支持向量机(SVM)主要用于解决有限样本学习问题,而且对数据的维数和多变性不敏感,具有较好的分类精度和泛化能力。SVM方法已经被成功用于孤立的手写体识别、文本分类、人脸识别等方面,并显示了巨大的优越性。支持向量机的主要应用是两类问题的分类以及回归,而现实中的许多问题都是多分类问题,如何将SVM扩展,构造性能良好的多值分类方法,一直是SVM研究的热点。冲击地压是一种复杂的非线性动力学现象,是煤矿开采等人工活动诱发的一种地质灾害。现在对于冲击地压的研究有许多的方法,如机制分析、现场试验、声发射、能量理论、强度理论、突变理论、分形理论等,但是由于冲击地压现象的复杂性,对它发生机制的认识还很难深入,因此采用传统的数学、力学很难建立相应的预测模型。特别是现实中的冲击地压的数据还不是很多,那么如何在小样本的情况下提取数据特征,以实现预测模型有较好的推广能力,是一个重要的研究课题。本文采用统计学习理论中最成熟的支持向量机的方法来解决这类问题。随着计算机技术和测试手段的提高,基于现场数据进行冲击地压研究有很好的应用前景,因此预测方法就显得尤为重要。遗传算法和微粒子群方法与支持向量机相结合,既能够充分发挥支持向量机优秀的推广能力,又能够发挥遗传算法和微粒子群算法全局优化性能。该方法既适用于处理小样本,非线性等复杂问题,又避免了支持向量机参数确定困难的问题。冲击地压危险程度分为3级：严重冲击危险区,中等冲击危险区,无冲击危险区。所以研究多分类支持向量机对于预测冲击地压发生等级有着重要的意义。球结构多分类支持向量机对于解决多分类问题有着独特的优势,在此本文提出了一个在不均衡情况下的球结构支持向量机模型,实验表明该方法对于冲击地压有更好的预测效果。