非均匀流体密度泛函理论研究进展-基于分形和支持向量机的.PDFVIP

第1卷 第3期 2006 年 10 月 中国科技论文在线 SCIENCEPAPER ONLINE 203 基于分形和支持向量机的瓦斯涌出量预测研究 李云玮，张 涛 （中国矿业大学机电与信息工程学院，北京 100083 ） [1] [2] 摘 要：本文依据分形理论 和支持向量机 ，建立矿井瓦斯涌出量的分形支持向量机预测模型。首先对瓦斯 涌出量数据进行时间序列分形处理，进行相空间重构（即求嵌入空间的维数），然后将嵌入维数作为支持向量 机的输入节点数，采用支持向量机对矿井瓦斯涌出量作出预测。结果表明：预测精度高达 99.9% ，说明将此模 型用于瓦斯涌出量的预测是可行的。 关键词 ：分形，支持向量机，时间序列，预测 中图分类号：TD712+.5 文献标识码：A 文章编号：1673－7180(2006)03 －0203 －5 0 引言 ——标度不变性，这些形体包括物理系统的混沌等 矿井瓦斯一直是困扰煤矿安全生产的一个难 以及由非线性动力学所控制的岩体、矿化范围等自 题，准确地预测矿井瓦斯涌出量的大小，对保证煤 然聚集体。所以，我们可以通过混沌系统的相空间 矿的安全，具有重要意义。尤其是将瓦斯地质基础 重构理论和支持向量机思想的相似性，即将低维的 理论与人工智能等高新技术相结合，使矿井瓦斯涌 非线性系统映射到高维的线性系统，由此建立了矿 出量预测工作规范化、科学化[3] 。 井瓦斯涌出量的分形支持向量机预测模型。 支持向量机（Support Vector Machine）作为一类 1 分形分维理论 新型机器学习方法，是由 [8] Vapnik 等人在上世纪 90 分维理论中，一个重要的思想是重构相空间 。 年代中期提出的基于统计理论的学习方法，由于它 即高维相空间中系统任一分量的变化都不是孤立 采 用 结 构 风 险 最 小 化 原 则 （ Structural Risk 的，它与其它分量之间存在相关性。因此，如果我 Minimization ），能较好地解决小样本、非线性、高 们已获得了一个看似一维的时间序列，实际上它已 维数和局部极小点等实际问题[4] ，目前，采用支持向 包含了高维的信息。事实上，确定非线性时间序列 量机预测时间序列已经达到了很高的精度，优于神 重构的最佳延时τ 和最小嵌入维数 m 是进行相空间 经网络。但对于支持向量机输入节点数的选取尚无 重构的关键，恰当的嵌入维数能保存下动力系统内 严格意义上的理论依据[5] ，而且对于给定的时间序列 在的确定性性质。m 太小，不足以展示复杂行为的 一般不考虑其混沌特性，因此我们要解决的是一个 细致结构，m 太大，则会使计算工作大大复杂化， 混沌时间序列通过支持向量机进行预测时，其输入 同时随之而引起的噪声的影响将不可忽视。τ 对重 节点数是多少？ 构吸引子的效果的影响也极大，若τ 太小，则吸引 本文研究的对象是矿井瓦斯涌出量，并且王永 子不能充分展开，冗余误差会增大；若τ 太大，则 先先生指出矿井瓦斯涌出量表现为既非确定的，也 不相关误差会增大，使得重构吸引子变得十分复杂。 非完全随机，而是一种模糊系统状态[6] ；邓军等人也 2 支持向量机原理 指出这类时间序列在时域内表现为长期相关，在频 2.1 支持向量回归用于函数逼近的