構(gòu)造性神經(jīng)網(wǎng)絡在瓦斯時間序列預測中的應用.pdf

1、近年來數(shù)據(jù)挖掘得到了快速的應用，但是面臨海量、高維、不精確或動態(tài)的瓦斯數(shù)據(jù)時，利用傳統(tǒng)的數(shù)據(jù)挖掘方法從數(shù)據(jù)中不能快速有效地獲取知識。而粒計算和構(gòu)造性神經(jīng)網(wǎng)絡在處理不完備、模糊、復雜、高維、海量數(shù)據(jù)時，有著自身獨有的特點及優(yōu)勢，將粒計算理論和構(gòu)造性神經(jīng)網(wǎng)絡學習方法應用到瓦斯數(shù)據(jù)挖掘中，本文主要在以下幾個方面做了相應的工作：
　　 (1) 針對高維海量數(shù)據(jù)挖掘所面臨的問題，分析了粒計算的特點，綜述了粒計算在數(shù)據(jù)挖掘各個領(lǐng)域的應用，包

2、括粒計算在廣義知識挖掘、分類、聚類、關(guān)聯(lián)規(guī)則與其它類型知識挖掘中的應用，并總結(jié)了粒計算在數(shù)據(jù)挖掘方面應用的優(yōu)勢。
　　 (2) 針對傳統(tǒng)神經(jīng)網(wǎng)絡在解決大規(guī)模問題時有極大困難的缺點，分析構(gòu)造性神經(jīng)網(wǎng)絡在這方面的優(yōu)勢，重點討論常用覆蓋算法，針對常用覆蓋算法是所有訓練樣本都是精確的，未考慮到所討論的數(shù)據(jù)具有不精確的情況，本文提出一種改進的覆蓋算法，并將該覆蓋算法與時間序列結(jié)合，應用到煤礦瓦斯預測中。
　　 (3)建立了瓦斯預測

3、模型，該模型在商空間粒度理論框架下，用構(gòu)造性神經(jīng)網(wǎng)絡學習方法進行瓦斯?jié)舛阮A測。采用商空間粒度計算理論，對問題進行宏觀分析，研究不同粒度商空間之間的轉(zhuǎn)換、運動、依存的關(guān)系，并對數(shù)據(jù)庫中的原始特征信息進行粒度構(gòu)建，采用多種粒度，從不同的層次分析復雜的瓦斯數(shù)據(jù)信息使得學習樣本的特征更加明顯，以更好地滿足機器學習的要求。構(gòu)造性神經(jīng)網(wǎng)絡學習方法則可以從微觀上對具有不同粒度結(jié)構(gòu)的商空間進行數(shù)據(jù)挖掘。最后將該方法應用于瓦斯?jié)舛阮A測，取得了較好的結(jié)果。