煤与瓦斯突出灾害信息模式识别与集成决策-控制理论与控制工程专业毕业论文.docxVIP

- - III - 目 录 摘 要 I Abstract II 1 绪论 1 1.1 课题的由来 1 1.2 研究的意义 2 1.3 研究现状 2 1.3.1 工作面预测 2 1.3.2 区域预测 3 1.3.3 现有研究的弊端 3 1.4 研究思路 4 1.4.1 建模思路 4 1.4.2 社会及经济效益分析 4 1.5 技术路线 5 1.6 文章的组织结构 5 1.7 本章小结 6 2 突出时空预测体系 7 2.1 系统学原理应用至突出时空预测 7 2.1.1 整体性 7 2.1.2 最优化 7 2.1.3 动态性 7 2.1.4 反馈 8 2.1.5 层次性 8 2.2 突出时空预测体系的建立 8 2.2.1 早期与区域区段预测的多种指标法 8 2.2.2 电磁辐射法 9 2.2.3 即时与点预测采用的方法 9 2.3 应用检验 10 - - PAGE IV - 2.3.1 试验条件 10 2.3.2 效果分析 11 2.4 总结 13 3 突出信息的特征选择 14 3.1 数据预处理 14 3.1.1 离群点剔除 14 3.1.2 数据归一化 14 3.2 特征选择的准则 15 3.2.1 散度测度 15 3.2.2 多准则并列式特征选择 16 3.3 用于特征选择(属性约简)的算法 16 3.3.1 前向浮动搜索算法(SFFS) 16 3.3.2 离散蜂群算法 17 3.3.3 粗糙集理论 20 3.4 突出灾害信息特征选择实例 23 3.5 本章总结 24 4 基于 CBC-MLP 和 SVM 的突出预测模型研究 25 HYPERLINK \l _TOC_250000 CBC-MLP 设计 25 4.1.1 神经网络 25 4.1.2 多层感知器(MLP) 26 4.1.3 混沌蜂群(CBC)算法 26 基于 CBC 算法的 MLP 研究 31 CBC-MLP 应用至突出预测 32 4.2 SVM 分类模型应用 34 4.2.1 概述 34 4.2.2 煤与瓦斯突出 SVM 预测软件 CGOP-SVM 35 4.3 总结 37 5 用于突出预测的多分类器融合研究 38 5.1 多分类器融合用于突出预测的必要性 38 5.2 基本思想 38 5.3 多分类器融合框架 39 5.3.1 基分类器 39 5.3.2 分类器融合策略 41 5.4 CBC 算法优化分类器融合权值 43 5.4.1 算法步骤 43 5.4.2 对比试验 43 5.5 多分类器融合突出预测模型 47 5.6 总结 48 6 突出灾害信息识别的集成决策系统(CGOCIDS)实现 49 CGOCIDS 功能 49 6.1.1 数据采集 49 6.1.2 特征选择功能 49 6.1.3 预测突出功能 49 6.1.4 画面显示 49 6.1.5 安全管理 49 6.1.6 系统可维护性 50 6.1.7 报表功能和历史数据备案 50 6.1.8 报警功能 50 6.1.9 二次开发功能 50 CGOCIDS 设计思想 50 CGOCIDS 的系统设计 51 6.3.1 体系架构设计 51 CGOCIDS 的模块设计 52 CGOCIDS 的数据库设计 53 CGOCIDS 的界面设计 57 CGOCIDS 的实现 57 6.4.1 系统菜单 57 6.4.2 管理员状态下系统的功能 59 6.4.3 操作员状态下系统的功能 61 6.5 本章小结 64 7 总结 65 7.1 全文总结 65 参考文献 66 附录 主要源代码 69 作 者 简 历 72 学位论文原创性声明 73 学位论文数据集 74 - - PAGE 10 - 1 绪论 1.1 课题的由来 “煤炭工业在较长的一段时期，尚不能改变其作为关系国民经济生命线的重要 基础工业的地位”[1]。自 2000 年以降，伴随煤层开采的加深，开采规模的扩大和新 开采技术的采用，突出灾害有往严重方向发展的趋势。大致情形如图 1.1 所示。 事 故起数 一般死 亡事 故 50  150 重 大死亡 事故 死 亡人数 40 100 30 20 50 10 0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10 140 120 100 特大死 亡事 故  120 100 特 别重大 事故 80 80 60 60 40 40 20 20 0 1 2 3 4 5 6 7 8 9 1