基于支持向量机数据融合的矿井瓦斯预警技术研究
|
摘要
煤矿瓦斯灾害已成为我国煤矿安全生产的最主要威胁和制约煤炭行业可持续发展的最重要因素。认识瓦斯灾害发生的规律和特征、实现瓦斯危险性的准确预测和预警是防治瓦斯灾害的有效手段,也一直是矿山安全及智能信息处理领域的重要研究课题。为此,本文针对目前煤矿安全生产的实际需要,以矿井瓦斯数据为研究对象,以矿井瓦斯预警为目的,系统地进行了基于支持向量机的瓦斯数据融合方法及其应用研究,其主要研究内容如下:
1.在矿井瓦斯预警相关概念定义、矿井瓦斯数据流分析、数据融合与支持向量机理论与方法研究的基础上,构建了基于支持向量机的矿井瓦斯数据融合技术框架。
2.在粒子群优化和遗传算法研究的基础上,提出了一种基于混沌粒子群优化-遗传算法(CPSO-GA)的支持向量机参数向量的选择与优化方法,为基于支持向量机数据融合的矿井瓦斯预警技术研究创造了技术条件。
3.把支持向量机和相空间重构、粗糙集、聚类、非线性组合预测等多种现代信息处理手段进行有效集成,对多源的矿井瓦斯数据在数据级、特征级和决策级等三个层次上进行了以矿井瓦斯预警为目的的数据融合技术研究:
(1)在数据级融合层次上,提出了基于支持向量机瓦斯数据的噪声消除方法,有效地消除了一维和高维矿井瓦斯数据中的普通噪声、异常数据和缺失数据的影响,为获取准确和完备的原始矿井瓦斯数据提供了技术手段。
(2)在特征级融合层次上,提出了基于相空间重构-聚类-多支持向量机回归的瓦斯混沌时间序列预测方法,以及基于粗糙集-支持向量机的煤与瓦斯突出预测方法,并形成了一个完整的“突出类型→突出强度→突出煤量”的煤与瓦斯突出预测体系,有效地提取了瓦斯数据特征,预测其变化规律和发展趋势。
(3)在决策级融合层次上,提出了基于支持向量机的矿井瓦斯涌出量非线性组合预测方法,以及基于多最小二乘支持向量机的CH4、CO、温度和风速等同类/异类传感器融合的多变量决策预测方法,实现了矿井采区安全状态等级的实时评价和安全状态的预警。
理论分析和实验结果分析表明,本文提出的支持向量机数据融合技术可有效地应用于矿井瓦斯预警中。
Coal mine gas disasters has become a main threat to safe production and the most important factor to constrain sustainable development of the coal industry in China. Understanding thoroughly the law and feature of the coal mine gas disaster, and realizing an accurate forecast and early warning of mine gas hazard are effective means of prevention and treatment of mine gas disaster, and also an important research fields of coal mine safety and intelligent information processing. To meet the present actual needs of the safe production in coal mine, this dissertation makes systematic study on the mine gas early warning technology based on support vector machine and data fusion. The main research contents are as follows:
1. On the basis of the definition of related concept of gas warning, analysis of mine gas data flow, study of data fusion and support vector machine(SVM), the technology framework of coal mine gas data fusion based on support vector machine is constructed.
2. By intensive study on the principle of particle swarm optimization(PSO) genetic algorithm(GA), the method for selection and optimization of parameter vectors of support vector machine based on chaotic particle swarm optimization-genetic algorithm (CPSO-GA) is proposed, which has created technical conditions for the research of gas early-warning technology based on data fusion combined with support vector machine.
3. By using support vector machine, chaos theory, rough sets, clustering, non-linear combination forecast and other modern means of information processing, detailed data fusion technology of multi-source coal mine gas data in data-fusion level, feature-fusion and decision-fusion level are studied:
(1) In the data-fusion level, the de-noiseing method for coal mine gas data based on support vector machine is proposed, which effectively eliminates the effects of ordinary noise data, ab-normal data and missing data existing in coal mine gas data, and provides an effective technical means to obtain more accurate and complete original coal mine gas data.
(2) In the feature-fusion level, the forecasting methods of gas chaotic time series based on phase space reconstruction-clustering-multi support vector machine regression is proposed and the qualitatively and quantitatively forecasting methods of the types,intensity and coal amount of coal-and-gas outburst based on rough sets and support vector machine is put forward, which effectively help to extract the features information of mine gas data, and to forecast changes laws and development trends of mine gas.
(3) In the decision-fusion level, the non-linear combination forecasting methods of gas emission amount is proposed, which reduces the risk of decision-making and improves the forecasting accuracy. The multi-variables decision forecasting method based on least squares support vector machine(LS-SVM) and same/different kinds sensors data fusion of CH4, CO, temperature and wind rate is also brought forward, by which a real-time evaluation model and forecasting model of coal mine safety states are constructed, effectively acquiring the feature vector of coal mine safety states, and realizing early-warning of gas disaster.
The theoretical analysis and experimental results demonstrate that the methods proposed in this dissertation are effective and feasible, and can be applied to early-warning of gas disasters in coal mine.
1.在矿井瓦斯预警相关概念定义、矿井瓦斯数据流分析、数据融合与支持向量机理论与方法研究的基础上,构建了基于支持向量机的矿井瓦斯数据融合技术框架。
2.在粒子群优化和遗传算法研究的基础上,提出了一种基于混沌粒子群优化-遗传算法(CPSO-GA)的支持向量机参数向量的选择与优化方法,为基于支持向量机数据融合的矿井瓦斯预警技术研究创造了技术条件。
3.把支持向量机和相空间重构、粗糙集、聚类、非线性组合预测等多种现代信息处理手段进行有效集成,对多源的矿井瓦斯数据在数据级、特征级和决策级等三个层次上进行了以矿井瓦斯预警为目的的数据融合技术研究:
(1)在数据级融合层次上,提出了基于支持向量机瓦斯数据的噪声消除方法,有效地消除了一维和高维矿井瓦斯数据中的普通噪声、异常数据和缺失数据的影响,为获取准确和完备的原始矿井瓦斯数据提供了技术手段。
(2)在特征级融合层次上,提出了基于相空间重构-聚类-多支持向量机回归的瓦斯混沌时间序列预测方法,以及基于粗糙集-支持向量机的煤与瓦斯突出预测方法,并形成了一个完整的“突出类型→突出强度→突出煤量”的煤与瓦斯突出预测体系,有效地提取了瓦斯数据特征,预测其变化规律和发展趋势。
(3)在决策级融合层次上,提出了基于支持向量机的矿井瓦斯涌出量非线性组合预测方法,以及基于多最小二乘支持向量机的CH4、CO、温度和风速等同类/异类传感器融合的多变量决策预测方法,实现了矿井采区安全状态等级的实时评价和安全状态的预警。
理论分析和实验结果分析表明,本文提出的支持向量机数据融合技术可有效地应用于矿井瓦斯预警中。
Coal mine gas disasters has become a main threat to safe production and the most important factor to constrain sustainable development of the coal industry in China. Understanding thoroughly the law and feature of the coal mine gas disaster, and realizing an accurate forecast and early warning of mine gas hazard are effective means of prevention and treatment of mine gas disaster, and also an important research fields of coal mine safety and intelligent information processing. To meet the present actual needs of the safe production in coal mine, this dissertation makes systematic study on the mine gas early warning technology based on support vector machine and data fusion. The main research contents are as follows:
1. On the basis of the definition of related concept of gas warning, analysis of mine gas data flow, study of data fusion and support vector machine(SVM), the technology framework of coal mine gas data fusion based on support vector machine is constructed.
2. By intensive study on the principle of particle swarm optimization(PSO) genetic algorithm(GA), the method for selection and optimization of parameter vectors of support vector machine based on chaotic particle swarm optimization-genetic algorithm (CPSO-GA) is proposed, which has created technical conditions for the research of gas early-warning technology based on data fusion combined with support vector machine.
3. By using support vector machine, chaos theory, rough sets, clustering, non-linear combination forecast and other modern means of information processing, detailed data fusion technology of multi-source coal mine gas data in data-fusion level, feature-fusion and decision-fusion level are studied:
(1) In the data-fusion level, the de-noiseing method for coal mine gas data based on support vector machine is proposed, which effectively eliminates the effects of ordinary noise data, ab-normal data and missing data existing in coal mine gas data, and provides an effective technical means to obtain more accurate and complete original coal mine gas data.
(2) In the feature-fusion level, the forecasting methods of gas chaotic time series based on phase space reconstruction-clustering-multi support vector machine regression is proposed and the qualitatively and quantitatively forecasting methods of the types,intensity and coal amount of coal-and-gas outburst based on rough sets and support vector machine is put forward, which effectively help to extract the features information of mine gas data, and to forecast changes laws and development trends of mine gas.
(3) In the decision-fusion level, the non-linear combination forecasting methods of gas emission amount is proposed, which reduces the risk of decision-making and improves the forecasting accuracy. The multi-variables decision forecasting method based on least squares support vector machine(LS-SVM) and same/different kinds sensors data fusion of CH4, CO, temperature and wind rate is also brought forward, by which a real-time evaluation model and forecasting model of coal mine safety states are constructed, effectively acquiring the feature vector of coal mine safety states, and realizing early-warning of gas disaster.
The theoretical analysis and experimental results demonstrate that the methods proposed in this dissertation are effective and feasible, and can be applied to early-warning of gas disasters in coal mine.
引文
[1]温家宝.关于制定国民经济和社会发展第十一个五年规划建议的说明[M].北京:人民出版社,2005.
[2]蒋时才.我国煤矿安全技术的研究与发展[J].矿业安全与环保,2000,27(5):1-3.
[3]刘恒冰,韩世勤,刘晶.基于新阈值函数及最优尺度的小波去噪研究[J].计算机工程与应用, 2007,43(24):72-74.
[4]卢平.煤矿瓦斯灾害事故频发的原因及其对策分析[J].安全,2005(3):6-10.
[5]国家煤矿安全监察局.《国家安全生产科技发展规划》(2004～2010) [M].北京:中国劳动社会保障出版社,2004.
[6]俞启香,程.付.中国煤矿瓦斯抽采技术的发展[J].采矿与安全工程学报,2009,26(2): 127-139.
[7]国家安全生产监督管理总局.煤矿安全生产“十一五”规划[J].劳动保护,2007(4):4-8.
[8]孙继平.煤矿监控关键科学技术问题[J].神华科技,2009,7(3):3-5.
[9]王显政.坚持和落实科学发展观开创煤矿安全工作新局面[R].在全国煤矿安全工作座谈会上的讲话,2004.11.
[10]范维唐.提高煤炭生产整体水平,保障煤矿生产[J].中国煤炭,2005. 31(4):5-8.
[11]许名标,彭德红.煤矿事故致因理论分析与预防对策研究[J].中国矿业, 2006. 15(12): 31-34.
[12]贾智伟,李小军,杨书召.煤矿瓦斯爆炸传播规律的研究进展[J].矿业安全与环保, 2008, 35(6):73-73.
[13]王凯,俞启香.煤与瓦斯突出的非线性特征及预测模型[M].徐州:中国矿业大学出版社,2005.
[14]刘西青.论国内煤矿瓦斯监测监控系统现状与发展[J].山西焦煤科技,2006(3):37-40.
[15]汪云甲,杨敏,张克.数字矿山与煤矿瓦斯监测及预警[J].地理信息世界,2008(5):26-32.
[16]高莉.信息融合在煤矿监测监控系统中的应用研究[D].徐州:中国矿业大学图书馆,2006.
[17]付华.煤矿瓦斯灾害特征提取与信息融合技术研究[D].阜新:辽宁工程技术大学图书馆,2006.
[18]杨禹华,钟震宇,蔡康旭.基于模糊模式识别的瓦斯含量指标异常预警技术[J].中国安全科学学报,2007,17(9):172-176.
[19]李洪志.信息融合技术[M].北京:国防工业出版社,1996.
[20]阎平凡,张长水.人工神经网络与模拟进化计算[M].北京:清华大学出版社,2000.
[21]方瑞明.支持向量机理论及其应用分析[M].北京:中国电力出版社,2007.
[22]魏海坤.神经网络结构设计的理论与方法[M].北京:国防工业出版社,2005.
[23] Vapnik V N. The nature of statistical learning theory[M]. New York:Springer-Verlag, 1995.
[24] Vapnik V N. Statistical learning theory[M]. New York:John Wiley, 1998.
[25]张学工.关于统计学习理论与支持向量机[J].自动化学报,2000,26(1):32-42.
[26]刘祖德,赵云胜.煤矿瓦斯监控系统趋势预测技术[J].煤矿安全,2007(3):57-59.
[27]煤炭工业部安全司.矿井安全监控原理与应用[M].徐州:中国矿业大学出版,1996.
[28]郭莹,高雪娟,贺永等.瓦斯监控人命关天,信息化护航煤炭安全[N].中国计算机报,. 2005-08-08.
[29]张勇.煤矿安全监测监控系统升级改造初探[J].煤炭工程,2006(3):85-87.
[30]周邦全.煤矿安全监测监控系统的发展历程和趋势[J].矿业安全与环保,2007,34(6): 76-77.
[31]孟凡荣.煤矿安全监测监控数据知识发现方法[M].徐州:中国矿业大学出版社,2008.
[32]余成波,胡新宇,赵勇.传感器与自动检测技术[M].北京:高等教育出版社,2005.
[33]程健,白静宜,钱建生等.基于混沌时间序列的煤矿瓦斯浓度短期预测[J].中国矿业大学学报,2008,37(2):231-235.
[34]程健.核机器学习及其应用研究[D].徐州:中国矿业大学图书馆,2008.
[35] Grubbs F E. Procedures for detecting outlying observations in samples[J].Technometrics, 1969(11):1-21.
[36] Hawkins D M. Identification of outliers[M].London:Chapman and Hall,1980.
[37]刘星毅,曾春华,江南雨等.缺失数据的处理和挑战[J].钦州学院学报,2008,23(6):26-29.
[38] Han J, Kamber M. Data mining:concepts and techniques[M]. Morgan Kaufmann Publishers, 2006.
[39]张贤达,保铮.通信信号处理[M].北京:国防工业出版社,2000.
[40]韩敏.混沌时间序列预测理论与方法[M].北京:中国水利水电出版社,2007.
[41] Vidakovic B, Lozoya C B. On time-dependent wavelet denoising[J]. IEEE Trans Signal Processing, 1998, 46(9):2549-2551.
[42]刘元峰,赵玫.基于奇异谱分析的混沌序列降噪[J].上海交通大学学报,2003.37(5): 778-780.
[43]孟建,屈梁生.基于方分量的噪声压缩技术[J].信号处理,1998,14(4):318-324.
[44]吴迪嘉,罗汉文,宋文涛等.局部线性投射法在混沌健控系统中进行噪声去除的应用[J].上海交通大学学报,2002,36(6):757-760.
[45]费业泰.误差理论与数据处理[M].北京:机械工业出版社,2004.
[46]许桢英.动态测量误差系统误差溯源与精度损失诊断的理论与方法研究[D].合肥:合肥工业大学图书馆,2003.
[47]李金海.误差理论与测量不确定度[M].北京:石油工业出版社,2003.
[48]韩卫国,王劲峰,胡建军.交通流量数据缺失值的插补方法[J].交通与计算机,2005, 23(1):30-42.
[49]王源,陈亚军.基于高斯混合模型的EM学习方法[J].陕西师范大学学报(自然科学版), 2005,19(1):46-49.
[50] Nicholas J, Horton, Stuart R, Lipsitz. Multiple imputation in practice:comparison of software packages for regression models with missing variables[J]. The American Statistician, 2001, 55(3):244-254.
[51] Zhang R R, Ma S, Safak E, et al. Hilbert-huang transform analysis of dynamic and earthquake motion recordings[J]. Journal of Engineering Medianics, 2003, 129(8):861-875.
[52]王福国,张振文,李超.基于多元回归分析的瓦斯灾害预测[J].2007,26(suppl.):7-9.
[53]李苏旺.时间序列数据建模及其在瓦斯预测中的应用研究[D].太原:太原理工大学图书馆,2007.
[54]欧晓英.基于灰色关联分析的神经网络方法在煤与瓦斯突出预测中的研究及应用[D].徐州:中国矿业大学图书馆,2007.
[55]张小东,张子戌,秦勇.基于专家系统的煤与瓦斯突出区域预测研究[J].煤矿安全, 2004,35(9):1-3.
[56]张剑英,程健,候玉华等.煤矿瓦斯浓度预测的ANFIS方法研究[J].中国矿业大学学报,2007,36(4):494-498.
[57]王雨虹,郝毅魁.有指导学习在建立瓦斯灾害信息提取中的应用[J].工矿自动化, 2008(2):8-11.
[58]韩兵,付华.基于BP神经网络数据融合的瓦斯监测系统[J].工矿自动化,2008(4): 10-13.
[59]周世宁,林柏泉.煤层瓦斯赋存与流动理论[M].北京:煤炭工业出版社,1999.
[60]高雷阜.煤与瓦斯突出的混沌动力系统演化规律研究[D].阜新:辽宁工程技术大学图书馆,2006.
[61]付燕,杨阳.基于粗糙集的瓦斯预测专家系统知识获取[J].煤矿安全,2009(2):22-24.
[62]杨敏.矿山数据挖掘的方法与模型研究[D].徐州:中国矿业大学图书馆,2007.
[63] Cheng J, Qian J S, Guo Y N. Least squares support vector machine for gas concentration forecasting in coal mine[J]. International Journal of Computer Science and Network Security, 2006, 6(6):125-129.
[64]郭德勇,范金志,马世志等.煤与瓦斯突出预测层次分析-模糊综合评判方法[J].北京科技大学学报,2009,29(7):660-663.
[65]冯占文,刘贞堂,李忠辉等.应用层次分析-模糊综合评判法对煤与瓦斯突出危险性的预测[J].中国安全科学学报,2009,19(3):149-154.
[66]饶明.因特摩实时智能监控及事故预报防范系统[J].安全与环境学报,2002,2(5): 48-53.
[67]李禾.矿井重大灾害预警系统为生命保驾护航科技日报[N]. 2008-9-12(6).
[68]赵红梅.高瓦斯采煤面瓦斯涌出量的预测研究[D].徐州:中国矿业大学图书馆,2007.
[69]霍多特B B,宋士钊,王佑安译.煤与瓦斯突出[M].北京:中国工业出版社,1966.
[70]张晓强,高莉,于洪珍.煤矿监测监控系统信息融合结构的研究[J].工矿自动化, 2007,(4):80-82.
[71]阎馨,屠乃威.基于多传感器数据融合技术的瓦斯监测系统[J].计算机测量与控制,2004,12(12):1140-1142.
[72]周玉,钱旭,王培崇等.基于可拓理论与信息融合的煤矿井下环境安全等级评判方法[J].计算机应用研究,2008. 25(11):3328-3331.
[73]邵良杉,付贵祥.基于数据融合理论的煤矿瓦斯动态预测技术[J].煤炭学报,2008, 33(5):551-555.
[74]徐耀松,郭磊,王丹丹.多传感器模糊信息融合算法在煤矿瓦斯监测中的应用[J].矿业安全与环保,2008,33(3):42-44.
[75]王传英,付华.模糊数据融合算法在煤矿安全系统中的应用[J].传感器技术,2005,24(6):72-73,76.
[76]唐述,刘东,尹怡欣.基于粗糙集和神经网络的信息融合方法[J].微计算机信息, 2007, 22(6-3):196-197,189.
[77]赵冲冲.基于支持向量机的旋转机械故障诊断[D].西安:西北工业大学图书馆,2003.
[78]王加阳,周勇.冲突证据的融合方法研究[J].计算机应用研究,2008,25(7): 2047-2049.
[79] ZadehL A. Fuzzy and their applications[M]. New York:Academic Press,1995.
[80]韩崇昭,朱洪艳,段战胜.多源数据融合[M].北京:清华大学出版社,2006.
[81]田景文,高美娟.人工神经网络算法研究及应用[M].北京:北京理工大学出版社,2006.
[82] Schaffer C. Selecting a classification method by eross-validation[J]. Machine Learnlng, 1993(13):135-143.
[83] Breiman L, Friedman J H, Olshen R,et al. Classification and regression trees[M]. Belmont, CA: Wadsworth International Group,1984.
[84]郭小荟.基于SVM的故障诊断方法及其在煤矿机械设备中的应用研究[D].徐州:中国矿业大学图书馆,2008.
[85]邓乃扬,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,2005.
[86] Mercer J. Functions of positive and negative type and their connection with the theory of integral equations[J]. Philosophical Transactions of Royal Society of London:A, 1909(209):415-446.
[87] Kre?el UH-G. Pairwise classification and support vector machines[M]. Somla A (eds) Advances in kernel methods: support vector machine. In:Sch?lkopf B,Burges C. Cambridge, MA: MIT Press, 1998:255-268.
[88] Fletcher R. Practical methods of optimization(2nd Edition)[M]. New York: wiley, 2000.
[89]刘涵,刘丁,李琦.基于支持向量机的混沌时间序列非线性预测[J].系统工程理论与实践,2005(9):94-99.
[90]王雪.测试智能信息处理[M].2008,北京:清华大学出版社.
[91]国防科技信息中心.美国国防部关键技术计划(1992财年) [R].北京:1999.
[92] Walt Z E, Linas J,赵宗贵等译.多传感器数据融合[M].电子工业部28所,1997.
[93]康耀红.数据融合理论与应用[M].西安:西安电子科技大学出版社,1997.
[94]张育智.基于神经网络与数据融合的结构损伤识别理论研究[D].成都:西南交通大学图书馆,2007.
[95]刘严岩.多传感数据融合中几个关键技术的研究[D].合肥:中国科技术大学图书馆,2006.
[96]王欣.多传感器数据融合问题的研究[D].长春:吉林大学图书馆,2006.
[97]简小刚,贾鸿盛,石来德.多传感器信息融合技术的研究进展[J].中国工程机械学报, 2009,7(2):227-232.
[98]高青.多传感器数据融合算法研究[D].西安:西安电子科技大学图书馆,2008.
[99] Sommer K D, Kuehn O, Leon F P, et al. A bayesian approach to information fusion for evaluating the measurement uncertainty[J]. Robotics and Autonomous Systems, 2009(57): 339-344.
[100] Hugh F, Durrant-Whyte. Sensor models and multisensor integration[J]. The International Journal of Robotics Research, 1988, 7(6):97-113.
[101] Basiro, Yuan Xiaohong. Engine fault diagnosis based on multi-sensor information fusion using dempster-shafer evidence theory[J]. Information Fusion, 2007(8):379-386.
[102]郭戈,罗志刚.多传感器数据融合方法的研究与进展[J].机电一体化,2003,(5):12-17.
[103]刘娟,任燕,高岩.模糊数据融合在矿井安全监测系统中的应用[J].河南理工大学学报(自然科学版),2008,27(3):268-271.
[104] Pawlak Z, Busse J G, Slowinski R, et al. Rough sets[J]. Communication of the ACM, 1995, 38(11):89-95.
[105] Pawlak Z. Rough sets-theoretical aspects of reasoning about data[M]. Dordrecht: Kluwer Academic Publshers,1991.
[106]徐德友.粗集信息分析在故障诊断中的应用及自修复飞行控制系统效能评估[D].南京:南京航空航天大学图书馆,2002.
[107] Wright E, Mahoney S, Laskey K, et al. Multi-entiyt bayesian networksfor situation assessment[C]. Proceedings of the Fifth International Conference on Information Fusion, 2002(2):804-811.
[108]刘玉照.现代信息管理技术[M].天津:南开大学出版社,2000.
[109]陈美兰,吴延熊,周国模等.预测、监测和预警关系的初步探讨[J].浙江林学院学报,1999,16(1): 10-13.
[110]金敬强,武富春.信息融合技术的发展现状与展望[J].电脑开发与应用,2006,19(1): 50-53.
[111]华钢.煤矿安全生产综合高度系统关键技术研究[D].徐州:中国矿业大学图书馆,2002.
[112]钟义信.信息科学与技术导论[M].北京:北京邮电大学出版社,2007.
[113]谢希仁.计算机网络(第5版)[M].北京:电子工业出版社,2008.
[114]张志芬.航天器多信源测控数据融合及应用研究[D].重庆:重庆大学图书馆,2008.
[115] Chibelushi C C, Mason J S D, Deravi F. Feature-level data fusion for bimodal person recognition[C]. Sixth International Conference on Image Processing and Its Applications, 1997(1):399-404.
[116]王仲生.智能故障诊断与容错控制[M].西安:西北工业大学出版社,2005.
[117] Jing T J, Chen C C. A novel approach for the hyperparameters of the support vector regression[J]. IEEE International Joint Conference on Neural Networks, 2002(1):642-647.
[118] Alex J, Smola, Bernhard Sch?lkopf. A tutorial on support vector regression[J]. Statistics and Computing, 2004, 14(3): 199-222.
[119] Dash M, Liu H. Feature selection for classification[J]. Intelligent Data Analysis, 1997(3): 131-156.
[120] Kohavi R, John G H. Wrappers for feature subset selection[J]. Artificial Intelligence, 1997, 97(1-2):273-324.
[121] Isabelle G, AndréE. An Introduction to variable and feature selection[J]. Journal of Machine Learning Research, 2003(3):1157-1182.
[122]乔立岩,彭喜元,彭宇.基于微粒群算法和支持向量机的特征子集选择方法[J].电子学报,2006,34(3):496-498.
[123]乔立岩,彭喜元,马云形.基于遗传算法和支持向量机的特征子集选择方法[J].电子测量与仪器学报,2006,20(2):1-5.
[124] Suykens J A K, Vandewalle J, Moor B D. Optimal control by least squares support vector machine[J]. Neural Networks, 2001, 14(1): 23-35.
[125] Suykens J A K, Vandewalle J. Least squares support vector machine classifiers[J]. Neural Processing Letters, 1999, 9(3):293-300.
[126]白鹏,张喜斌,张斌等.支持向量机理论及工程应用实例[M].西安:西安电子科技大学出版社,2008.
[127] Scholkopf B, Smola A. Learning with kernels: support vector machines, regularization , and beyond[M]. Cambridge, MA: MIT Press, 2002.
[128] Keerthi S S, L.C. Asymptotic behaviors support vector machines with Gaussian kernel[J]. Neural Computation, 2003, 15(7):1667-1689.
[129] Walczack B, Massart D L. Local modelling with radial basis function networks[J]. Chemometrics and Intelligent Laboratory Systems, 2000, 50(2):179-198.
[130] Wang W, Xu Z, Lu W, et al. Determination of the spread parameter in the Gaussian kernel for classification and regression[J]. Neurocomputing, 2003, 5(5):643-663.
[131]李元诚,方廷健,郑国祥.短期电力负荷预测的小波支持向量机方法研究[J].中国科学技术大学学报,2003,33(6):726-732.
[132] Keerthi S S, Lin C J. Asymptotic behaviors of support vector machines with Gaussian kernel[J]. Neural Computation,2003, 15(7):1667-1689.
[133]陈春雨,林茂六,张喆.基于向量机的信号滤波研究[J].西安交通大学学报,2006, 40(4):427-431.
[134]贾存良,吴海山,巩敦卫.煤炭需求量预测的支持向量机模型[J].中国矿业大学学报(自然科学版),2007,36(1):107-110.
[135] Hsu C W, Chang C C, Lin C J. A practical guide to support vector classification[J/OL]. //www.csie.ntu.edu.tw/～cjlin/papers/guide/guide.pdf.
[136]吴今培,孙德山.现代数据分析[M].北京:机械工业出版社,2006.
[137]刘向东,骆斌,陈兆乾.支持向量机最优模型选择的研究[J].计算机研究与发展,2005,42(4):576-581.
[138]王雪松,程玉虎,郝名林.一种支持向量机参数选择的改进分布估计算法[J].山东大学学报(工学版),2009,39(3):7-10.
[139]董春曦,饶鲜,杨绍全等.支持向量机参数选择方法研究[J].系统工程与电子技术, 2004,26(8):1117-1220.
[140]杜京义,侯媛彬.基于遗传算法的支持向量回归机参数选取[J].系统工程与电子技术, 2006,28(9):1430-1433.
[141] Chapelle O, Vapnik V, Bousqueto, et al. Choosing multiple parameters for support vectormachines[J]. Machine Learning, 2002, 46(1):131-160.
[142]李良敏,温广瑞,王生昌.基于遗传算法的回归型支持向量机参数选择法[J].计算机工程与应用,2008,44(7):23-26.
[143]邵信光,杨慧中,陈刚.基于粒子群优化算法的支持向量机参数选择及其应用[J].控制理论与应用,2006,23(5):740-743.
[144] Kennedy J, Eberhart R C. Particle swarm optimization[C]. Proceedings of IEEE international conference on neural networks. Piscataway:IEEE Press, 1995.
[145] Eberhart R C, Kennedy J. A new optimizer using particle swarm theory[C]. Proceedings of Sixth International Symposium Micro Machine Human Science. Nagoya, Japan:IEEE Press, 1995.
[146]潘立登,李大字,马俊英.软测量技术原理与应用[M].北京:中国电力出版社,2009,
[147]唐贤伦,混沌粒子群优.化算法理论及应用[D].重庆:重庆大学图书馆,2007.
[148] Shi Y, Eberhart R C. A modified particle swarm optimizer[C]. Proceedings of the IEEE Congress on Evolutionary Computation. Piscataway , NJ:IEEE Press, 1998.
[149]肖高超,王强,常棠棠等.一种动态惯性权重的粒子群优化算法[J].广西师范大学学报(自然科学版),2008,26(3): 161-164.
[150] Shi Y, Eberhar R C. Fuzzy adaptive particle swarm optimization[C]. Proceedings of the IEEE Congress on Evolutionary Computation. Seoul, Korea:IEEE Press, 101-106, 2001.
[151]李兵,蒋慰孙.混沌优化方法及其应用[J].控制理论与应用,1997,14(4):613-614.
[152]张国平,王正欧,袁国林.求解一类组合优化问题的混沌搜索法[J].系统工程理论与实践,2001,(5):102-105.
[153] Ataei M, Lohmann B, Khaki-Sedigh A, Lucas C. Model based method for estimating an attractor dimension from uni/multivariate chaotic time series with application to Bremen climatic dynamics[C]. Chaos, Solitons and Fractals, 2004, 19(5):1131-1139.
[154]高尚,杨静宇.混沌粒子群优化算法研究[J].模式识别与人工智能,2006,19(2): 266-269.
[155] Holland J H. Adaption in nature and artificial systems[M]. Ann Arbor:The University of Michigan Press,1975.
[156]周明,孙树栋.遗传算法原理及应用[M].北京:国防工业出版社,1999.
[157]王小平,曹立明.遗传算法—理论、应用与软件实现[M].西安:西安交通大学出版社,2002.
[158]王文义,秦广军,王若雨.基于粒子群算法的遗传算法研究[J].计算机科学,2007, 34(8):145-147.
[159] Bakhtazad A, Palazoglu A, Romagno1i J A. Proeess data de-nosing using wavelettransform[J]. Intelligent Data Analysis, 1999, 3(4): 267-285.
[160]陈春雨.有噪声信号对准理论与应用研究[D].哈尔滨:哈尔滨工业大学图书馆,2006.
[161] Packard N H, CrutchfieldJ P, Farmer J D, et al. Geometry from a time series[J]. Physics Review Letters, 1980, 45(9):712-716.
[162]吕金虎,陆君安,陈士华.混沌时间序列分析及其应用研究[M].武汉:武汉大学出版社,2002.
[163] Kim H S, Eykholt R, Salas J D. Nonlinear dynamics, delay times, and embedding windows[J]. Physica D, 1999, 127(2):48-60.
[164] Rosenstein M T, Collins J J, Deluca C J. A practical method for calculating, largest Lyapunov exponents from small date sets[J]. Physica D, 1993(65):117-134.
[165] Wales D J. Calculating the rate of loss of information from chaotic time series by foraxsting[J]. Nature, 1991, 350(6318):485-488.
[166]赵敏.基于混沌理论的电力推进船舶电力负荷预测[D].大连:大连海带大学图书馆,2008.
[167]梁世清,王德明,刘维亭.基于Lyapunov指数的舰船电力系统稳定性分析[J].舰船科学技术,2008,30(1):76-79.
[168]王东生.混沌、分形及其应用[M].合肥:中国科学技术出版社,1995.
[169] Wolf A, Swift J B, Swinney H L, Vastano J A. Determining lyapunov exponents from a time series[J]. Physica D: Nonlinear Phenomena, 1985, 16(3):285-317.
[170] Rosentein M T, Collins J J, DeLuea C J. A praetieal method for caleulating largest Lyapunov exponent from small data sets[J]. Physica D, 1993, (65):117-134.
[171] Barana G, Tsuda I. A new method for computing lyapunov exponents[J].Phys.Lett.A, 1993, (175):421-427.
[172]陈益峰,吕金虎,周创兵.基于Lyapunov指数改进算法的边坡位移预测[J].岩石力学与工程学报,2001,20(5):671-675.
[173] Badjate S L, Dudul S V. Prediction of Mackey-Glass chaotic time series with effect of superimposed noise using FTLRNN model[C]. Advances in Computer Science and Technology, 2008:130-150.
[174] Liu Z X, Xie X, Zhang D Y. Predict chaotic time series using minimax probability machine regression.[J]. Information Technology Journal, 2006, 5(3):529-533.
[175] Kadirkamanathan V, Niranjan M. A function estimation approach to sequential learning with neural networks[J]. Neural Computation, 1993, 5(6):954-975.
[176] Kantz H, Schreiber T. Nonlinear times series analysis[M]. Cambridge:Cambridge University Press, 1997.
[177]曾绍华.支持向量回归机算法理论研究与应用[D].重庆:重庆大学图书馆,2006.
[178]孙德山,吴今培,肖健华.基于SVR的异常数据检测[J].计算机工程与应用,2003,39(26): 41-43.
[179]王雷,张瑞青,盛伟等.基于支持向量机的回归预测和异常数据检测[J].中国电机工程学报,2009,29(8):92-96.
[180] Kantz H, Schreiber T. Nonlinear time series analysis[M]. Cambridge:Cambridge University Press, 1997.
[181] Takens F. Determining strange attractors in turblence[J]. Lecture Notes in Math, 1981, (898):366-381.
[182] Kosko B. Fuzzy systems as universal approximators[C]. Proceedings of the IEEE International Conference on Fuzzy Systems. San Diego, 1992.
[183]熊和金,陈德军.智能信息处理[M].北京:国防工业出版社,2006.
[184] Bates J M, Granger C W J. The combination of forecasts[J]. Operations Research Quarterly, 1969, (20):451-468.
[185] Kegelmeyer W P, Bowyer K. Combination of multiple classifiers using local accuracy estimates[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997, 19(4):405-410.
[186]陈佐.时间序列相空间重构数据挖掘方法及其在证券市场的应用[D].长沙:湖南大学图书馆,2007.
[187] Berkhin P. Survey of clustering data mining techniques[R]. Technical report. Aeeure Software, San Jose ,CA , 2002.
[188]孟凡荣,赵芳.煤矿安全预警系统体系构建[J].微计算机信息,2008,24(10-3): 60-73.
[189] Xia S X, Li W C, Zhou Y, et al. Improved k-means clustering algorithm[J]. Journal of Southeast University (English Edition), 2007, 23(3):435-438.
[190] Eschrich S, Ke J W, HallL O, et al. Fast accurate fuzzy clustering through data reduction[J]. IEEE Transactions on Fuzzy Systems, 2003, 11(2):262-270.
[191] Oppner F H, Klawonn F. A new approach to fuzzy partitioning[C]. Proceedings of the Joint 9th IFSA World Congress and 20th NAFIPS International. Vancouver: [s.n.], 2001: 1419-1424.
[192]唐贤伦,仇国庆,庄陵.一种面向非规则非致密空间分布数据的聚类方法[J].计算机科学,2009,36(3):167-169.
[193] KohonenT. The self-organizing maps[J]. Proceedings of IEEE, 1990,78(9):1464-1480.
[194] Haykin S. A comprehensive foundation[M]. World Publishing House,2004.
[195]杨占华,杨燕.SOM神经网络算法的研究与进展[J].计算机工程,2006,32(16):201-228.
[196]唐贤伦,仇国庆,李银国等.基于粒子群优化和SOM网络的聚类算法研究[J].华中科技大学学报(自然科学版),2007,35(5):31-37.
[197]黄丽娟,甘筱青.基于SOFM神经网络的e供应链客户聚类分析及营销策略[J].系统工程理论与实践,2007(12):49-55.
[198]王磊,黄道.基于改进的自组织映射网络的化工过程故障分类辨识[J].华东理工大学学报(自然科学版),2006,32(9):1109-1112.
[199] Kaski S, Logus K. Comparing self-organizing maps[C]. Proceedings of ICANN 96, 1996:809-814.
[200]俞启香,矿井瓦斯防治[M].徐州:中国矿业大学出版社,1992.
[201]林伯泉,崔恒信.矿井瓦斯防治理论与技术[M].徐州:中国矿业大学出版社,1998.
[202]吴强.基于神经网络的煤与瓦斯突出预测模型[J].基于神经网络的煤与瓦斯突出预测模型,2001,11(4):69-72.
[203]曾黄麟.粗集理论及其应用—关于数据理论的新方法[M].重庆:重庆大学出版社,1996.
[204]张文修,吴伟志,梁吉业等.粗糙集理论与方法[M].北京:科学出版社,2000.
[205]操小明.粗集-支持向量机方法的软测量应用研究[D].重庆:重庆大学图书馆,2006.
[206]肖汉光,蔡从中.特征向量的归一化比较性研究[J].计算机工程与应用,2009,45(22): 117-119.
[207]高贇.基于粗糙集的故障诊断和容错控制理论和方法研究[D].西安:西安交通大学图书馆,2005.
[208]苗夺谦.Rough Set理论中连续属性的离散化方法[J].自动化学报,2001,27(3):296-302.
[209]位爱竹,王凯,伍永生.基于GA-BP混合算法的煤与瓦斯突出强度预测研究[J].矿业安全与环保,2006,33(4):4-6.
[210] Kang K, Yu Q X, Jiang C L, et al. Experimental study on the intensity of coal and gas outburst:new development on rock mechanics and engineering[C]. Proceedings of 2nd International Conference on Mechanics and Engineering, Rinton Press, USA, 2002.
[211]范金志,马世志,王仪斌.煤与瓦斯突出预测层次分析-模糊综合评价方法[J].北京科技大学学报,2007,29(7):660-664.
[212]赵旭生,于不凡,马代辉.煤与瓦斯突出矿井危险等级划分方法[J].矿业安全与环保,2000,27(2):4-6.
[213]梁运培,于不凡.煤与瓦斯突出矿井分级技术[J].重庆大学学报(自然科学版),2001, 24(5):70-74.
[214]吴雅琴.基于人工神经网络的煤与瓦斯突出预测研究[D].徐州:中国矿业大学图书馆,2005.
[215]陈华友.组合预测方法有效性理论及其应用[M].北京:科学出版社,2008.
[216]汪荣鑫.数理统计[M].西安:西安交通大学出版社,1986.
[217]梁华珍.工作面瓦斯涌出量预测的研究与应用[D].淮南:安徽理工大学图书馆,2007.
[218]邓聚龙.灰色预测与决策[M].武汉:华中工学院出版社,1986.
[219]刘新喜,赵云胜.用灰色建模法预测矿井瓦斯涌出量[J].中国安全科学学报,2000,10(4):51-54.
[220]徐君.基于GM(1,1)模型的矿井瓦斯涌出量预测研究[J].矿业研究与开发,2005, 25(3):87-88.
[221]施式亮,刘宝深.基于人工神经网络的矿井瓦斯涌出量预测模型及其应用[J].矿冶工程,1999,19(1):21-23.
[222]周革忠.回采工作面瓦斯涌出量预测的神经网络方法[J].中国安全科学学报,2004,14(10):18-21.
[223]郁云,杜杰,陆金桂.基于人工神经网络的瓦斯涌出量预测[J].计算机仿真,2006,23(8):146-148.
[224]黄为勇,童敏明,任子晖.基于SVM的瓦斯涌出量非线性组合预测方法[J].中国矿业大学学报,2009,38(234-239).
[225]潘结南,陈江峰,徐文鹏.R/S分析及矿井瓦斯涌出量的分形预测[J].煤田地质与勘探,2001,29(3):14-15.
[226]赵朝义,袁修干,孙金镖.遗传规划在采煤工作面瓦斯涌出量预测中的应用.应用基础与工程科学学报,1999,7(4):385-392.
[227] Bates J M, Granger C W J. The combination of forecasts[J]. Operatonal Research Quarterly, 1969, 20(4):451-468.
[228]姜明辉.商业银行个人信用评估组合预测方法研究[D].哈尔滨:哈尔滨工业大学图书馆,2006.
[229]王应明,傅国伟.基于不同误差准则和范数的组合预测方法研究[J].控制与决策,1994,9(1):20-28.
[230]文新辉,牛明洁.一种新的基于神经网络的非线性组合预测方法[J].系统工程理论与实践,1994(12):66-72.
[231]赵红梅.高瓦斯采煤面瓦斯涌出量的预测研究[D].徐州:中国矿业大学图书馆,2007.
[232]王其军,程久龙.基于信息融合技术的与其传感器故障诊断研究[J].工矿自动化, 2008(4):22-24.
[233]任博,张喜斌,张恒喜.基于最小二乘支持向量机的飞机备件多元分类[J].电光与控制,2006,13(2):73-78.
[234] Pontil M, Rifkin R, Evgeniou T. From regression to classification in support vector machines[J/OL]. http://www. dice.ucl.ac.be/proceedings/esann /esannpdf/es19992462. pdf..
[235]王其军.瓦斯监测系统故障智能诊断技术研究[D].青岛:山东科技大学图书馆,2007.
[236]鲍毅.多传感器信息融合在煤矿环境监测系统中的应用[D].徐州:中国矿业大学图书馆,2007.
[2]蒋时才.我国煤矿安全技术的研究与发展[J].矿业安全与环保,2000,27(5):1-3.
[3]刘恒冰,韩世勤,刘晶.基于新阈值函数及最优尺度的小波去噪研究[J].计算机工程与应用, 2007,43(24):72-74.
[4]卢平.煤矿瓦斯灾害事故频发的原因及其对策分析[J].安全,2005(3):6-10.
[5]国家煤矿安全监察局.《国家安全生产科技发展规划》(2004～2010) [M].北京:中国劳动社会保障出版社,2004.
[6]俞启香,程.付.中国煤矿瓦斯抽采技术的发展[J].采矿与安全工程学报,2009,26(2): 127-139.
[7]国家安全生产监督管理总局.煤矿安全生产“十一五”规划[J].劳动保护,2007(4):4-8.
[8]孙继平.煤矿监控关键科学技术问题[J].神华科技,2009,7(3):3-5.
[9]王显政.坚持和落实科学发展观开创煤矿安全工作新局面[R].在全国煤矿安全工作座谈会上的讲话,2004.11.
[10]范维唐.提高煤炭生产整体水平,保障煤矿生产[J].中国煤炭,2005. 31(4):5-8.
[11]许名标,彭德红.煤矿事故致因理论分析与预防对策研究[J].中国矿业, 2006. 15(12): 31-34.
[12]贾智伟,李小军,杨书召.煤矿瓦斯爆炸传播规律的研究进展[J].矿业安全与环保, 2008, 35(6):73-73.
[13]王凯,俞启香.煤与瓦斯突出的非线性特征及预测模型[M].徐州:中国矿业大学出版社,2005.
[14]刘西青.论国内煤矿瓦斯监测监控系统现状与发展[J].山西焦煤科技,2006(3):37-40.
[15]汪云甲,杨敏,张克.数字矿山与煤矿瓦斯监测及预警[J].地理信息世界,2008(5):26-32.
[16]高莉.信息融合在煤矿监测监控系统中的应用研究[D].徐州:中国矿业大学图书馆,2006.
[17]付华.煤矿瓦斯灾害特征提取与信息融合技术研究[D].阜新:辽宁工程技术大学图书馆,2006.
[18]杨禹华,钟震宇,蔡康旭.基于模糊模式识别的瓦斯含量指标异常预警技术[J].中国安全科学学报,2007,17(9):172-176.
[19]李洪志.信息融合技术[M].北京:国防工业出版社,1996.
[20]阎平凡,张长水.人工神经网络与模拟进化计算[M].北京:清华大学出版社,2000.
[21]方瑞明.支持向量机理论及其应用分析[M].北京:中国电力出版社,2007.
[22]魏海坤.神经网络结构设计的理论与方法[M].北京:国防工业出版社,2005.
[23] Vapnik V N. The nature of statistical learning theory[M]. New York:Springer-Verlag, 1995.
[24] Vapnik V N. Statistical learning theory[M]. New York:John Wiley, 1998.
[25]张学工.关于统计学习理论与支持向量机[J].自动化学报,2000,26(1):32-42.
[26]刘祖德,赵云胜.煤矿瓦斯监控系统趋势预测技术[J].煤矿安全,2007(3):57-59.
[27]煤炭工业部安全司.矿井安全监控原理与应用[M].徐州:中国矿业大学出版,1996.
[28]郭莹,高雪娟,贺永等.瓦斯监控人命关天,信息化护航煤炭安全[N].中国计算机报,. 2005-08-08.
[29]张勇.煤矿安全监测监控系统升级改造初探[J].煤炭工程,2006(3):85-87.
[30]周邦全.煤矿安全监测监控系统的发展历程和趋势[J].矿业安全与环保,2007,34(6): 76-77.
[31]孟凡荣.煤矿安全监测监控数据知识发现方法[M].徐州:中国矿业大学出版社,2008.
[32]余成波,胡新宇,赵勇.传感器与自动检测技术[M].北京:高等教育出版社,2005.
[33]程健,白静宜,钱建生等.基于混沌时间序列的煤矿瓦斯浓度短期预测[J].中国矿业大学学报,2008,37(2):231-235.
[34]程健.核机器学习及其应用研究[D].徐州:中国矿业大学图书馆,2008.
[35] Grubbs F E. Procedures for detecting outlying observations in samples[J].Technometrics, 1969(11):1-21.
[36] Hawkins D M. Identification of outliers[M].London:Chapman and Hall,1980.
[37]刘星毅,曾春华,江南雨等.缺失数据的处理和挑战[J].钦州学院学报,2008,23(6):26-29.
[38] Han J, Kamber M. Data mining:concepts and techniques[M]. Morgan Kaufmann Publishers, 2006.
[39]张贤达,保铮.通信信号处理[M].北京:国防工业出版社,2000.
[40]韩敏.混沌时间序列预测理论与方法[M].北京:中国水利水电出版社,2007.
[41] Vidakovic B, Lozoya C B. On time-dependent wavelet denoising[J]. IEEE Trans Signal Processing, 1998, 46(9):2549-2551.
[42]刘元峰,赵玫.基于奇异谱分析的混沌序列降噪[J].上海交通大学学报,2003.37(5): 778-780.
[43]孟建,屈梁生.基于方分量的噪声压缩技术[J].信号处理,1998,14(4):318-324.
[44]吴迪嘉,罗汉文,宋文涛等.局部线性投射法在混沌健控系统中进行噪声去除的应用[J].上海交通大学学报,2002,36(6):757-760.
[45]费业泰.误差理论与数据处理[M].北京:机械工业出版社,2004.
[46]许桢英.动态测量误差系统误差溯源与精度损失诊断的理论与方法研究[D].合肥:合肥工业大学图书馆,2003.
[47]李金海.误差理论与测量不确定度[M].北京:石油工业出版社,2003.
[48]韩卫国,王劲峰,胡建军.交通流量数据缺失值的插补方法[J].交通与计算机,2005, 23(1):30-42.
[49]王源,陈亚军.基于高斯混合模型的EM学习方法[J].陕西师范大学学报(自然科学版), 2005,19(1):46-49.
[50] Nicholas J, Horton, Stuart R, Lipsitz. Multiple imputation in practice:comparison of software packages for regression models with missing variables[J]. The American Statistician, 2001, 55(3):244-254.
[51] Zhang R R, Ma S, Safak E, et al. Hilbert-huang transform analysis of dynamic and earthquake motion recordings[J]. Journal of Engineering Medianics, 2003, 129(8):861-875.
[52]王福国,张振文,李超.基于多元回归分析的瓦斯灾害预测[J].2007,26(suppl.):7-9.
[53]李苏旺.时间序列数据建模及其在瓦斯预测中的应用研究[D].太原:太原理工大学图书馆,2007.
[54]欧晓英.基于灰色关联分析的神经网络方法在煤与瓦斯突出预测中的研究及应用[D].徐州:中国矿业大学图书馆,2007.
[55]张小东,张子戌,秦勇.基于专家系统的煤与瓦斯突出区域预测研究[J].煤矿安全, 2004,35(9):1-3.
[56]张剑英,程健,候玉华等.煤矿瓦斯浓度预测的ANFIS方法研究[J].中国矿业大学学报,2007,36(4):494-498.
[57]王雨虹,郝毅魁.有指导学习在建立瓦斯灾害信息提取中的应用[J].工矿自动化, 2008(2):8-11.
[58]韩兵,付华.基于BP神经网络数据融合的瓦斯监测系统[J].工矿自动化,2008(4): 10-13.
[59]周世宁,林柏泉.煤层瓦斯赋存与流动理论[M].北京:煤炭工业出版社,1999.
[60]高雷阜.煤与瓦斯突出的混沌动力系统演化规律研究[D].阜新:辽宁工程技术大学图书馆,2006.
[61]付燕,杨阳.基于粗糙集的瓦斯预测专家系统知识获取[J].煤矿安全,2009(2):22-24.
[62]杨敏.矿山数据挖掘的方法与模型研究[D].徐州:中国矿业大学图书馆,2007.
[63] Cheng J, Qian J S, Guo Y N. Least squares support vector machine for gas concentration forecasting in coal mine[J]. International Journal of Computer Science and Network Security, 2006, 6(6):125-129.
[64]郭德勇,范金志,马世志等.煤与瓦斯突出预测层次分析-模糊综合评判方法[J].北京科技大学学报,2009,29(7):660-663.
[65]冯占文,刘贞堂,李忠辉等.应用层次分析-模糊综合评判法对煤与瓦斯突出危险性的预测[J].中国安全科学学报,2009,19(3):149-154.
[66]饶明.因特摩实时智能监控及事故预报防范系统[J].安全与环境学报,2002,2(5): 48-53.
[67]李禾.矿井重大灾害预警系统为生命保驾护航科技日报[N]. 2008-9-12(6).
[68]赵红梅.高瓦斯采煤面瓦斯涌出量的预测研究[D].徐州:中国矿业大学图书馆,2007.
[69]霍多特B B,宋士钊,王佑安译.煤与瓦斯突出[M].北京:中国工业出版社,1966.
[70]张晓强,高莉,于洪珍.煤矿监测监控系统信息融合结构的研究[J].工矿自动化, 2007,(4):80-82.
[71]阎馨,屠乃威.基于多传感器数据融合技术的瓦斯监测系统[J].计算机测量与控制,2004,12(12):1140-1142.
[72]周玉,钱旭,王培崇等.基于可拓理论与信息融合的煤矿井下环境安全等级评判方法[J].计算机应用研究,2008. 25(11):3328-3331.
[73]邵良杉,付贵祥.基于数据融合理论的煤矿瓦斯动态预测技术[J].煤炭学报,2008, 33(5):551-555.
[74]徐耀松,郭磊,王丹丹.多传感器模糊信息融合算法在煤矿瓦斯监测中的应用[J].矿业安全与环保,2008,33(3):42-44.
[75]王传英,付华.模糊数据融合算法在煤矿安全系统中的应用[J].传感器技术,2005,24(6):72-73,76.
[76]唐述,刘东,尹怡欣.基于粗糙集和神经网络的信息融合方法[J].微计算机信息, 2007, 22(6-3):196-197,189.
[77]赵冲冲.基于支持向量机的旋转机械故障诊断[D].西安:西北工业大学图书馆,2003.
[78]王加阳,周勇.冲突证据的融合方法研究[J].计算机应用研究,2008,25(7): 2047-2049.
[79] ZadehL A. Fuzzy and their applications[M]. New York:Academic Press,1995.
[80]韩崇昭,朱洪艳,段战胜.多源数据融合[M].北京:清华大学出版社,2006.
[81]田景文,高美娟.人工神经网络算法研究及应用[M].北京:北京理工大学出版社,2006.
[82] Schaffer C. Selecting a classification method by eross-validation[J]. Machine Learnlng, 1993(13):135-143.
[83] Breiman L, Friedman J H, Olshen R,et al. Classification and regression trees[M]. Belmont, CA: Wadsworth International Group,1984.
[84]郭小荟.基于SVM的故障诊断方法及其在煤矿机械设备中的应用研究[D].徐州:中国矿业大学图书馆,2008.
[85]邓乃扬,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,2005.
[86] Mercer J. Functions of positive and negative type and their connection with the theory of integral equations[J]. Philosophical Transactions of Royal Society of London:A, 1909(209):415-446.
[87] Kre?el UH-G. Pairwise classification and support vector machines[M]. Somla A (eds) Advances in kernel methods: support vector machine. In:Sch?lkopf B,Burges C. Cambridge, MA: MIT Press, 1998:255-268.
[88] Fletcher R. Practical methods of optimization(2nd Edition)[M]. New York: wiley, 2000.
[89]刘涵,刘丁,李琦.基于支持向量机的混沌时间序列非线性预测[J].系统工程理论与实践,2005(9):94-99.
[90]王雪.测试智能信息处理[M].2008,北京:清华大学出版社.
[91]国防科技信息中心.美国国防部关键技术计划(1992财年) [R].北京:1999.
[92] Walt Z E, Linas J,赵宗贵等译.多传感器数据融合[M].电子工业部28所,1997.
[93]康耀红.数据融合理论与应用[M].西安:西安电子科技大学出版社,1997.
[94]张育智.基于神经网络与数据融合的结构损伤识别理论研究[D].成都:西南交通大学图书馆,2007.
[95]刘严岩.多传感数据融合中几个关键技术的研究[D].合肥:中国科技术大学图书馆,2006.
[96]王欣.多传感器数据融合问题的研究[D].长春:吉林大学图书馆,2006.
[97]简小刚,贾鸿盛,石来德.多传感器信息融合技术的研究进展[J].中国工程机械学报, 2009,7(2):227-232.
[98]高青.多传感器数据融合算法研究[D].西安:西安电子科技大学图书馆,2008.
[99] Sommer K D, Kuehn O, Leon F P, et al. A bayesian approach to information fusion for evaluating the measurement uncertainty[J]. Robotics and Autonomous Systems, 2009(57): 339-344.
[100] Hugh F, Durrant-Whyte. Sensor models and multisensor integration[J]. The International Journal of Robotics Research, 1988, 7(6):97-113.
[101] Basiro, Yuan Xiaohong. Engine fault diagnosis based on multi-sensor information fusion using dempster-shafer evidence theory[J]. Information Fusion, 2007(8):379-386.
[102]郭戈,罗志刚.多传感器数据融合方法的研究与进展[J].机电一体化,2003,(5):12-17.
[103]刘娟,任燕,高岩.模糊数据融合在矿井安全监测系统中的应用[J].河南理工大学学报(自然科学版),2008,27(3):268-271.
[104] Pawlak Z, Busse J G, Slowinski R, et al. Rough sets[J]. Communication of the ACM, 1995, 38(11):89-95.
[105] Pawlak Z. Rough sets-theoretical aspects of reasoning about data[M]. Dordrecht: Kluwer Academic Publshers,1991.
[106]徐德友.粗集信息分析在故障诊断中的应用及自修复飞行控制系统效能评估[D].南京:南京航空航天大学图书馆,2002.
[107] Wright E, Mahoney S, Laskey K, et al. Multi-entiyt bayesian networksfor situation assessment[C]. Proceedings of the Fifth International Conference on Information Fusion, 2002(2):804-811.
[108]刘玉照.现代信息管理技术[M].天津:南开大学出版社,2000.
[109]陈美兰,吴延熊,周国模等.预测、监测和预警关系的初步探讨[J].浙江林学院学报,1999,16(1): 10-13.
[110]金敬强,武富春.信息融合技术的发展现状与展望[J].电脑开发与应用,2006,19(1): 50-53.
[111]华钢.煤矿安全生产综合高度系统关键技术研究[D].徐州:中国矿业大学图书馆,2002.
[112]钟义信.信息科学与技术导论[M].北京:北京邮电大学出版社,2007.
[113]谢希仁.计算机网络(第5版)[M].北京:电子工业出版社,2008.
[114]张志芬.航天器多信源测控数据融合及应用研究[D].重庆:重庆大学图书馆,2008.
[115] Chibelushi C C, Mason J S D, Deravi F. Feature-level data fusion for bimodal person recognition[C]. Sixth International Conference on Image Processing and Its Applications, 1997(1):399-404.
[116]王仲生.智能故障诊断与容错控制[M].西安:西北工业大学出版社,2005.
[117] Jing T J, Chen C C. A novel approach for the hyperparameters of the support vector regression[J]. IEEE International Joint Conference on Neural Networks, 2002(1):642-647.
[118] Alex J, Smola, Bernhard Sch?lkopf. A tutorial on support vector regression[J]. Statistics and Computing, 2004, 14(3): 199-222.
[119] Dash M, Liu H. Feature selection for classification[J]. Intelligent Data Analysis, 1997(3): 131-156.
[120] Kohavi R, John G H. Wrappers for feature subset selection[J]. Artificial Intelligence, 1997, 97(1-2):273-324.
[121] Isabelle G, AndréE. An Introduction to variable and feature selection[J]. Journal of Machine Learning Research, 2003(3):1157-1182.
[122]乔立岩,彭喜元,彭宇.基于微粒群算法和支持向量机的特征子集选择方法[J].电子学报,2006,34(3):496-498.
[123]乔立岩,彭喜元,马云形.基于遗传算法和支持向量机的特征子集选择方法[J].电子测量与仪器学报,2006,20(2):1-5.
[124] Suykens J A K, Vandewalle J, Moor B D. Optimal control by least squares support vector machine[J]. Neural Networks, 2001, 14(1): 23-35.
[125] Suykens J A K, Vandewalle J. Least squares support vector machine classifiers[J]. Neural Processing Letters, 1999, 9(3):293-300.
[126]白鹏,张喜斌,张斌等.支持向量机理论及工程应用实例[M].西安:西安电子科技大学出版社,2008.
[127] Scholkopf B, Smola A. Learning with kernels: support vector machines, regularization , and beyond[M]. Cambridge, MA: MIT Press, 2002.
[128] Keerthi S S, L.C. Asymptotic behaviors support vector machines with Gaussian kernel[J]. Neural Computation, 2003, 15(7):1667-1689.
[129] Walczack B, Massart D L. Local modelling with radial basis function networks[J]. Chemometrics and Intelligent Laboratory Systems, 2000, 50(2):179-198.
[130] Wang W, Xu Z, Lu W, et al. Determination of the spread parameter in the Gaussian kernel for classification and regression[J]. Neurocomputing, 2003, 5(5):643-663.
[131]李元诚,方廷健,郑国祥.短期电力负荷预测的小波支持向量机方法研究[J].中国科学技术大学学报,2003,33(6):726-732.
[132] Keerthi S S, Lin C J. Asymptotic behaviors of support vector machines with Gaussian kernel[J]. Neural Computation,2003, 15(7):1667-1689.
[133]陈春雨,林茂六,张喆.基于向量机的信号滤波研究[J].西安交通大学学报,2006, 40(4):427-431.
[134]贾存良,吴海山,巩敦卫.煤炭需求量预测的支持向量机模型[J].中国矿业大学学报(自然科学版),2007,36(1):107-110.
[135] Hsu C W, Chang C C, Lin C J. A practical guide to support vector classification[J/OL]. //www.csie.ntu.edu.tw/～cjlin/papers/guide/guide.pdf.
[136]吴今培,孙德山.现代数据分析[M].北京:机械工业出版社,2006.
[137]刘向东,骆斌,陈兆乾.支持向量机最优模型选择的研究[J].计算机研究与发展,2005,42(4):576-581.
[138]王雪松,程玉虎,郝名林.一种支持向量机参数选择的改进分布估计算法[J].山东大学学报(工学版),2009,39(3):7-10.
[139]董春曦,饶鲜,杨绍全等.支持向量机参数选择方法研究[J].系统工程与电子技术, 2004,26(8):1117-1220.
[140]杜京义,侯媛彬.基于遗传算法的支持向量回归机参数选取[J].系统工程与电子技术, 2006,28(9):1430-1433.
[141] Chapelle O, Vapnik V, Bousqueto, et al. Choosing multiple parameters for support vectormachines[J]. Machine Learning, 2002, 46(1):131-160.
[142]李良敏,温广瑞,王生昌.基于遗传算法的回归型支持向量机参数选择法[J].计算机工程与应用,2008,44(7):23-26.
[143]邵信光,杨慧中,陈刚.基于粒子群优化算法的支持向量机参数选择及其应用[J].控制理论与应用,2006,23(5):740-743.
[144] Kennedy J, Eberhart R C. Particle swarm optimization[C]. Proceedings of IEEE international conference on neural networks. Piscataway:IEEE Press, 1995.
[145] Eberhart R C, Kennedy J. A new optimizer using particle swarm theory[C]. Proceedings of Sixth International Symposium Micro Machine Human Science. Nagoya, Japan:IEEE Press, 1995.
[146]潘立登,李大字,马俊英.软测量技术原理与应用[M].北京:中国电力出版社,2009,
[147]唐贤伦,混沌粒子群优.化算法理论及应用[D].重庆:重庆大学图书馆,2007.
[148] Shi Y, Eberhart R C. A modified particle swarm optimizer[C]. Proceedings of the IEEE Congress on Evolutionary Computation. Piscataway , NJ:IEEE Press, 1998.
[149]肖高超,王强,常棠棠等.一种动态惯性权重的粒子群优化算法[J].广西师范大学学报(自然科学版),2008,26(3): 161-164.
[150] Shi Y, Eberhar R C. Fuzzy adaptive particle swarm optimization[C]. Proceedings of the IEEE Congress on Evolutionary Computation. Seoul, Korea:IEEE Press, 101-106, 2001.
[151]李兵,蒋慰孙.混沌优化方法及其应用[J].控制理论与应用,1997,14(4):613-614.
[152]张国平,王正欧,袁国林.求解一类组合优化问题的混沌搜索法[J].系统工程理论与实践,2001,(5):102-105.
[153] Ataei M, Lohmann B, Khaki-Sedigh A, Lucas C. Model based method for estimating an attractor dimension from uni/multivariate chaotic time series with application to Bremen climatic dynamics[C]. Chaos, Solitons and Fractals, 2004, 19(5):1131-1139.
[154]高尚,杨静宇.混沌粒子群优化算法研究[J].模式识别与人工智能,2006,19(2): 266-269.
[155] Holland J H. Adaption in nature and artificial systems[M]. Ann Arbor:The University of Michigan Press,1975.
[156]周明,孙树栋.遗传算法原理及应用[M].北京:国防工业出版社,1999.
[157]王小平,曹立明.遗传算法—理论、应用与软件实现[M].西安:西安交通大学出版社,2002.
[158]王文义,秦广军,王若雨.基于粒子群算法的遗传算法研究[J].计算机科学,2007, 34(8):145-147.
[159] Bakhtazad A, Palazoglu A, Romagno1i J A. Proeess data de-nosing using wavelettransform[J]. Intelligent Data Analysis, 1999, 3(4): 267-285.
[160]陈春雨.有噪声信号对准理论与应用研究[D].哈尔滨:哈尔滨工业大学图书馆,2006.
[161] Packard N H, CrutchfieldJ P, Farmer J D, et al. Geometry from a time series[J]. Physics Review Letters, 1980, 45(9):712-716.
[162]吕金虎,陆君安,陈士华.混沌时间序列分析及其应用研究[M].武汉:武汉大学出版社,2002.
[163] Kim H S, Eykholt R, Salas J D. Nonlinear dynamics, delay times, and embedding windows[J]. Physica D, 1999, 127(2):48-60.
[164] Rosenstein M T, Collins J J, Deluca C J. A practical method for calculating, largest Lyapunov exponents from small date sets[J]. Physica D, 1993(65):117-134.
[165] Wales D J. Calculating the rate of loss of information from chaotic time series by foraxsting[J]. Nature, 1991, 350(6318):485-488.
[166]赵敏.基于混沌理论的电力推进船舶电力负荷预测[D].大连:大连海带大学图书馆,2008.
[167]梁世清,王德明,刘维亭.基于Lyapunov指数的舰船电力系统稳定性分析[J].舰船科学技术,2008,30(1):76-79.
[168]王东生.混沌、分形及其应用[M].合肥:中国科学技术出版社,1995.
[169] Wolf A, Swift J B, Swinney H L, Vastano J A. Determining lyapunov exponents from a time series[J]. Physica D: Nonlinear Phenomena, 1985, 16(3):285-317.
[170] Rosentein M T, Collins J J, DeLuea C J. A praetieal method for caleulating largest Lyapunov exponent from small data sets[J]. Physica D, 1993, (65):117-134.
[171] Barana G, Tsuda I. A new method for computing lyapunov exponents[J].Phys.Lett.A, 1993, (175):421-427.
[172]陈益峰,吕金虎,周创兵.基于Lyapunov指数改进算法的边坡位移预测[J].岩石力学与工程学报,2001,20(5):671-675.
[173] Badjate S L, Dudul S V. Prediction of Mackey-Glass chaotic time series with effect of superimposed noise using FTLRNN model[C]. Advances in Computer Science and Technology, 2008:130-150.
[174] Liu Z X, Xie X, Zhang D Y. Predict chaotic time series using minimax probability machine regression.[J]. Information Technology Journal, 2006, 5(3):529-533.
[175] Kadirkamanathan V, Niranjan M. A function estimation approach to sequential learning with neural networks[J]. Neural Computation, 1993, 5(6):954-975.
[176] Kantz H, Schreiber T. Nonlinear times series analysis[M]. Cambridge:Cambridge University Press, 1997.
[177]曾绍华.支持向量回归机算法理论研究与应用[D].重庆:重庆大学图书馆,2006.
[178]孙德山,吴今培,肖健华.基于SVR的异常数据检测[J].计算机工程与应用,2003,39(26): 41-43.
[179]王雷,张瑞青,盛伟等.基于支持向量机的回归预测和异常数据检测[J].中国电机工程学报,2009,29(8):92-96.
[180] Kantz H, Schreiber T. Nonlinear time series analysis[M]. Cambridge:Cambridge University Press, 1997.
[181] Takens F. Determining strange attractors in turblence[J]. Lecture Notes in Math, 1981, (898):366-381.
[182] Kosko B. Fuzzy systems as universal approximators[C]. Proceedings of the IEEE International Conference on Fuzzy Systems. San Diego, 1992.
[183]熊和金,陈德军.智能信息处理[M].北京:国防工业出版社,2006.
[184] Bates J M, Granger C W J. The combination of forecasts[J]. Operations Research Quarterly, 1969, (20):451-468.
[185] Kegelmeyer W P, Bowyer K. Combination of multiple classifiers using local accuracy estimates[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997, 19(4):405-410.
[186]陈佐.时间序列相空间重构数据挖掘方法及其在证券市场的应用[D].长沙:湖南大学图书馆,2007.
[187] Berkhin P. Survey of clustering data mining techniques[R]. Technical report. Aeeure Software, San Jose ,CA , 2002.
[188]孟凡荣,赵芳.煤矿安全预警系统体系构建[J].微计算机信息,2008,24(10-3): 60-73.
[189] Xia S X, Li W C, Zhou Y, et al. Improved k-means clustering algorithm[J]. Journal of Southeast University (English Edition), 2007, 23(3):435-438.
[190] Eschrich S, Ke J W, HallL O, et al. Fast accurate fuzzy clustering through data reduction[J]. IEEE Transactions on Fuzzy Systems, 2003, 11(2):262-270.
[191] Oppner F H, Klawonn F. A new approach to fuzzy partitioning[C]. Proceedings of the Joint 9th IFSA World Congress and 20th NAFIPS International. Vancouver: [s.n.], 2001: 1419-1424.
[192]唐贤伦,仇国庆,庄陵.一种面向非规则非致密空间分布数据的聚类方法[J].计算机科学,2009,36(3):167-169.
[193] KohonenT. The self-organizing maps[J]. Proceedings of IEEE, 1990,78(9):1464-1480.
[194] Haykin S. A comprehensive foundation[M]. World Publishing House,2004.
[195]杨占华,杨燕.SOM神经网络算法的研究与进展[J].计算机工程,2006,32(16):201-228.
[196]唐贤伦,仇国庆,李银国等.基于粒子群优化和SOM网络的聚类算法研究[J].华中科技大学学报(自然科学版),2007,35(5):31-37.
[197]黄丽娟,甘筱青.基于SOFM神经网络的e供应链客户聚类分析及营销策略[J].系统工程理论与实践,2007(12):49-55.
[198]王磊,黄道.基于改进的自组织映射网络的化工过程故障分类辨识[J].华东理工大学学报(自然科学版),2006,32(9):1109-1112.
[199] Kaski S, Logus K. Comparing self-organizing maps[C]. Proceedings of ICANN 96, 1996:809-814.
[200]俞启香,矿井瓦斯防治[M].徐州:中国矿业大学出版社,1992.
[201]林伯泉,崔恒信.矿井瓦斯防治理论与技术[M].徐州:中国矿业大学出版社,1998.
[202]吴强.基于神经网络的煤与瓦斯突出预测模型[J].基于神经网络的煤与瓦斯突出预测模型,2001,11(4):69-72.
[203]曾黄麟.粗集理论及其应用—关于数据理论的新方法[M].重庆:重庆大学出版社,1996.
[204]张文修,吴伟志,梁吉业等.粗糙集理论与方法[M].北京:科学出版社,2000.
[205]操小明.粗集-支持向量机方法的软测量应用研究[D].重庆:重庆大学图书馆,2006.
[206]肖汉光,蔡从中.特征向量的归一化比较性研究[J].计算机工程与应用,2009,45(22): 117-119.
[207]高贇.基于粗糙集的故障诊断和容错控制理论和方法研究[D].西安:西安交通大学图书馆,2005.
[208]苗夺谦.Rough Set理论中连续属性的离散化方法[J].自动化学报,2001,27(3):296-302.
[209]位爱竹,王凯,伍永生.基于GA-BP混合算法的煤与瓦斯突出强度预测研究[J].矿业安全与环保,2006,33(4):4-6.
[210] Kang K, Yu Q X, Jiang C L, et al. Experimental study on the intensity of coal and gas outburst:new development on rock mechanics and engineering[C]. Proceedings of 2nd International Conference on Mechanics and Engineering, Rinton Press, USA, 2002.
[211]范金志,马世志,王仪斌.煤与瓦斯突出预测层次分析-模糊综合评价方法[J].北京科技大学学报,2007,29(7):660-664.
[212]赵旭生,于不凡,马代辉.煤与瓦斯突出矿井危险等级划分方法[J].矿业安全与环保,2000,27(2):4-6.
[213]梁运培,于不凡.煤与瓦斯突出矿井分级技术[J].重庆大学学报(自然科学版),2001, 24(5):70-74.
[214]吴雅琴.基于人工神经网络的煤与瓦斯突出预测研究[D].徐州:中国矿业大学图书馆,2005.
[215]陈华友.组合预测方法有效性理论及其应用[M].北京:科学出版社,2008.
[216]汪荣鑫.数理统计[M].西安:西安交通大学出版社,1986.
[217]梁华珍.工作面瓦斯涌出量预测的研究与应用[D].淮南:安徽理工大学图书馆,2007.
[218]邓聚龙.灰色预测与决策[M].武汉:华中工学院出版社,1986.
[219]刘新喜,赵云胜.用灰色建模法预测矿井瓦斯涌出量[J].中国安全科学学报,2000,10(4):51-54.
[220]徐君.基于GM(1,1)模型的矿井瓦斯涌出量预测研究[J].矿业研究与开发,2005, 25(3):87-88.
[221]施式亮,刘宝深.基于人工神经网络的矿井瓦斯涌出量预测模型及其应用[J].矿冶工程,1999,19(1):21-23.
[222]周革忠.回采工作面瓦斯涌出量预测的神经网络方法[J].中国安全科学学报,2004,14(10):18-21.
[223]郁云,杜杰,陆金桂.基于人工神经网络的瓦斯涌出量预测[J].计算机仿真,2006,23(8):146-148.
[224]黄为勇,童敏明,任子晖.基于SVM的瓦斯涌出量非线性组合预测方法[J].中国矿业大学学报,2009,38(234-239).
[225]潘结南,陈江峰,徐文鹏.R/S分析及矿井瓦斯涌出量的分形预测[J].煤田地质与勘探,2001,29(3):14-15.
[226]赵朝义,袁修干,孙金镖.遗传规划在采煤工作面瓦斯涌出量预测中的应用.应用基础与工程科学学报,1999,7(4):385-392.
[227] Bates J M, Granger C W J. The combination of forecasts[J]. Operatonal Research Quarterly, 1969, 20(4):451-468.
[228]姜明辉.商业银行个人信用评估组合预测方法研究[D].哈尔滨:哈尔滨工业大学图书馆,2006.
[229]王应明,傅国伟.基于不同误差准则和范数的组合预测方法研究[J].控制与决策,1994,9(1):20-28.
[230]文新辉,牛明洁.一种新的基于神经网络的非线性组合预测方法[J].系统工程理论与实践,1994(12):66-72.
[231]赵红梅.高瓦斯采煤面瓦斯涌出量的预测研究[D].徐州:中国矿业大学图书馆,2007.
[232]王其军,程久龙.基于信息融合技术的与其传感器故障诊断研究[J].工矿自动化, 2008(4):22-24.
[233]任博,张喜斌,张恒喜.基于最小二乘支持向量机的飞机备件多元分类[J].电光与控制,2006,13(2):73-78.
[234] Pontil M, Rifkin R, Evgeniou T. From regression to classification in support vector machines[J/OL]. http://www. dice.ucl.ac.be/proceedings/esann /esannpdf/es19992462. pdf..
[235]王其军.瓦斯监测系统故障智能诊断技术研究[D].青岛:山东科技大学图书馆,2007.
[236]鲍毅.多传感器信息融合在煤矿环境监测系统中的应用[D].徐州:中国矿业大学图书馆,2007.