构造性神经网络在瓦斯时间序列预测中的应用

作     者：朱宇 

作者单位：太原理工大学 

学位级别：硕士

导师姓名：张月琴

授予年度：2010年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 

主      题：商空间 粒度计算 构造性神经网络 煤矿瓦斯预测 时间序列 

摘      要：近年来数据挖掘得到了快速的应用,但是面临海量、高维、不精确或动态的瓦斯数据时,利用传统的数据挖掘方法从数据中不能快速有效地获取知识。而粒计算和构造性神经网络在处理不完备、模糊、复杂、高维、海量数据时,有着自身独有的特点及优势,将粒计算理论和构造性神经网络学习方法应用到瓦斯数据挖掘中,本文主要在以下几个方面做了相应的工作: (1)针对高维海量数据挖掘所面临的问题,分析了粒计算的特点,综述了粒计算在数据挖掘各个领域的应用,包括粒计算在广义知识挖掘、分类、聚类、关联规则与其它类型知识挖掘中的应用,并总结了粒计算在数据挖掘方面应用的优势。 (2)针对传统神经网络在解决大规模问题时有极大困难的缺点,分析构造性神经网络在这方面的优势,重点讨论常用覆盖算法,针对常用覆盖算法是所有训练样本都是精确的,未考虑到所讨论的数据具有不精确的情况,本文提出一种改进的覆盖算法,并将该覆盖算法与时间序列结合,应用到煤矿瓦斯预测中。 (3)建立了瓦斯预测模型,该模型在商空间粒度理论框架下,用构造性神经网络学习方法进行瓦斯浓度预测。采用商空间粒度计算理论,对问题进行宏观分析,研究不同粒度商空间之间的转换、运动、依存的关系,并对数据库中的原始特征信息进行粒度构建,采用多种粒度,从不同的层次分析复杂的瓦斯数据信息使得学习样本的特征更加明显,以更好地满足机器学习的要求。构造性神经网络学习方法则可以从微观上对具有不同粒度结构的商空间进行数据挖掘。最后将该方法应用于瓦斯浓度预测,取得了较好的结果。这表明了基于商空间的构造性神经网络学习方法的可行性和良好的应用前景。