کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
589494 | 878708 | 2012 | 5 صفحه PDF | دانلود رایگان |
کلید واژه ها
1.مقدمه
2.مدل انتخاب شاخصهای تهویه معدن بهینه
1.2. نظریه مجموعه راف
2.2.الگوریتم کاهش ویژگی مبتنی بر مجموعه راف
1.2.2. تنظیم چارچوب سیستم اطلاعات
2.2.2. ثبت ماتریس جداگر جدول تصمیم
3.2.2. شناسایی هسته
4.2.2. محاسبه اهمیت مقدار ویژگی
3.مدل سیستم تهویه معدن ارزیابی ریسک
1.3. ماشین بردار پشتیبان
2.3. ثبت مدل ارزیابی ریسک
1.2.3. دستهبندی غیرخطی و انتخاب هسته
شکل 1. نمودار شماتیک برای دستهبندی SVM
2.2.3. انتخاب پارامتر و مدل آموزش
3.2.3. ارزیابی و پیشبینی
4.مدل هشدار زودهنگام پیشنهادی برای سیستم تهویه معدن
1.4. تحلیل ترکیب زیرمدلها
2.4. ساختار مدل یکپارچه
5.نمایش موردی
شکل 2. ساختار مدل هشدار زودهنگام با ادغام RS و SVM.
جدول 1. دادههای خام نمونه.
جدول 2. نتایج محاسبه برای اهمیت ویژگی.
جدول 3. دادههای خام نمونه نرمال برای آموزش SVM.
جدول 4. مقایسه نتایج پیشبینی و واقعی برای هشت مورد آزمون.
6.نتیجهگیری
A mine’s ventilation system is an important component of an underground mining system. It provides a sufficient quantity of air to maintain suitable working environment. Therefore, the status of mine ventilation should be tracked and monitored as a timely matter. Based on former findings and in-depth analysis of mine ventilation systems, a proper early warning model is proposed in this paper for such considerations to improve the mine ventilation safety. The model itself is comprised of two sub-models, and two data mining techniques are used to assist in building each sub-model. One is the optimal indexes selection model which applies the Rough Set theory (RS) to assist the selection of best ventilation indexes. The other is the risk evaluation model based on the Support Vector Machine (SVM) to classify the risk ranks for the mine ventilation system. Testing cases have been used to demonstrate the applicability of this integrated model.
► A proper early warning model is proposed to improve the mine ventilation safety.
► The model is consisted of the indexes selection and the risk evaluation sub-models.
► The optimal indexes selection model applies the Rough Set theory.
► The risk evaluation model is based on the Support Vector Machine.
► Testing cases demonstrate the applicability of this model.
Journal: Safety Science - Volume 50, Issue 4, April 2012, Pages 918–922