论文部分内容阅读
我国的矿井中,水害事故频繁发生,其带来的损失庞大,严重威害着煤矿企业员工的生命财产安全和煤矿企业的经济效益以及煤矿工业的长期健康稳定发展,给我国主要煤矿生产基地——华北型煤田的安全生产造成更严重的影响。其中,煤层底板突水事故是最常见、危害程度最大的一种水害事故,突发性和破坏性极强。由于我国矿区自然环境和水文地质条件较特殊,使得突水的影响因素多且复杂。同时,很多传统预测方法在工程应用时效果并不特别如意。因此,实现对煤层底板突水危险性的准确预测是有效防治水害的关键,也一直是煤矿安全领域的关键技术难题和水文地质工作者积极探索的重大研究课题。本文同时运用数据挖掘中的粗糙集(rough set,RS)与最小二乘支持向量机(least square support vector machine,LSSVM)两种算法,建立基于RS与LSSVM的煤层底板突水预测模型。首先利用RS理论和模糊C-均值聚类算法相结合方法对煤层底板突水初始样本中的连续属性数据进行离散化处理,进而对离散化后的决策表进行粗糙集处理,以提取煤层底板突水的重要知识,即在决策表分类能力及数据完整性保持不变的前提下删掉样本中的冗余信息,简化决策表,提高样本质量。将粗糙集属性约简后得到的煤层底板突水影响因素作为新的特征指标,利用LSSVM对约简后得到的样本进行训练,选择适合的核函数,并选用k-折交叉验证法来寻找LSSVM的最优参数,建立模型。最后将模型应用于煤层底板突水预测,同时,与未经过RS处理的LSSVM、支持向量机和径向基神经网络方法的预测结果进行对比。实验结果表明,在样本数量相对较少的情况下,基于RS与LSSVM的煤层底板突水预测模型的预测准确率更高、运行速度更快,推广和泛化能力良好。RS与LSSVM相结合的方法在煤层底板突水预测领域中有很好的应用前景。