要的信息,实现数据降维。经过粗糙集将采空区自然发火的影响因子进行预处理以后,将约简属性作为输入向量,利用支持向量机对约简数据进行模拟训练,并选择了合适的支持向量机核函数,利用k-折交叉验证和网格搜索方法对支持向量机参数进行优化。在对粗集——支持向量机方法的试验中,通过与直接用支持向量机和神经网络方法的比较,发现在样本数据有限的条件下,基于粗集——支持向量机的采空区自然发火预测模型训练速度快、预测精度高,具有良好的推广和泛化能力。本文的研究可以给煤矿监测人员提供合理参考,对避免和降低煤炭自然发火灾事故的发生具有一定的帮助。