随着煤炭需求的增加,煤与瓦斯突出的动力灾害事故频繁发生且日益严重。因此,有必要研究煤与瓦斯突出危险性预测,以实现其快速且准确的预测。但是在现实的生活中,煤与瓦斯突出的事件远少于不突出的事件,且突出强度也不同,因此收集到的数据样本是非均衡数据,数据集的不均衡直接影响到分类预测的准确性,因此本文主要是在非均衡数据应对策略下,从数据和算法两个方面对煤与瓦斯突出的问题进行研究,提出了基于GREA-PCA数据处理的IFOA-ELM预测模型。首先对于非均衡数据采取欠采样策略、过采样策略或改变评价指标应对策略,之后在数据上主要是利用灰色关联分析和熵权法结合的灰色关联熵(GREA)提取主要的影响因素、利用主成分分析(PCA)降低维度。在算法上主要是通过改进果蝇优化算法的初始位置维度、果蝇个体搜索步长以及在迭代更新中引入群体适应度方差等策略,来形成IFOA算法并优化极限学习机的权值与阈值,构建IFOA-ELM预测模型。最后,在python平台上应用UCI数据集中fertility数据集进行仿真实验,实验发现过采样策略与改变评价指标策略下的预测准确率高于欠采样策略。且三种策略下,经过GREA-PCA处理后的数据代入模型后预测效果比不进行处理的效果好;经过GREA-PCA处理后IFOA-ELM模型、FOA-ELM模型以及ELM模型进行对比,IFOA-ELM模型比ELM以及FOA-ELM模型的预测效果好、准确性高。通过对平顶山八矿煤与瓦斯突出数据样本进行分析,综合选取了九个煤与瓦斯突出的影响因素,在过采样和改变评价指标策略下,将数据输入到基于GREA-PCA数据处理的IFOA-ELM模型中,并进行对比实验。研究表明,无论是过采样策略还是改变评价指标策略,GREA-PCA数据处理有效提高模型预测效果,且相比于FOA-ELM模型与ELM模型,IFOA-ELM模型预测结果与实际的结果相一致。因此,可以说明在非均衡数据应对策略下基于GREA-PCA数据处理的IFOA-ELM模型预测煤与瓦斯突出的准确度高,为有效地实现煤与瓦斯突出预测提供一种新的方法。该论文有图22幅,表33个,参考文献73篇。