煤矿百万吨死亡率预测方法研究及应用
|
摘要
本文在简要分析煤矿百万吨死亡率计算方法和存在问题的基础上,结合各产煤省区近几年来的煤矿百万吨死亡数据,利用灰色关联分析方法、基于Vague思想的[-1,1]线性生成算子的数据无量纲化处理方法和基于煤炭产量的关联度加权的两种改进灰色关联分析方法,建立了包括集体所有制煤矿产量所占比例、高瓦斯矿井所占比例、煤与瓦斯突出矿井所占比例、从业人员中工程技术人员比例、机械化掘进率、采煤机械化率、从业人员平均工资、综合机械化采煤率、原煤全员效率的煤矿百万吨死亡率预测指标体系；接着引入了基于缓冲算子的灰色预测模型,对煤矿百万吨死亡率预测的指标进行了测算,并从前10阶的缓冲算子的预测结果中选取最佳测算值；最后,提出基于一种多阶灰色、最小二乘支持向量机的煤矿百万吨死亡率组合预测新模型Dm-GM(1,1)-LSSVM;利用遗传算法、粒子群算法和网格搜索算法分别对新模型中的惩罚参数和核参数进行寻优。通过实例验证,本论文建立的模型和计算方法提高了煤矿百万吨死亡率的预测精度。
By analyzing the calculation methods and problems of the death rate per million-ton coal(DRPMTC), the paper adopts the gray relational analysis method and the two improved gray relational analysis methods(the data dimensionless method based on Vague ideas and set [-1,1] linear generate operator and association weighted based on coal production) to establishe the index system of DRPMTC with the data of each coal-producing province in recent years. It contains the proportion of collective ownership coal production, the proportion of high-gas coal mine, the proportion of coal and gas outburst coalmines,the proportion of the engineers and technicians, mechanized tunneling rate, rate of mining coal mechanization, the average wage, mechanized mining coal rate and the full efficiency.Then, the dissertation introduces the gray prediction model based on the buffer operator, and calculates the prediction indexes of DRPMTC, and selects the best estimated values from the prediction values of the previous10order buffer operator. Finally, a new combination prediction model,Dm-GM(1,1)-LSSVM, which combines gray prediction model and LSSVM prediction model is put forward. directly affect the accuracy of support vector machine. The dissertation uses genetic algorithm (GA),particle swarm optimization (PSO) and grid search algorithm for the optimal penalty parameter and nuclear parameter of the prediction model,and improves the accuracy of death rate per million-ton coal with examples.
By analyzing the calculation methods and problems of the death rate per million-ton coal(DRPMTC), the paper adopts the gray relational analysis method and the two improved gray relational analysis methods(the data dimensionless method based on Vague ideas and set [-1,1] linear generate operator and association weighted based on coal production) to establishe the index system of DRPMTC with the data of each coal-producing province in recent years. It contains the proportion of collective ownership coal production, the proportion of high-gas coal mine, the proportion of coal and gas outburst coalmines,the proportion of the engineers and technicians, mechanized tunneling rate, rate of mining coal mechanization, the average wage, mechanized mining coal rate and the full efficiency.Then, the dissertation introduces the gray prediction model based on the buffer operator, and calculates the prediction indexes of DRPMTC, and selects the best estimated values from the prediction values of the previous10order buffer operator. Finally, a new combination prediction model,Dm-GM(1,1)-LSSVM, which combines gray prediction model and LSSVM prediction model is put forward. directly affect the accuracy of support vector machine. The dissertation uses genetic algorithm (GA),particle swarm optimization (PSO) and grid search algorithm for the optimal penalty parameter and nuclear parameter of the prediction model,and improves the accuracy of death rate per million-ton coal with examples.
引文
1. 中国煤炭工业网http://www.chinacoal.gov.cn.
2. 国家安全生产监督管理局http://www.chinasafety.gov.cn.
3. 国务院令(2005)18号.国务院关于促进健康发展的若干意见[R].国务院.2005.
4. 2000-2011年.煤炭工业统计年报[R].国家安全监管总局.
5. 2000-2011年全国煤炭工业生产安全事故统计分析报告[R].国家煤矿安全监察局统计司.
6. 国家煤矿安监局事故调查司,国家安全监管总局国际交流合作中心.世界主要产煤国家煤矿安全生产状况及事故案例[Z].2010.
7. 安监总规划[2007]41号.煤矿安全生产“十一五”规划[S].国家安全监管总局,2007.
8. 李艳梅.张雷.中美煤矿安全比较与借鉴[J].中国安全科学学报,2005.15(11)：45-47.
9. 彭成.中美煤矿安全差距三大原因解读[N].中国安全生产报,2005.
10.支同祥.充分认识新形势下调度统计重要内涵发挥安全生产调度统计的功能和作用[R].2006
11.国务院(2004)2号.国务院关于进一步加强安全生产工作的决定[S].国务院,2004.
12.王德学.2011年全国安全生产控制指标汇报会[R].2011
13.王显政.关于建立安全生产控制指标体系的意见[J].中国农机监理.2004年第2期13-15.
14.黄雨生.煤矿井下涌水量灰色灾变时间预测模型[J].焦作工学院学报.1999.18(1)：36-37.
15.杨瑞波；陈建宏；郑海力.残差修正GM(1,1)模型在煤矿事故预测中的应用[J].矿业研究与开发,.2011,1(3)：282-283.
16徐精彩,王华.煤自燃极限参数的神经网络预测方法[J].煤炭学报,2002.27(4)：366-370.
17.杨中,丁玉兰,赵朝义.开滦煤矿安全事故的灰色关联分析与趋势预测[J].煤炭学报,2003,28(1)：59-63.
18.吕海燕.生产安全事故统计分析及预测理论方法研究[D].北京林业大学博士学位论文.2004.
19.刘铁民,廖海江.基于ARMA模型的中国工伤事故死亡率预测研究[J].中国安全生产科学技术,2005,1(3)：3-6.
20.吕品,周心权.灰色马尔可夫模型在煤矿安全事故预测中应用[J].安徽理工大学学报.2006.26(1)：10-13.
21.孙忠林.煤矿安全生产预测模型的研究[D].山东科技大学博士学位论文.2009.
22.张林华.刘玉洲.利用灰色马尔可夫模型预测煤矿安全事故[J].煤炭科学技术.2006.34(11)：26-30.
23.俞树荣,张志新,马东方,斤东民.基于BP网络的我国工伤事故死亡率预测模型[J].甘肃科学学报.2006,18(4)：114-116.
24.聂小芳模糊粗糙集与支持向量机在煤与瓦斯突出预测中的应用研究[D].辽宁工程技术大学.2009.
25.胡双启.李勇.灰色Elman神经网络在火灾事故预测中的应用研究[J].中国安全科学学报.2009.19(3)：106-109.
26.金珠.改进的支持向量机分类算法及其在煤矿人因事故安全评价中的应用[D].中国矿业大学博士论文.2011
27.张小兵.张瑞新.区域性煤矿百万吨死亡率指标的宏观预测研究中国安全科学学报[J].2009.4(19)：140-144
28.卢增祥.李衍达.交互SVM学习算法及其在文本信息过滤中的应用[J].清华大学学报.1999.
29.张铃.支持向量机理论与基于规划的神经网络学习算法[J].计算机学报.2001.24(2)：113-115.
30. Vapnik V. The Nature of Statistical Learning Theory[M].Springer-Verlag.New York.1995.
31.张学工译.统计学习理论的本质[M].北京：清华大学出版社,2000.
32. Duan K.Keerthi S S.Poo A N. Evaluation of simple performance measures for tuning SVM hyperparameters[J].Neuroeomputing,2003.51(1):41-59.
33. Keerthi S S.Lin C J.Asymptotic behaviors of support vector machines with Gaussian kernel[J].Neural Computation.2003.15(7):1667-1689.
34. Strauss Daniel J.Steidl Gabriele.Hybrid wavelet-support vector classification of waveforms[J].Journal of Computational and Applied Mathematics.2002,148(2):375-400.
35. Amari S.Wu S.Improving support vector machine classifiers by modifying kernel functions[J].Neural Networks,1999,12(6):783-789.
36.吴涛,贺汉根,贺明科.基于插值的核函数构造[J].计算机学报,2003.26(8)：990-996.
37.常群,王晓龙.林沂蒙,等.通过全局核降低高斯核的局部风险与基于遗传算法的两阶段模型选择[J].计算机研究与发展.2007.44(3)：439-444.
38. Chen G Y,Bhattacha P. Function dot product kernels for support vector machine[C].Proeeeding of 18th International Conference on Pattern Recognition, ICPR2006, HongKong.614-617.
39. Scholkopf B.Burges C J C.Smola A J.Advances in kernel methods-support vector [MJ.Cambrideg:MIT Press,1999.
40. Cortes C., Vapnik V. Support Vector Networks[J]..Machine Learning,1995,Vol.20:273-239.
41. Osuna E.,Freund R. An Improved Training Algorithm for Support Vector Machines[C].In:Proeeedings of the IEEE Wbrkshop on Neural Networks for Signal Proeessing,1997.
42. PlattJ.C. Sequential Minimal Optimization:A fast Algorithm for Training Support Vector Machines[R].Technieal Report MSR-TR-98-14,Aprail,21,1998.
43.肖燕彩.支持向量机在变压器状态评估中的应用研究[D].北京交通大学博士学位论文.2008.
44.杨琦.支持向量机在液压系统故障诊断中的应用研究[D].大连海事大学.2005.
45.张金泽,单甘霖.改进的SVM算法及其在故障诊断中的应用研究[J].电光与控制.2006.(06)：97-100.
46.张国云.支持向量机算法及其应用研究[D].湖南大学博士论文.2006.
47.程伟.基于支持向量机在储层参数预测中的应用[D].成都理工大学.2007.
48.徐国平.基于支持向量机的动调陀螺仪寿命预测方法研究[D].上海交通大学博士论文.2008
49.白波.基于加权LS-SVM的短期负荷预测研究[D].东北电力大学.2011.
50.孙丽萍.基于多变量模型和组合模型的变压器汕中气体分析预测[D].北京交通大学.2006.
51.陈其松.智能优化支持向量机预测算法及应用研究[D].贵州大学博士论文.2009.
52.丁刚.基于支持向量机的移动机器人环境感知和物体识别研究[D].中国科学技术大学.2009.
53.孙宁面.向高空间分辨率遥感影像的建筑物目标识别方法研究[D].浙江大学.2010.
54.陶宇权.人脸特征的提取与识别[D].吉林大学.2005.
55. Kotropoulos C.Segmentation of ultrasonic images using support vector machines[J].Pattern Recognition Letters,2003.24(7):715-727.
56. Ganapathiraju A.Hamaker JE.Picone J.Applications of support vector machines to speech recognition[J].IEEE Trans.on Signal Processing,2004,52(8):2348-2355.
57. Chen Datong.Bourlard H,Thiran J P.Text Identification in Complex Background Using SVM[C]. In:Proc. of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR). Hawaii:CVPR.2001.621-626.
58. Deniz O,Castrillom M.Hernandez M.Face recognition using independent component analysis and support vector machines[J].Pattern Recognition Letters,2003.24 (11):2153-2157.
59. WANG YCHUA C,HO Y.Facial feature detection and face recognition form 2D and 3D images[J].Pattern Recognition Letters,2002,23(6):1191-1202.
60. Pontil M,Verri A.Support vector machines for 3D object recognition[J].IEEE Trans on Pattern Analysis&Machine Intelligence,1998,20(6):637-646.
61. Ganyun L V,Cheng Haozhong,Zhai Haibao and Dong Lixin.Fault diagnosis of power transformer based on multi-layer SVM classifier[J].Electric Power Systems Research.2005.74(1):1-7.
62. ROCCO C M,MORENO J A.Fast monte-carlo reliability evaluation using support vector machine[J].Reliability Engineering and System Safety.2002(76):237-243.
63. TONY V,JOHAN A,DIRKEMMA B.Financial time series prediction using least squares support vector machines within the evidence framework[J].I EEE Trans.on Neural Networks,2001,12(4):809-821.
64. TIAN X,DENG F Q.An improved mult-class SVM algorithm and its application to the credit scoring model[C]. Proceedings of the Fifth World Congress on Intelligent Control and Automation (ICA) Hangzhou:ICA,2004.1940-1944.
65. Vladimir Cherkassky.Yunqian Ma. Practical selection of SVM parameters and noise estimation for SVM regression.Neural Networks,2004,17 (1):113-126.
66.邬啸等.基于混合核函数的支持向量机[J].重庆理工大学学报(自然科学).2011 25(10)：66-70.
67.陈军等.城市交通流量短时预测的支持向量机方法[J].黑龙江交通科技.2011,212(10)：376-377.
68.耿睿等.应用支持向量机的空中交通流量组合预测模型[J].清华大学学报(自然科学版)2008.48(7)：1205-1208.
69.宋晓华等.基于蛙跳算法的改进支持向量机预测方法及应用[J].2011.42(9)：2737-2740.
70.张玉等.支持向量机在税收预测中的应用研究[J].计算机仿真.2011.28(9)：357-360.
71.张钦礼.基于支持向量机和模糊系统的机器学习方法及其应用研究[D].江南大学博士论文.2009.
72.陈琳琳.基于遗传参数优化的模糊支持向量多类分类机及应用[D].重庆师范大学.2009
73.颉子光.基于支持向量机的自适应逆控制方法研究[D].华北电力大学.2008.
74.刘永健.基于LS-SVM的入侵检测模型与实时测试平台研究[D]国防科学技术大学.2005.
75.胡琪琪.基于支持向量机的带钢表面缺陷识别研究[D].西安理工大学.2008.
76.王丽华.基于支持向量机的紫外吸光法COD检测仪研制[D]河北大学.2008.
77.刘新旺.基于支持向量机的特征增量学习算法研究[D].国防科学技术大学.2008.
78.杨志民.模糊支持向量机及其应用研究[D].中国农业大学博士论文.2005.
79.曹葵康.支持向量机加速方法及应用研究[D].浙江大学博士论文.2010.
80.王克奇；杨少春；戴天虹.采用遗传算法优化最小二乘支持向量机参数的方法[J].计算机应用与软件.2009,23(6)：123-128.
81. Valiant L G.A theory of the learnable.Communications of the ACM [J].1984,27(11):1134-1142.
82. V.Vapanik.A.J.Chervonenkis.Ordered risk minimization[M].Automation and Remote Control.1974.
83. V.Vapnik.Estimation of dependences based on empirical data[M].Springer-Verlag.Berlin.1982.
84.周志华.机器学习及其应用2007[M].北京：清华大学出版社.2007.
85 Vapnik.V著,张学工译.统计学习理论的本质[M]北京：清华大学出版社.2000.
86. V.Vapnik.E.Levin,Y.L.Cunn.Measuring the VC dimension of a learning machine[J].Neural Computation,1994:851-876.
87.郑文.曲线拟合[D].西南大学,2008.
88.秦暄.章毓晋.一种基于曲线拟合预测的红外目标的跟踪算法[J].红外技术,2003,(04)：23-25.
89.许小健,钱德玲,郭文爱,王鉴.基于RAGA的指数曲线模型预测基桩承载力[J].岩土力学.2009,(01)：139-]42.
90.杨正瓴,翟祥志.尹振兴等.超过指数增长速度的年度用电量曲线拟合预测[J].天津大学学报,2008.41(11)：1209-1302.
91.刘颖.张智慧.中国人均GDP(1952-2002)时间序列分析[J].统计与决策,2005,(04)：61-62.
92.郝香芝,李少颖.我国GDP时间序列的模型建立与预测[J].统计与决策,2007.(23)：4-6.
93谭诗璟ARIMA模型在湖北省GDP预测中的应用——时间序列分析在中国区域经济增长中的实证分析[J].时代金融,2008,(01)：26-27.
94.张波.湖北省人均GDP时间序列模型及预测[J].中南财经政法大学研究生学报,2006,(02)：95-100.
95.李霖,魏凯.我国城乡居民收入差距的时间序列分析[J].现代经济信息.2009,(20)：10-11
96.沈振.江舟娜.海岛旅游经济灰色关联统计分析研究——以嵊泗县为例[J].浙江国际海运职业技术学院学报,2009,(02)：32-34.
97.崔立志.灰色预测技术及其应用研究[D].南京航空航天大学博士论文.2010.
98.张福德.影响爆破效果因素的灰关联分析[D].武汉理工大学.2011.
99.石灵灵,李宗植.基于灰色关联的我国城乡收入差距成因分析[J].西安外事学院学报,2007.(01)：32-37.
100.施亚岚,侯志强,武克军.甘肃省地级优秀旅游城市生态适宜度评价[J].中国林业经济,2011.(01)：19-22.
101.井锋.张戈.灰色关联分析在大连市水资源系统恢复能力中的应用[J].水资源研究,2009.(03)：11-15.
102.张先起,刘慧卿.基于熵权的灰色关联模型在水环境质量评价中的应用[J].水资源研究,2006.(03)：17-19.
103.张广毅.基于灰色聚类法的城市可持续发展水平测度分析——以长三角城市群和山东半岛城市群为例[J].生态经济,2009,(07)：71-74.
104.徐波,林伟,蒋忠席,张卫芳.基于灰色马尔可夫模型的机场道面使用性能预测[J].四川建筑科学研究,2010.36(01)：44-46.
105.杨欢.基于灰色马尔可夫链的城市居民人均收入预测[J].佳木斯大学学报(自然科学版),2008,26(04)：575-578.
106孙崎峰.周栩.孙晓峰.基于改进BP神经网络的公路旅游客流量预测[J].山东理工大学学报(自然科学版).2008,22(6)：75-78.
107罗静.孙慰迟.基于人工神经网络的电力负荷预测算法研究[J].江西化工,2008,(04)：219-223.
108. The Applications of Neural Network to Communication Systems[A]. Proceedings of 4th International Symposium on Test and Measurement Volume 1)[C],2001.
109. V.N.Vapanik,A.J.Chervonenkis.Ordered risk minimization[M].Automation and Remote Control.1974.
110. V.N.Vapnik.Estimation of dependences based on empirical data[M].Springer-Verlag,Berlin,1982.
111.邓乃扬.田英杰.数据挖掘中的最优化方法一支持向量机[M].北京：科学出版社.2000.
112.张学工.关于统计学习理论与支持向量机[J].自动化学报,2000.(01)：246-251.
113. Nello Cristianini.John Shawe-Taylor.支持向量机导论[M].李国正.王猛.曾华军.译.北京：电子工业出版社.2004.
114. Christopher J.C. Burges. A Tutorial on Support Vector Machines for Pattern Recognition[J]. Data Mining and Knowledge Discovery.1998,2(2):1287-1298.
115.颜七笙,王士同.公路旅游客流量预测的支持向量回归模型[J].计算机工程与应用,2011,47(9)：233-235.
116.向红艳,朱顺应.王红 严新平.短期交通流预测效果的模糊综合评判[J].武汉理工大学学报(交通科学与工程版),2005,29(06)：921-924.
117.张清平.SVM方法及其在乳制品分类问题上的应用[J].安徽农业科学.2009,37(8)：3345-3346.
118. Jinbo Bi,and Kristin Bennett. A Geometric Approach to Support Vector Regression.neuro computing (special issue on support vector machines) [J].2003,32(3):298-307
119. Xin Wang,Chunhua Yang.Bin Qin,Weihua Gui. Parameter selection of support vector regression based on hybrid optimization algorithm and its application[J]. Journal of Control Theory and Applications[J], 2005,3(4):1023-1032
120.刘靖旭.支持向量回归的模型选择及应用研究[D].国防科学技术大学博士学位论文,2006.
121.田英杰.支持向量回归机及其应用研究[D].中国农业大学博士学位论文,2005.
122.国家煤矿安监局事故调查司,国家安全监管总局国际交流合作中心.国外安全生产统计指标研究[M].2012
123.安监总煤装(2011]187号.国家煤矿安监局关于印发煤矿安全生产“十二五”规划的通知[S].国家安全监管总局,2011.
]24.国家煤矿安全监察局令第5号,煤矿安全生产基本条件规定[S].国家安全生产监督管理局,2003.
125.国家安全生产监督管理局.煤矿企业安全生产许可证实施办法[S].国家煤矿安全监察局令第8号,2004.5.
126.煤矿安全评价导则[S],国家煤矿安全监察局煤安监技装字[2003]第114号.国家安全生产监督管理局,2003.11.
127.张小兵；张瑞新.区域性煤矿安全系统分析理论研究[J].中国煤炭.2009,10(2)：.75-79.
128.张小兵：张瑞新.区域性煤矿百万吨死亡率指标的宏观预测研究[J].中国安全科学学报.2009,34(8)：167-171.
129.李玉洁；张小兵.区域煤矿安全系统指标体系的构建[J].中国煤炭工业.2009,33(5)：243-247.
130.邓聚龙.灰色系统基本方法[M].武汉：华中理上大学出版社,1987.
131.党耀国.灰色预测与决策模型研究[M]北京.科学出版社.2009.
132.傅立.灰色系统理论及其应用[M].北京：科学技术文献出版社,1992.
133.刘思峰,党耀国.方志耕等.灰色系统理论及其应用[M].北京.科学出版社,2004
134.邓聚龙.灰预测与灰决策[M].武汉：华中科技大学出版社,2002.
135.刘思峰,谢乃明.灰色系统理论及其应用[M].北京.科学出版社,2008.
136.魏勇.灰色预测模型系列优化研究综述[A].第16届全国灰色系统学术会议论文集[C],2008.
137.刘芳芳.基于改进的GM模型在矿山安全事故预测中的应用及分析[D].昆明理工大学,2009.
138.罗丹.新弱化缓冲算子的构造及其运用[J].西南师范大学学报(自然科学版),2011.(02)：28-31.
139.魏勇,孔新海.几类强弱缓冲算子的构造方法及其内在联系[J1.控制与决策,2010.(02)：196-202.
140.崔杰.党耀国.一类新的弱化缓冲算子的构造及其应用[J].控制与决策,2008.(07)：741-744.
141. Pang. Hongfeng. Chen. Dixiang; Pan. Mengchun.Nonlinear temperature compensation of fluxgate magnetometers with a least-squares support vector machine[J]. Measurement Science and Technology.2012,23(2):342-354.
142. Ye. Qiaolin, Zhao. Chunxia; Ye, Ning.Least squares twin support vector machine classification via maximum one-class within class variance[J].Optimization Methods and Software.2012.27(1):53-69.
143. Luts, Jan. Molenberghs, Geert.A mixed effects least squares support vector machine model for classification of longitudinal data[J].Computational Statistics and Data Analysis.2012,56(3):611-628.
144. Liao. R.J. Bian. J.P.:Yang, L.J.Forecasting dissolved gases content in power transformer oil based on weakening buffer operator and least square support vector machine-Markov[J].IET Generation. Transmission & Distribution.2012,6(2):142-151.
145. Carl Gold, Peter Sollich. Model selection for support vector machine classification.Neural Computing and Applications[J],2003,55 (1-2):221-249.
146. Lee M L. Using support vector machine with a hybrid featureselection method to the stock trend prediction[J].Expert Sys-tems with Applications,2009,36 (8):10896-10904.
147. Cawley G.C. Model selection for support vector machines via adaptive step-size tabu search [C].Proceedings of the International Conference on Artificial Neural Networks and Genetic Algorithms, April 2001.2001,:pp:434-437.
148. Huang, C,Wang, C. A GA-based feature selection and parameters optimization for support vector machines[J].Expert Systems with Applications.2006,31 (2):231-240.
149. Akay M F. Support vector machines combined with feature selection for breast cancer diagnosis[J].Expert Systems with Applications,2009,36 (2):3240-3247.
150.刘向东,骆斌,陈兆乾.支持向量机最优模型选择的研究[J].计算机研究与发展.2005,(04)：576-581.
151. Steinwart I. On the optimal parameter choice for support vector machines[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2003,25 (10):1274-1284.
152. Ayat N.E,Cheriet M,Suen C.Y. Automatic model selection for the optimization of SVM kernels.Pattern recognition,2005,38:1733-1745.
153. Huang Chien-Ming,Lee Yuh-Jye,Lin Dennis K J,et al. Model selection for support vector machines via uniform design[J].Computational Statistics&Data Analysis,2007,52 (1):335-346.
154. Olivier Chapelle,Vladimir Vapnik.Olivier Bousquet,Sayan Mukherjee. Choosing Multiple Parameters for Support Vector Machines[J]. Machine Learning,2002,46(1-3).
155.李敏强.遗传算法的基本理论与应用[M].科学出版社.北京.2002.
156.张文修,梁怡.遗传算法的数学基础[M].西安交通大学出版社.西安.2000.
157.吴景龙,杨淑霞,刘承水.基于遗传算法优化参数的支持向量机短期负荷预测方法[J].中南大学学报(自然科学版),2009,40(01)：180-184.
158.李娇.支持向量机参数优化研究[D].华中师范大学.2011.
159.纪震,廖惠连,吴青华.粒子群算法及应用[M].北京：科学出版社.2009.
160.李丽.牛奔.粒子群优化算法[M].北京：冶金工业出版社.2009.
161.刘波.粒子群优化算法及其工程应用[M].北京：电子工业出版社.2010.
162.石金泉.陆愈实,贾玉洁.基于Matlab的灰色模型在煤矿百万吨死亡率预测中的应用[J].安全环境工程.2011.1(18)：77-79.
163.曹爱虎.蒋曙光.丁燕峰.基于最优组合模型的煤矿百万吨死亡率预测[J].煤炭技术.2012.1(31)：12-14.
2. 国家安全生产监督管理局http://www.chinasafety.gov.cn.
3. 国务院令(2005)18号.国务院关于促进健康发展的若干意见[R].国务院.2005.
4. 2000-2011年.煤炭工业统计年报[R].国家安全监管总局.
5. 2000-2011年全国煤炭工业生产安全事故统计分析报告[R].国家煤矿安全监察局统计司.
6. 国家煤矿安监局事故调查司,国家安全监管总局国际交流合作中心.世界主要产煤国家煤矿安全生产状况及事故案例[Z].2010.
7. 安监总规划[2007]41号.煤矿安全生产“十一五”规划[S].国家安全监管总局,2007.
8. 李艳梅.张雷.中美煤矿安全比较与借鉴[J].中国安全科学学报,2005.15(11)：45-47.
9. 彭成.中美煤矿安全差距三大原因解读[N].中国安全生产报,2005.
10.支同祥.充分认识新形势下调度统计重要内涵发挥安全生产调度统计的功能和作用[R].2006
11.国务院(2004)2号.国务院关于进一步加强安全生产工作的决定[S].国务院,2004.
12.王德学.2011年全国安全生产控制指标汇报会[R].2011
13.王显政.关于建立安全生产控制指标体系的意见[J].中国农机监理.2004年第2期13-15.
14.黄雨生.煤矿井下涌水量灰色灾变时间预测模型[J].焦作工学院学报.1999.18(1)：36-37.
15.杨瑞波；陈建宏；郑海力.残差修正GM(1,1)模型在煤矿事故预测中的应用[J].矿业研究与开发,.2011,1(3)：282-283.
16徐精彩,王华.煤自燃极限参数的神经网络预测方法[J].煤炭学报,2002.27(4)：366-370.
17.杨中,丁玉兰,赵朝义.开滦煤矿安全事故的灰色关联分析与趋势预测[J].煤炭学报,2003,28(1)：59-63.
18.吕海燕.生产安全事故统计分析及预测理论方法研究[D].北京林业大学博士学位论文.2004.
19.刘铁民,廖海江.基于ARMA模型的中国工伤事故死亡率预测研究[J].中国安全生产科学技术,2005,1(3)：3-6.
20.吕品,周心权.灰色马尔可夫模型在煤矿安全事故预测中应用[J].安徽理工大学学报.2006.26(1)：10-13.
21.孙忠林.煤矿安全生产预测模型的研究[D].山东科技大学博士学位论文.2009.
22.张林华.刘玉洲.利用灰色马尔可夫模型预测煤矿安全事故[J].煤炭科学技术.2006.34(11)：26-30.
23.俞树荣,张志新,马东方,斤东民.基于BP网络的我国工伤事故死亡率预测模型[J].甘肃科学学报.2006,18(4)：114-116.
24.聂小芳模糊粗糙集与支持向量机在煤与瓦斯突出预测中的应用研究[D].辽宁工程技术大学.2009.
25.胡双启.李勇.灰色Elman神经网络在火灾事故预测中的应用研究[J].中国安全科学学报.2009.19(3)：106-109.
26.金珠.改进的支持向量机分类算法及其在煤矿人因事故安全评价中的应用[D].中国矿业大学博士论文.2011
27.张小兵.张瑞新.区域性煤矿百万吨死亡率指标的宏观预测研究中国安全科学学报[J].2009.4(19)：140-144
28.卢增祥.李衍达.交互SVM学习算法及其在文本信息过滤中的应用[J].清华大学学报.1999.
29.张铃.支持向量机理论与基于规划的神经网络学习算法[J].计算机学报.2001.24(2)：113-115.
30. Vapnik V. The Nature of Statistical Learning Theory[M].Springer-Verlag.New York.1995.
31.张学工译.统计学习理论的本质[M].北京：清华大学出版社,2000.
32. Duan K.Keerthi S S.Poo A N. Evaluation of simple performance measures for tuning SVM hyperparameters[J].Neuroeomputing,2003.51(1):41-59.
33. Keerthi S S.Lin C J.Asymptotic behaviors of support vector machines with Gaussian kernel[J].Neural Computation.2003.15(7):1667-1689.
34. Strauss Daniel J.Steidl Gabriele.Hybrid wavelet-support vector classification of waveforms[J].Journal of Computational and Applied Mathematics.2002,148(2):375-400.
35. Amari S.Wu S.Improving support vector machine classifiers by modifying kernel functions[J].Neural Networks,1999,12(6):783-789.
36.吴涛,贺汉根,贺明科.基于插值的核函数构造[J].计算机学报,2003.26(8)：990-996.
37.常群,王晓龙.林沂蒙,等.通过全局核降低高斯核的局部风险与基于遗传算法的两阶段模型选择[J].计算机研究与发展.2007.44(3)：439-444.
38. Chen G Y,Bhattacha P. Function dot product kernels for support vector machine[C].Proeeeding of 18th International Conference on Pattern Recognition, ICPR2006, HongKong.614-617.
39. Scholkopf B.Burges C J C.Smola A J.Advances in kernel methods-support vector [MJ.Cambrideg:MIT Press,1999.
40. Cortes C., Vapnik V. Support Vector Networks[J]..Machine Learning,1995,Vol.20:273-239.
41. Osuna E.,Freund R. An Improved Training Algorithm for Support Vector Machines[C].In:Proeeedings of the IEEE Wbrkshop on Neural Networks for Signal Proeessing,1997.
42. PlattJ.C. Sequential Minimal Optimization:A fast Algorithm for Training Support Vector Machines[R].Technieal Report MSR-TR-98-14,Aprail,21,1998.
43.肖燕彩.支持向量机在变压器状态评估中的应用研究[D].北京交通大学博士学位论文.2008.
44.杨琦.支持向量机在液压系统故障诊断中的应用研究[D].大连海事大学.2005.
45.张金泽,单甘霖.改进的SVM算法及其在故障诊断中的应用研究[J].电光与控制.2006.(06)：97-100.
46.张国云.支持向量机算法及其应用研究[D].湖南大学博士论文.2006.
47.程伟.基于支持向量机在储层参数预测中的应用[D].成都理工大学.2007.
48.徐国平.基于支持向量机的动调陀螺仪寿命预测方法研究[D].上海交通大学博士论文.2008
49.白波.基于加权LS-SVM的短期负荷预测研究[D].东北电力大学.2011.
50.孙丽萍.基于多变量模型和组合模型的变压器汕中气体分析预测[D].北京交通大学.2006.
51.陈其松.智能优化支持向量机预测算法及应用研究[D].贵州大学博士论文.2009.
52.丁刚.基于支持向量机的移动机器人环境感知和物体识别研究[D].中国科学技术大学.2009.
53.孙宁面.向高空间分辨率遥感影像的建筑物目标识别方法研究[D].浙江大学.2010.
54.陶宇权.人脸特征的提取与识别[D].吉林大学.2005.
55. Kotropoulos C.Segmentation of ultrasonic images using support vector machines[J].Pattern Recognition Letters,2003.24(7):715-727.
56. Ganapathiraju A.Hamaker JE.Picone J.Applications of support vector machines to speech recognition[J].IEEE Trans.on Signal Processing,2004,52(8):2348-2355.
57. Chen Datong.Bourlard H,Thiran J P.Text Identification in Complex Background Using SVM[C]. In:Proc. of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition(CVPR). Hawaii:CVPR.2001.621-626.
58. Deniz O,Castrillom M.Hernandez M.Face recognition using independent component analysis and support vector machines[J].Pattern Recognition Letters,2003.24 (11):2153-2157.
59. WANG YCHUA C,HO Y.Facial feature detection and face recognition form 2D and 3D images[J].Pattern Recognition Letters,2002,23(6):1191-1202.
60. Pontil M,Verri A.Support vector machines for 3D object recognition[J].IEEE Trans on Pattern Analysis&Machine Intelligence,1998,20(6):637-646.
61. Ganyun L V,Cheng Haozhong,Zhai Haibao and Dong Lixin.Fault diagnosis of power transformer based on multi-layer SVM classifier[J].Electric Power Systems Research.2005.74(1):1-7.
62. ROCCO C M,MORENO J A.Fast monte-carlo reliability evaluation using support vector machine[J].Reliability Engineering and System Safety.2002(76):237-243.
63. TONY V,JOHAN A,DIRKEMMA B.Financial time series prediction using least squares support vector machines within the evidence framework[J].I EEE Trans.on Neural Networks,2001,12(4):809-821.
64. TIAN X,DENG F Q.An improved mult-class SVM algorithm and its application to the credit scoring model[C]. Proceedings of the Fifth World Congress on Intelligent Control and Automation (ICA) Hangzhou:ICA,2004.1940-1944.
65. Vladimir Cherkassky.Yunqian Ma. Practical selection of SVM parameters and noise estimation for SVM regression.Neural Networks,2004,17 (1):113-126.
66.邬啸等.基于混合核函数的支持向量机[J].重庆理工大学学报(自然科学).2011 25(10)：66-70.
67.陈军等.城市交通流量短时预测的支持向量机方法[J].黑龙江交通科技.2011,212(10)：376-377.
68.耿睿等.应用支持向量机的空中交通流量组合预测模型[J].清华大学学报(自然科学版)2008.48(7)：1205-1208.
69.宋晓华等.基于蛙跳算法的改进支持向量机预测方法及应用[J].2011.42(9)：2737-2740.
70.张玉等.支持向量机在税收预测中的应用研究[J].计算机仿真.2011.28(9)：357-360.
71.张钦礼.基于支持向量机和模糊系统的机器学习方法及其应用研究[D].江南大学博士论文.2009.
72.陈琳琳.基于遗传参数优化的模糊支持向量多类分类机及应用[D].重庆师范大学.2009
73.颉子光.基于支持向量机的自适应逆控制方法研究[D].华北电力大学.2008.
74.刘永健.基于LS-SVM的入侵检测模型与实时测试平台研究[D]国防科学技术大学.2005.
75.胡琪琪.基于支持向量机的带钢表面缺陷识别研究[D].西安理工大学.2008.
76.王丽华.基于支持向量机的紫外吸光法COD检测仪研制[D]河北大学.2008.
77.刘新旺.基于支持向量机的特征增量学习算法研究[D].国防科学技术大学.2008.
78.杨志民.模糊支持向量机及其应用研究[D].中国农业大学博士论文.2005.
79.曹葵康.支持向量机加速方法及应用研究[D].浙江大学博士论文.2010.
80.王克奇；杨少春；戴天虹.采用遗传算法优化最小二乘支持向量机参数的方法[J].计算机应用与软件.2009,23(6)：123-128.
81. Valiant L G.A theory of the learnable.Communications of the ACM [J].1984,27(11):1134-1142.
82. V.Vapanik.A.J.Chervonenkis.Ordered risk minimization[M].Automation and Remote Control.1974.
83. V.Vapnik.Estimation of dependences based on empirical data[M].Springer-Verlag.Berlin.1982.
84.周志华.机器学习及其应用2007[M].北京：清华大学出版社.2007.
85 Vapnik.V著,张学工译.统计学习理论的本质[M]北京：清华大学出版社.2000.
86. V.Vapnik.E.Levin,Y.L.Cunn.Measuring the VC dimension of a learning machine[J].Neural Computation,1994:851-876.
87.郑文.曲线拟合[D].西南大学,2008.
88.秦暄.章毓晋.一种基于曲线拟合预测的红外目标的跟踪算法[J].红外技术,2003,(04)：23-25.
89.许小健,钱德玲,郭文爱,王鉴.基于RAGA的指数曲线模型预测基桩承载力[J].岩土力学.2009,(01)：139-]42.
90.杨正瓴,翟祥志.尹振兴等.超过指数增长速度的年度用电量曲线拟合预测[J].天津大学学报,2008.41(11)：1209-1302.
91.刘颖.张智慧.中国人均GDP(1952-2002)时间序列分析[J].统计与决策,2005,(04)：61-62.
92.郝香芝,李少颖.我国GDP时间序列的模型建立与预测[J].统计与决策,2007.(23)：4-6.
93谭诗璟ARIMA模型在湖北省GDP预测中的应用——时间序列分析在中国区域经济增长中的实证分析[J].时代金融,2008,(01)：26-27.
94.张波.湖北省人均GDP时间序列模型及预测[J].中南财经政法大学研究生学报,2006,(02)：95-100.
95.李霖,魏凯.我国城乡居民收入差距的时间序列分析[J].现代经济信息.2009,(20)：10-11
96.沈振.江舟娜.海岛旅游经济灰色关联统计分析研究——以嵊泗县为例[J].浙江国际海运职业技术学院学报,2009,(02)：32-34.
97.崔立志.灰色预测技术及其应用研究[D].南京航空航天大学博士论文.2010.
98.张福德.影响爆破效果因素的灰关联分析[D].武汉理工大学.2011.
99.石灵灵,李宗植.基于灰色关联的我国城乡收入差距成因分析[J].西安外事学院学报,2007.(01)：32-37.
100.施亚岚,侯志强,武克军.甘肃省地级优秀旅游城市生态适宜度评价[J].中国林业经济,2011.(01)：19-22.
101.井锋.张戈.灰色关联分析在大连市水资源系统恢复能力中的应用[J].水资源研究,2009.(03)：11-15.
102.张先起,刘慧卿.基于熵权的灰色关联模型在水环境质量评价中的应用[J].水资源研究,2006.(03)：17-19.
103.张广毅.基于灰色聚类法的城市可持续发展水平测度分析——以长三角城市群和山东半岛城市群为例[J].生态经济,2009,(07)：71-74.
104.徐波,林伟,蒋忠席,张卫芳.基于灰色马尔可夫模型的机场道面使用性能预测[J].四川建筑科学研究,2010.36(01)：44-46.
105.杨欢.基于灰色马尔可夫链的城市居民人均收入预测[J].佳木斯大学学报(自然科学版),2008,26(04)：575-578.
106孙崎峰.周栩.孙晓峰.基于改进BP神经网络的公路旅游客流量预测[J].山东理工大学学报(自然科学版).2008,22(6)：75-78.
107罗静.孙慰迟.基于人工神经网络的电力负荷预测算法研究[J].江西化工,2008,(04)：219-223.
108. The Applications of Neural Network to Communication Systems[A]. Proceedings of 4th International Symposium on Test and Measurement Volume 1)[C],2001.
109. V.N.Vapanik,A.J.Chervonenkis.Ordered risk minimization[M].Automation and Remote Control.1974.
110. V.N.Vapnik.Estimation of dependences based on empirical data[M].Springer-Verlag,Berlin,1982.
111.邓乃扬.田英杰.数据挖掘中的最优化方法一支持向量机[M].北京：科学出版社.2000.
112.张学工.关于统计学习理论与支持向量机[J].自动化学报,2000.(01)：246-251.
113. Nello Cristianini.John Shawe-Taylor.支持向量机导论[M].李国正.王猛.曾华军.译.北京：电子工业出版社.2004.
114. Christopher J.C. Burges. A Tutorial on Support Vector Machines for Pattern Recognition[J]. Data Mining and Knowledge Discovery.1998,2(2):1287-1298.
115.颜七笙,王士同.公路旅游客流量预测的支持向量回归模型[J].计算机工程与应用,2011,47(9)：233-235.
116.向红艳,朱顺应.王红 严新平.短期交通流预测效果的模糊综合评判[J].武汉理工大学学报(交通科学与工程版),2005,29(06)：921-924.
117.张清平.SVM方法及其在乳制品分类问题上的应用[J].安徽农业科学.2009,37(8)：3345-3346.
118. Jinbo Bi,and Kristin Bennett. A Geometric Approach to Support Vector Regression.neuro computing (special issue on support vector machines) [J].2003,32(3):298-307
119. Xin Wang,Chunhua Yang.Bin Qin,Weihua Gui. Parameter selection of support vector regression based on hybrid optimization algorithm and its application[J]. Journal of Control Theory and Applications[J], 2005,3(4):1023-1032
120.刘靖旭.支持向量回归的模型选择及应用研究[D].国防科学技术大学博士学位论文,2006.
121.田英杰.支持向量回归机及其应用研究[D].中国农业大学博士学位论文,2005.
122.国家煤矿安监局事故调查司,国家安全监管总局国际交流合作中心.国外安全生产统计指标研究[M].2012
123.安监总煤装(2011]187号.国家煤矿安监局关于印发煤矿安全生产“十二五”规划的通知[S].国家安全监管总局,2011.
]24.国家煤矿安全监察局令第5号,煤矿安全生产基本条件规定[S].国家安全生产监督管理局,2003.
125.国家安全生产监督管理局.煤矿企业安全生产许可证实施办法[S].国家煤矿安全监察局令第8号,2004.5.
126.煤矿安全评价导则[S],国家煤矿安全监察局煤安监技装字[2003]第114号.国家安全生产监督管理局,2003.11.
127.张小兵；张瑞新.区域性煤矿安全系统分析理论研究[J].中国煤炭.2009,10(2)：.75-79.
128.张小兵：张瑞新.区域性煤矿百万吨死亡率指标的宏观预测研究[J].中国安全科学学报.2009,34(8)：167-171.
129.李玉洁；张小兵.区域煤矿安全系统指标体系的构建[J].中国煤炭工业.2009,33(5)：243-247.
130.邓聚龙.灰色系统基本方法[M].武汉：华中理上大学出版社,1987.
131.党耀国.灰色预测与决策模型研究[M]北京.科学出版社.2009.
132.傅立.灰色系统理论及其应用[M].北京：科学技术文献出版社,1992.
133.刘思峰,党耀国.方志耕等.灰色系统理论及其应用[M].北京.科学出版社,2004
134.邓聚龙.灰预测与灰决策[M].武汉：华中科技大学出版社,2002.
135.刘思峰,谢乃明.灰色系统理论及其应用[M].北京.科学出版社,2008.
136.魏勇.灰色预测模型系列优化研究综述[A].第16届全国灰色系统学术会议论文集[C],2008.
137.刘芳芳.基于改进的GM模型在矿山安全事故预测中的应用及分析[D].昆明理工大学,2009.
138.罗丹.新弱化缓冲算子的构造及其运用[J].西南师范大学学报(自然科学版),2011.(02)：28-31.
139.魏勇,孔新海.几类强弱缓冲算子的构造方法及其内在联系[J1.控制与决策,2010.(02)：196-202.
140.崔杰.党耀国.一类新的弱化缓冲算子的构造及其应用[J].控制与决策,2008.(07)：741-744.
141. Pang. Hongfeng. Chen. Dixiang; Pan. Mengchun.Nonlinear temperature compensation of fluxgate magnetometers with a least-squares support vector machine[J]. Measurement Science and Technology.2012,23(2):342-354.
142. Ye. Qiaolin, Zhao. Chunxia; Ye, Ning.Least squares twin support vector machine classification via maximum one-class within class variance[J].Optimization Methods and Software.2012.27(1):53-69.
143. Luts, Jan. Molenberghs, Geert.A mixed effects least squares support vector machine model for classification of longitudinal data[J].Computational Statistics and Data Analysis.2012,56(3):611-628.
144. Liao. R.J. Bian. J.P.:Yang, L.J.Forecasting dissolved gases content in power transformer oil based on weakening buffer operator and least square support vector machine-Markov[J].IET Generation. Transmission & Distribution.2012,6(2):142-151.
145. Carl Gold, Peter Sollich. Model selection for support vector machine classification.Neural Computing and Applications[J],2003,55 (1-2):221-249.
146. Lee M L. Using support vector machine with a hybrid featureselection method to the stock trend prediction[J].Expert Sys-tems with Applications,2009,36 (8):10896-10904.
147. Cawley G.C. Model selection for support vector machines via adaptive step-size tabu search [C].Proceedings of the International Conference on Artificial Neural Networks and Genetic Algorithms, April 2001.2001,:pp:434-437.
148. Huang, C,Wang, C. A GA-based feature selection and parameters optimization for support vector machines[J].Expert Systems with Applications.2006,31 (2):231-240.
149. Akay M F. Support vector machines combined with feature selection for breast cancer diagnosis[J].Expert Systems with Applications,2009,36 (2):3240-3247.
150.刘向东,骆斌,陈兆乾.支持向量机最优模型选择的研究[J].计算机研究与发展.2005,(04)：576-581.
151. Steinwart I. On the optimal parameter choice for support vector machines[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2003,25 (10):1274-1284.
152. Ayat N.E,Cheriet M,Suen C.Y. Automatic model selection for the optimization of SVM kernels.Pattern recognition,2005,38:1733-1745.
153. Huang Chien-Ming,Lee Yuh-Jye,Lin Dennis K J,et al. Model selection for support vector machines via uniform design[J].Computational Statistics&Data Analysis,2007,52 (1):335-346.
154. Olivier Chapelle,Vladimir Vapnik.Olivier Bousquet,Sayan Mukherjee. Choosing Multiple Parameters for Support Vector Machines[J]. Machine Learning,2002,46(1-3).
155.李敏强.遗传算法的基本理论与应用[M].科学出版社.北京.2002.
156.张文修,梁怡.遗传算法的数学基础[M].西安交通大学出版社.西安.2000.
157.吴景龙,杨淑霞,刘承水.基于遗传算法优化参数的支持向量机短期负荷预测方法[J].中南大学学报(自然科学版),2009,40(01)：180-184.
158.李娇.支持向量机参数优化研究[D].华中师范大学.2011.
159.纪震,廖惠连,吴青华.粒子群算法及应用[M].北京：科学出版社.2009.
160.李丽.牛奔.粒子群优化算法[M].北京：冶金工业出版社.2009.
161.刘波.粒子群优化算法及其工程应用[M].北京：电子工业出版社.2010.
162.石金泉.陆愈实,贾玉洁.基于Matlab的灰色模型在煤矿百万吨死亡率预测中的应用[J].安全环境工程.2011.1(18)：77-79.
163.曹爱虎.蒋曙光.丁燕峰.基于最优组合模型的煤矿百万吨死亡率预测[J].煤炭技术.2012.1(31)：12-14.