基于属性约简的绝缘节破损预测

准确的绝缘节破损预测能够保证铁路运输安全和经济效益。支持向量机算法能够处理轨道电路测试数据,对其进行分类,预测可能存在隐患的绝缘节,但支持向量机预测模型的原始样本多有冗余,基于此,提出了一种基于粗糙集和支持向量机的绝缘节破损预测模型。通过改进主分量启发式属性约简算法,降低样本维数,同时选用模拟退火算法完成SVM自动参数选优。实例分析和仿真结果表明,与单一支持向量机算法相比,属性约简后的粗糙集-支持向量机算法提高了分类器的分类性能,与采用网格搜索技术的SVM预测方法相比,模拟退火算法有效提高了SVM的预测精度。     

灰色支持向量机在瓦斯流量预测中的应用

在分析了灰色预测方法和支持向量机各自的优缺点基础上,提出了将二者相结合的一种新的预测模型灰色支持向量机瓦斯流量预测模型.新模型发挥了灰色预测方法中"累加生成"的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,同时避免了灰色预测方法及模型存在的理论缺陷,工程实例表明,所提出的瓦斯流量测模型较传统的GM(1,1)模型、支持向量机模型精度都有所提高,为瓦斯流量预测提供了一种新的方法.     

支持向量回归机在尾矿坝浸润线预测中的应用

本文提出一种基于支持向量回归机的浸润线高度预测方法,从大量尾矿库监测数据中选取有效样本,运用留一法对支持向量回归机参数进行优化选取,建立预测模型。结果表明：该方法能在小样本、高精度要求下对浸润线高度进行准确的预测。     

基于支持向量机的煤与瓦斯突出预测研究

为准确预测矿井煤与瓦斯突出的危险性,针对煤与瓦斯突出样本的不足从一定程度上制约了基于知识的方法在煤与瓦斯突出预测中的应用这一问题,利用支持向量机在小样本情况下具有较强识别能力的特点,提出了煤与瓦斯突出的支持向量机预测方法。对煤与瓦斯突出影响因素进行灰关联分析,提取特征向量。选用典型突出矿井的煤与瓦斯突出实例作为学习样本,以云南恩洪煤矿的突出实例作为预测样本,将支持向量机预测结果与其他预测结果进行对比。结果表明支持向量机模型能够满足煤与瓦斯突出预测的要求。     

基于MABC-SVM的含瓦斯煤体渗透率预测模型

对含瓦斯煤体的渗透率的有效预测,可为瓦斯抽采和瓦斯灾害的防治提供理论指导,采用改进的人工蜂群算法(MABC)和支持向量机(SVM)相结合对其进行预测。应用改进的人工蜂群算法优化支持向量机的核函数参数C和g,提高了支持向量机的预测准确性。选取有效应力、瓦斯压力、温度和煤的抗压强度作为影响含煤瓦斯渗透率的主要影响指标,结合实验室测试数据,建立MABC-SVM含煤瓦斯渗透率预测模型。研究结果表明:该模型具有较强的泛化能力,可以相对准确有效的对含煤瓦斯渗透率进行预测,为瓦斯渗透率的研究提供了新的研究思路。     

种族鱼群优化支持向量机序列理论监测尾矿坝

为监测预警尾矿坝的变形位移,提出基于结构风险最小化理论的支持向量机进行学习预测。通过采集有效数据,对时间序列数据进行归一化序列处理,然后采取种族鱼群选择向量机参数,对处理后的数据进行支持向量机回归预测。将该理论应用到某尾矿坝监测系统,得到了较为准确的预测结果,表明该理论充分利用了数据的统计特性,精度和泛化能力都得到了明显提高,可作为尾矿坝监测系统的有效指导。     

混合液体火灾爆炸危险性——闪点预测与实验研究

支持向量机应用核函数技术,已经成为当前国际上一个研究的热点,由于支持向量机具有良好的理论基础和泛化性能,可将其引入到混合液体闪点预测的研究之中,以期建立准确、高效的预测模型。本文建立了一个基于支持向量机的理论模型,用于预测二元互溶混合液体的闪点。根据所研究混合液体的物理性质,选择了纯物质的粘度、表面张力、配比、燃烧下限等物理参数来表征闪点,以这些参数作为输入参数,二元混合液体的闪点作为输出值,应用支持向量机方法对两者之间的内在定量关系进行模拟。结果表明,闪点预测值与实验值符合良好。本方法的提出为工程上提出了一种预测二元互溶液体闪点的有效方法,可应用于评估混合溶液的火灾爆炸危害性及本质较安全设计。     

基于IPSO-SVM对尾矿坝变形预测的研究

针对支持向量机在参数模型选择上的敏感性,以及在理论上无法直接实现的问题,在标准粒子群算法的基础上对粒子速度与位置更新策略进行改进,通过改进的粒子群算法对支持向量机模型参数进行选择优化,进而提出了一种改进粒子群优化支持向量机(IPSO-SVM)算法模型。根据尾矿坝实测数据,建立了基于IPSO-SVM算法的对尾矿坝坝体位移预测模型,同时与经典的SVM算法以及PSO-SVM算法进行比较分析。结果表明,3种算法在坝体变形预测中都具有较好的可行性,但IPSO-SVM算法在训练效率上有较大优势,而且具有较高的预测精度,更适合在变形预测中应用。     

基于支持向量机的边坡稳定性预测研究

针对边坡稳定性影响因素复杂,传统的稳定性分析存在计算量大、计算过程复杂的问题,提出了边坡稳定性的支持向量机预测方法。分析了边坡稳定性的影响因素,选择影响边坡稳定性的边坡重度、内聚力、摩擦角、边坡角、边坡高度、孔隙压力比6项指标为特征向量。并运行该方法对典型边坡实例进行了预测,预测结果与边坡稳定性实际状态及其它方法预测结果相吻合,表明了支持向量机在边坡稳定性预测中的可靠性和有效性。     

二元部分互溶液体闪点的支持向量机(SVM)预测与实验研究

建立了一个基于支持向量机的理论模型,用于预测二元部分互溶混合液体的闪点.根据所研究混合液体的物理性质,选择了纯物质的黏度、表面张力、配比、燃烧下限等物理参数来表征闪点,以这些参数作为输入参数,二元部分互溶液体的闪点作为输出值,应用支持向量机方法对两者之间的内在定量关系进行模拟.结果表明,闪点预测值与实验值符合良好.为工...     

硫化矿石自燃倾向性鉴定技术研究

根据硫化矿石自燃过程的复杂性,通过程序升温氧化（TPO）实验对硫化矿石吸附性能进行研究,提出了硫化矿石程序升温氧化（TPO）吸氧鉴定的方法,测试矿样温度从30℃到1000％条件下的总吸氧量和自热起始温度作为硫化矿石自燃倾向性鉴定指标,并对其进行分类;提出了基于支持向量机的硫化矿石自燃倾向性预测方法,通过预测建模最终达到了预期数据与实际数据的最佳拟合。     

Long-term prediction model of rockburst in underground openings using heuristic algorithms and support vector machines

Rockburst possibility prediction is an important activity in many underground openings design and construction as well as mining production. Due to the complex features of rockburst hazard assessment systems, such as multivariables, strong coupling and strong interference, this study employs support vector machines (SVMs) for the determination of classification of long-term rockburst for underground openings. SVMs is firmly based on the theory of statistical learning algorithms, uses classification technique by introducing radial basis function (RBF) kernel function. The inputs of models are buried depth H, rocks’ maximum tangential stress σ_θ, rocks’ uniaxial compressive strength σ_c, rocks’ uniaxial tensile strength σ_t, stress coefficient σ_θ/σ_c, rock brittleness coefficient σ_c/σ_t and elastic energy index W_et. In order to improve predictive accuracy and generalization ability, the heuristic algorithms of genetic algorithm (GA) and particle swarm optimization algorithm (PSO) are adopted to automatically determine the optimal hyper-parameters for SVMs. The performance of hybrid models (GA + SVMs = GA-SVMs) and (PSO + SVMs = PSO-SVMs) have been compared with the grid search method of support vector machines (GSM-SVMs) model and the experimental values. It also gives variance of predicted data. A rockburst dataset, which consists of 132 samples, was employed to evaluate the current method for predicting rockburst grade, and the good results of overall success rate were obtained. The results indicated that the heuristic algorithms of GA and PSO can speed up SVMs parameter optimization search, the proposed method is robust model and might hold a high potential to become a useful tool in rockburst prediction research.     

基于支持向量机的入侵检测研究

根据入侵检测和支持向量机的特点,提出基于最小二乘支持向量机异常检测方法,并建立基于支持向量机入侵检测的模型,对网络数据进行采集,提取特征,进行分类,分辨正常的数据和异常的数据。并在KDD CUP'99标准入侵检测数据集上进行实验,选取data_10_percent子集,把该数据集中的41个属性作为特征,将该子集最后一个属性label属性为:back,ipsweep,neptun,ports-weep和normal各200个数据进行测试。实证表明:该方法能获得较高检测率和较低误警率。     

模糊支持向量机在煤与瓦斯突出预测中的研究

模糊支持向量机(FSVM)综合了模糊理论和支持向量机(SVM)的学习理论,不仅继承了SVM在小样本情况下所具有的较强识别能力的特点,并且比SVM拥有更好的学习能力。在FSVM算法中,每个样本被赋予一个隶属度值,使得构造目标函数时不同的样本有不同的贡献,达到最大限度的消除噪声或者孤立点的效果。运用了灰色关联分析(GRA)对煤与瓦斯突出指标进行提取,引入了一个合适的模糊隶属度函数,并在此基础上提出了基于FSVM的煤与瓦斯突出预测的模型,通过实际数据的验证和其他预测方法的对比,证明了FSVM模型能够满足煤与瓦斯突出预测的要求。最后,将FSVM和传统SVM对同一组数据进行训练,证明了FSVM相比较传统SVM拥有更高的精确度。     

PCA-SVR在煤层瓦斯含量预测中的应用

针对煤层瓦斯含量与其影响因素之间存在着复杂的非线性关系,建立了基于主成分分析和支持向量回归机的煤层瓦斯含量预测模型。该模型有效地解决了小样本、非线性预测的问题,并发挥了主成分分析法消除输入变量间相关性的优点,减少了输入变量个数,提高了预测精度和收敛速度。通过实证分析,该模型的预测精度高,能够直接用于煤矿现场预测煤层瓦斯含量。     

尾矿坝浸润线数据挖掘预测模型的样本选取研究

本文分别应用时间序列功能模型和回归模型,在原始数据的基础上建立样本,并运用支持向量回归机算法对样本进行训练,得出了尾矿坝浸润线埋深预测模型并进行了实例应用。研究证明,运用时间序列模型选取训练样本能够得出更为精确的预测结果。     

基于SVM的矿井通风阻力系数影响因素分析与预测

矿井通风阻力系数是通风安全最重要的基础参数之一,为了实现矿井通风阻力系数简单准确地预测,提出了利用支持向量机（SVM）来预测矿井通风阻力系数的方法。通过分析影响因子与矿井通风阻力系数的相关性关系,并利用MATLAB逐步建立单影响因素与矿井通风阻力系数、多影响因素与矿井通风阻力系数之间的SVM预测模型,对比分析各预测模型的相对误差,确定最佳矿井通风阻力系数预测模型,即当输入模型影响因素为巷道断面积、周长和支护方式时,预测相对误差小于10%的样本数占测试样本的76%,相对误差小于20%的样本数占测试样本的90%。结果表明:该预测方法在矿井通风阻力系数预测中是可行的,并具较高的准确性。