万 宇， 齐金平， 张 儒， 闫 森

(兰州交通大学机电技术研究所， 兰州 730070)

煤与瓦斯突出是一种影响安全生产的动力灾害[1]，形成原因复杂，影响因素众多，突出的发生会造成严重的社会经济损失。基于已发生突出案例的特征参量进行分类研究，有利于利用突出发生与否在指标上的差异化表现准确识别突出，进而对未开采区域的突出危险进行预测，对事故的预控预防具有指导意义。在实际生产中，过去人们常常使用单项指标法、瓦斯地质统计法、DK法对突出进行预测。随着机器学习理论和计算机硬件的发展，基于机器学习的危险预测以其强大的数据分析能力成为学术研究中的热点，如神经网络、深度信念网络、支持向量机(support vector machine, SVM)等在不同预测问题上的表现可圈可点。

付华等[2]提出了一种改进的极限学习机对煤与瓦斯突出强度进行预测；汪莹等[3]构建了基于粗糙集理论(rough set，RS)结合支持向量机(support vector machine，SVM)的煤与瓦斯突出预测模型；顾能华等[4]将核主成分分析(kernel principal component analysis，KPCA)与Takagi-Sugeno(T-S)模糊神经网络结合对突出风险进行预测；邵良杉等[5]将随机森林算法引入突出预测模型解决了数据缺失问题。这些方法的在一定程度上提升的突出预测的精度，但是在最大化全体分类准确率的过程中，容易忽略少数类样本的正确分类，若想训练出优秀的模型需要大量的突出数据，这在实际生产中是很难搜集的。为解决这个问题，引入过采样算法对基于支持向量机的分类预测提供样本支持。……