模糊聚类分析在煤与瓦斯突出事故预测中的应用研究

论文摘要

本文研究的课题是采用模糊聚类分析中的模糊c-均值（FCM）聚类算法对大量的历史数据进行分析,对煤与瓦斯突出的主要指标进行挖掘,建立了煤与瓦斯突出预测系统,为煤矿事故预测提供理论支持,为煤矿职工的生命安全提供保障。模糊c-均值聚类算法是模糊聚类分析中应用最广泛的算法,针对模糊c-均值算法中,过分依赖初始聚类中心的选择,采用减法聚类来确定初始聚类中心;针对原始模糊c-均值算法需要事先确定数据集的分类数c,破坏其无监督性的问题,采用减法聚类确定聚类数目的上限,再与一种新的有效性函数相结合来确定最佳聚类数Copt,这样无需反复初始化,从而提高聚类的效率;采用为样本数据特征加权的方法来区分样本各指标对分类贡献不均衡的问题。应用改进的模糊c-均值算法建立了煤与瓦斯突出预测的系统,预测结果显示,该系统具有良好的实用价值。

论文目录

• 致谢
• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究的背景
• 1.2 研究问题的提出
• 1.3 研究的目的和意义
• 1.4 国内外研究现状
• 1.4.1 国外研究现状
• 1.4.2 国内研究现状
• 1.5 研究的主要内容和结构
• 2 煤与瓦斯突出的理论知识
• 2.1 煤与瓦斯突出的机理
• 2.2 煤与瓦斯突出的过程复合管
• 2.3 影响煤与瓦斯突出的主控因素
• 2.4 煤与瓦斯突出的预兆
• 3 聚类的相关技术
• 3.1 数据挖掘的基础知识
• 3.1.1 数据挖掘的定义
• 3.1.2 数据挖掘的过程模型
• 3.1.3 数据挖掘的功能
• 3.2 模糊聚类理论基础
• 3.2.1 经典集合
• 3.2.2 模糊集合
• 3.3 模糊聚类方法
• 3.3.1 谱系聚类
• 3.3.2 基于图论的聚类方法
• 3.3.3 基于等价关系的模糊聚类
• 3.3.4 基于目标函数的模糊聚类
• 3.3.5 模糊c-均值算法分析
• 4 改进的模糊c-均值算法
• 4.1 初始聚类中心的选择
• 4.2 减法聚类
• 4.3 最佳分类数Copt
• 4.3.1 基于模糊划分的聚类有效性函数
• 4.3.2 基于几何结构的聚类有效性函数
• 4.3.3 聚类有效性新函数
• 4.4 特征加权
• 4.4.1 基于特征加权的FCM 算法
• 4.5 改进后的算法描述
• 4.5.1 改进后的算法的基本流程
• 4.5.2 算法时间复杂度分析
• 4.6 实验分析
• 5 改进模糊c-均值算法在煤与瓦斯突出事故预测中的应用
• 5.1 算法在煤与瓦斯突出事故预测中的应用过程描述
• 5.1.1 数据预处理
• 5.1.2 煤与瓦斯突出事故预测的应用流程
• 5.2 煤与瓦斯突出事故预测的应用过程分析
• 5.2.1 原始数据采集
• 5.2.2 获取样本数据集
• 5.2.3 系统实现
• 5.2.4 挖掘结果分析
• 5.2.5 防突工作要点
• 结论
• 参考文献
• 作者简历
• 学位论文数据集