基于支持向量机的矿压监测数据预测研究

英文篇名：Prediction of mine pressure monitoring data based on support vector machine
中文刊名：阜阳师范学院学报(自然科学版)
英文刊名：Journal of Fuyang Teachers College(Natural Science)
作者：孙刚 ; 周华平 ; 孙克雷
英文作者：SUN Gang ; ZHOU Hua-ping ; SUN Ke-lei ; School of Computer and Information ; Fuyang Teachers College ; School of Computer Science and Engineering ; Anhui University of Science and Technology
中文关键词：矿压 ; 混沌分析 ; 支持向量机 ; 预测
英文关键词：mine pressure ; chaos analysis ; support vector machine ; prediction
出版日期：2013-09-16
机构：阜阳师范学院计算机与信息学院;安徽理工大学计算机科学与工程学院;
年：2013
期：03
出版单位：阜阳师范学院学报(自然科学版)

摘要

冲击矿压具有非常复杂的行为特征,矿压监测数据隐含着冲击矿压系统参与演化的全部变量的信息,可以利用矿压监测数据对冲击矿压预测。文章首先对矿压监测数据进行混沌分析,构建混沌矿压监测数据的相空间,利用支持向量机建立矿压监测数据的预测模型。经与神经网络预测模型进行比较,文章所提出的基于支持向量机的矿压监测数据预测模型更加准确有效。
Rock burst has very complex behavioral characteristics and rock pressure monitoring data implies information of all variables involved in the evolution of rock burst system;therefore rock burst can been predicted by using the mine pressure monitoring data.Firstly,chaos of mine pressure monitoring data was analyzed in this paper,and then phase space of the chaotic mine pressure monitoring data was constructed.Finally,prediction model of mine pressure monitoring data was built by using support vector machine.Compared with neural network prediction model,the prediction model based on support vector machine proposed in this paper is more accurate and effective for prediction of mine pressure monitoring data.

引文

[1]章梦涛.冲击地压失稳理论与数值模拟计算[J].岩石力学与工程学报,1987,6(3):197-204.
    [2]窦名林,何学秋,王恩元.冲击矿压预测的电磁辐射法技术及应用[J].煤炭学报,2004,29(4):396-399.
    [3]Kuksendo V S,Inzhevatkin M.Physical and methologi-cal principles of rockburst prediction[J].Soviet MiningScience,1987,11(23):6-7.
    [4]赵向东,王育平.微地震研究及在深部采动围岩监测中的应用[J].合肥工业大学学报(自然科学版),2003,26(3):363-364.
    [5]刘晓悦.基于模糊神经网络的煤层冲击地压预测模型研究[J].工矿自动化,2008,2(1):8-11.
    [6]Frid V,Vozoff K.Electromagnetic radiation induced bymining rock failure[J].International Journal of CoalGeology,2005,64(1-2):57-65.
    [7]邓乃杨,田英杰.数据挖掘中的新方法-支持向量机[M].北京:科学出版社,2004.
    [8]张小花,陈玮.制造信息系统动力学模型及混沌特性分析[J].计算机应用研究,2012,29(8):2978-2981.
    [9]陈铿,韩伯棠.混沌时间序列分析中的相空间重构技术综述[J].计算机科学,2005,32(4):67-70.
    [10]刘渊,戴悦,曹建华.基于小波神经网络的流量混沌时间序列预测[J].计算机工程,2008,34(16):105-107.
    [11]彭光金,司海涛,俞集辉.改进的支持向量机算法及其应用[J].计算机工程与应用,2011,47(18):218-221.
    [12]吴敏,王汝传.基于方差分析和支持向量机技术的P2P流量检测[J].计算机科学,2010,37(8):88-91.
    [13]杨娜娟,王慧琴,马宗方.基于支持向量机的图像型火灾探测算法[J].计算机应用,2010,30(4):1129-1131.