煤矿百万吨死亡率预测方法研究及应用

发布时间：2025-03-02 17:02

　　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。

【文章页数】：124 页

【学位级别】：博士

【文章目录】：
摘要
Abstract
详细摘要
Detailed Abstract
1 绪论
    1.1 课题的选题背景及意义
        1.1.1 课题的选题背景
        1.1.2 课题研究的意义
    1.2 国内外研究现状
        1.2.1 煤矿事故预测模型研究现状
        1.2.2 支持向量机研究现状
    1.3 本文的研究内容与技术路线
        1.3.1 主要研究内容
        1.3.2 论文的组织结构
    1.4 本章小结
2 相关理论基础
    2.1 统计学习问题
        2.1.1 机器学习的问题表示
        2.1.2 经验风险最小化原则
        2.1.3 VC维
        2.1.4 结构风险最小化原则
    2.2 常用预测模型
        2.2.1 时间序列模型
        2.2.2 灰色模型
        2.2.3 人工神经网络模型
    2.3 支持向量机
        2.3.1 最优分类超平面
        2.3.2 支持向量回归机
        2.3.3 线性回归原理
        2.3.4 非线性回归原理
        2.3.5 核函数
    2.4 本章小结
3 煤矿百万吨死亡率预测指标体系的建立
    3.1 煤矿百万吨死亡率影响因素构成
        3.1.1 煤矿安全生产控制指标
        3.1.2 指标的下达方式及分解计算方法
        3.1.3 煤矿百万吨死亡率影响因子构成
    3.2 基于灰色关联分析的煤矿百万吨死亡率指标体系的建立
        3.2.1 灰色关联分析的基本特征
        3.2.2 灰色关联分析模型
        3.2.3 2004年煤矿百万吨死亡率关联分析
        3.2.4 2010年煤矿百万吨死亡率关联分析
        3.2.5 煤矿百万吨死亡率灰色关联分析结果对比
    3.3 基与改进的灰色关联煤矿百万吨死亡率指标体系的建立
        3.3.1 数据无量纲化处理方法的改进
        3.3.2 关联度加权改进算法
        3.3.3 煤矿百万吨死亡率改进灰色关联分析结果对比
    3.4 本章小结
4 基于灰色模型的煤矿百万吨死亡率指标的测算
    4.1 煤矿百万吨死亡率GM(1,1)模型
        4.1.1 GM(1,1)模型建模机理
        4.1.2 GM(1,1)模型的检验
    4.2 煤矿百万吨死亡率D_m-GM(1,1)模型
        4.2.1 缓冲算子改进灰色模型的建立过程
        4.2.2 缓冲算子改进灰色模型的优点
    4.3 D_m-GM(1,1)模型在煤矿百万吨死亡率指标测算中的应用
        4.3.1 煤矿百万吨死亡率原始数据处理
        4.3.2 基于GM(1,1)模型的煤矿百万吨死亡率指标测算
        4.3.3 基于D-GM(1,1)模型的煤矿百万吨死亡率指标测算
        4.3.4 基于D_m-GM(1,1)模型的煤矿百万吨死亡率指标测算
        4.3.5 基于D_m-GM(1,1)煤矿百万吨死亡率指标误差检验
        4.3.6 预测结果分析
    4.4 本章小结
5 基于支持向量机的煤矿百万吨死亡率预测模型研究
    5.1 支持向量机模型选择
        5.1.1 最小二乘支持向量机丛本原理
        5.1.2 核函数的选取
        5.1.3 预测误差分析的指标
        5.1.4 LSSVM参数选择算法优劣的评价标准
        5.1.5 LSSVM参数的优化
    5.2 遗传算法(GA)优化LSSVM
        5.2.1 遗传算法
        5.2.2 遗传算法优化LSSVM
    5.3 粒子群(PSO)算法优化LSSVM
        5.3.1 粒子群算法理论
        5.3.2 粒子群算法优化LSSVM
    5.4 LSSVM煤矿百万吨死亡率预测
        5.4.1 煤矿百万吨死亡率样本数据的归一化处理
        5.4.2 煤矿百万吨死亡率模型参数选取
        5.4.3 煤矿百万吨死亡率训练样本预测
        5.4.4 煤矿百万吨死亡率测试样本预测
    5.5 D_m-GM(1,1)-LSSVM煤矿百万吨死亡率预测
        5.5.1 2010的未来两年指标灰色预测
        5.5.2 2010的未来两年煤矿百万吨死亡率D_m-GM(1,1)-LSSVM预测
        5.5.3 与其他预测方法的比较
    5.6 本章小结
6 总结和展望
    6.1 主要工作与创新
    6.2 进一步研究方向
参考文献
致谢
读博期间发表的学术论文及参与项目



本文编号：4034591