1巧]關(guān)于灰類k的不同函數(shù)值，則代表了該次級指標的在S個不同評語等級的 隸屬度值，分別計算各個次級指標的關(guān)于灰類k的不同函數(shù)值（隸屬度值），得矩陣 二扣，。，。），用C a=i，…，。）構(gòu)成模糊評判矩陣為：哀=
[0176] 第四步：計算模糊評判結(jié)果
[0177] 因素集D的權(quán)重分配為3，得評判結(jié)果為3。巧，歸一化得另=(/，| A A )。
[0178] 第五步；確定評價等級
[0179] 根據(jù)模糊綜合評價結(jié)果5=閑，&2A)，首先按最高隸屬度原則確定基本評價等 級，然后根據(jù)其余等級隸屬度大小，按下列原則進行修正：
[0180] (1)如果基本評價等級為C級，當bi+b2〉b3/2時，則最終評價等級應上調(diào)至B級，否 則保持不變?yōu)镃級。
[0181]似如果基本評價等級為A級，當b2+b3〉bi/2時，則最終評價等級應下調(diào)至B級，否 則保持不變?yōu)锳級。
[018引（3)如果基本評價等級為B級，當bi〉b2/2〉b3時，則最終評價等級應上調(diào)至A級；當 bi<b2/2<b3時，則最終評價等級應下調(diào)至C級，否則保持不變?yōu)锽級。
[0183] 動態(tài)評價
[0184] ①分布函數(shù)確定及假設(shè)檢驗
[0185] 對于礦井通風系統(tǒng)來講，其最為重要的作用是保證流經(jīng)巷道的風量能夠滿足用風 地點的需求。假設(shè)通風系統(tǒng)中任一風路i的風量為化，則在給定某一長度的觀測時間內(nèi)，貝U 可W得到風流流量Q的樣本集，即；Qi，92,...，Q。，，那么由此樣本集可近似估計風路i的風 量分布密度函數(shù)。此處，假設(shè)礦井通風系統(tǒng)中一般數(shù)據(jù)分布形式-正態(tài)分布來介紹。在該 里我們可W假設(shè)巷道風量分布的密度函數(shù)符合正態(tài)分布，即；
[0186]
(3-3)
[0187] 待估的參數(shù)為y，02。采用最大似然估計法求解得到參數(shù)值為；
(3-4)
[018 引
[0189] 假設(shè)檢驗：
[0190] 我們只是初步確定了巷道風量的分布函數(shù)，但是需要有相應的方法來檢驗假設(shè)正 態(tài)分布的正確性。本節(jié)先采用X 2擬合檢驗方法來檢驗總體正態(tài)分布，然后再使用"偏度、 峰度檢驗法"來再次檢驗，W保證假設(shè)的正確性。
[0191] 在置信水平為0. 95的條件下檢驗假設(shè)：
[0192] &;X的概率密度為；
[0193] 若H。為真則按照標準正態(tài)分布函數(shù)表，可得概率P(Ai)的估計值。
[0194] ② Monte Carlo 模擬
[0195] 應用Monte Carlo方法分析礦井通風網(wǎng)絡(luò)系統(tǒng)可靠性評估的過程可W劃分為S個 過程，即系統(tǒng)狀態(tài)抽樣過程，系統(tǒng)狀態(tài)分析過程與指標統(tǒng)計過程。其步驟可W詳細描述為：
[0196] (1)確定風險變量；
[0197] (2)對每一變量進行跟蹤記錄，得到變量分布的樣本集，并通過特定的方法分析對 樣本集的變化的范圍進行分析，從而確定該些變化的概率分布，構(gòu)造風險變量的概率分布 模型；
[0198] (3)通過模擬試驗，枚舉每一個變量的狀態(tài)，亦即獨立地為各變量抽取隨機數(shù)，依 據(jù)隨機數(shù)按照概率分布模型轉(zhuǎn)化為各輸入變量的抽樣值，完成對系統(tǒng)進行狀態(tài)抽樣過程；
[0199] (4)將抽樣值組成一組經(jīng)濟評價基礎(chǔ)數(shù)據(jù)；并可W根據(jù)該組基礎(chǔ)數(shù)據(jù)計算出評價 指標值；
[0200] 妨確定試驗（模擬）次數(shù)W滿足預定的精度要求，重復進行試驗，整理試驗結(jié) 果所得項目評價指標值的期望值、方差、標準差和它的概率分布及累計概率，繪制累計概率 圖，求出相關(guān)可靠性指標。
[0201] 4、礦井通風系統(tǒng)預警：
[0202] ①預警分級和預測指標確定
[0203] 通過對各類通風系統(tǒng)的調(diào)查和資料的收集。本系統(tǒng)將礦井通風系統(tǒng)預警的警示級 劃分為四個區(qū)間及12個預測指標，②數(shù)據(jù)離散化
[0204] 為了達到連續(xù)屬性的離散化，可W采用不同的策略，例如可W參考按照專家提出 的成熟的區(qū)分表來劃分相應的區(qū)間，也可W采用不同的數(shù)學算法來依據(jù)某種屬性輸入空間 進行劃分。本系統(tǒng)采用了 3級分類，其屬性值域均為{1，2,3}。來進行連續(xù)數(shù)據(jù)的離散化， 形成決策表。其中因素條件屬性集：
[020引 C = {A1，A2, A3, A4, A5, A6, A7, A8, A9, A10, All, A12}，分別對應于表中的礦井風量 供需比、采掘面瓦斯超限頻率、采掘面串聯(lián)通風發(fā)生率及通風設(shè)施質(zhì)量合格度等12項影響 因素。決策屬性D= {山，對應于礦井通風系統(tǒng)預警等級，即；可靠區(qū)取"1";預警區(qū)取"2"; 報警區(qū)取"3";故障區(qū)取"4"。
[0206] ⑨決策表區(qū)分矩陣的求解
[0207] 決策表可W根據(jù)知識表達系統(tǒng)定義如下：
[020引設(shè)S =化A，V，f)為一知識表達系統(tǒng)，其中A = C U D，且CTID黃0，C稱為條件 屬性集，D稱為決策屬性集。具有條件屬性和決策屬性的知識表達系統(tǒng)稱為決策表。
[0209] 令I(lǐng)S =扣，A，V，f)是一個信息系統(tǒng)，I U I = n. S的區(qū)分矩陣式一個nXn矩陣， 其任意元素為：
[0210]
[0211] 因此，a(x，y)是區(qū)別對象X和y的所有屬性集合。
[0212] 引入一個布爾函數(shù)，稱其為區(qū)分函數(shù)，用A表示，對每個屬性a G A，我們指定一 個布爾變重"a"。弟?口二!"I，口2...，口,/、i二0，則指走一個布爾函數(shù)過1 V a 2 V ? ? . V a k，用 I： a(x，y)來表示諾口知乂)二0，則指定布爾變量I，（布爾）區(qū)分函數(shù)A可定義如下：
[0213]
(4-別
[0214] 至此，我們將步驟②離散化后的數(shù)據(jù)表看作一個信息系統(tǒng)，該信息系統(tǒng)有論域U =(1，2, 3，…，1引；條件屬性集合
[02巧]C = {A1, A2, A3, A4, A5, A6, A7, A8, A9, A10, All, A12}，C 的論域集合均為；V = {1，2,3}。
[0216]對于信息系統(tǒng)內(nèi)的數(shù)據(jù)，我們設(shè)；a ;A1 ;b ;A2 ;c ;A3 ;d ;A4 ;e ;A5 ;f ;A6 ;g ;A7 ;h; A8 ;i ;A9 ;j ;A10 ;k ;A11 ;1 ;A12。根據(jù)公式巧-3)，產(chǎn)生決策表區(qū)分矩陣。
[0217] ④核的確定
[021引在生成區(qū)分矩陣M(C，D)之后，可W求出屬性的核C0RE(C，D)。在相對約簡中。核是 不可缺少的屬性，在區(qū)分矩陣中的元素，如其中只包含一個屬性的即為核，即若|my= 1|， 則此屬性為核，C0RE(C，D) = {mu;|mu| = 1.111。.￡1佑0)}，記為(：。=0?6佑0)。
[0219] ⑥屬性重要度的求解
[0220] 信息蘊含在不確定中，不確定性越大，則信息量越大。信息論中，用信息滴來度量 事件出現(xiàn)結(jié)果的不確定程度。而在概率論中，不確定性用隨機變量來描述。
[0221] 設(shè)X是取有限個值的隨機變量Pi (i = 1，…，n)則X的滴定義為；
[0222]
(4-3)
[0223]X的滴越大，則表明X的不確定性越大。滴就是概率的平均信息量。而X的某一取 值Xi的信息量定義為；H狂1) =-log2Pi。
[0224]設(shè)兩個隨機變量X、Y，它們的聯(lián)合概率分布為P狂，Y)=P找=X，Y=y}，邊際概 率為 P 狂）=P 找二 x}，P (Y) = P {Y = y}，對 U/R = {al，x2,…xn}，U/D = {yl，y2,…yn}， 已知{Y = y}下，X的條件滴為：
[0225]
(4-4)
[0226] 已知Y的條件下，X的平均滴定義為：
[0227]
[022引條件滴H狂IY)反映了已知隨機變量Y的取值結(jié)果后，隨機變量X的取值結(jié)果的不 確定性有多大。
[0229] 根據(jù)公式（4-5)求取屬性的重要性。同時，我們根據(jù)各屬性的重要性計算值的大 小進行特征項的選擇。
[0230] ⑧支持向量機的參數(shù)優(yōu)選
[0231] (1)數(shù)據(jù)歸一化
[0232] 我們通常要對輸入的樣本數(shù)據(jù)進行歸一化處理；（1)避免較大范圍變化的數(shù)據(jù)淹 沒較小范圍變化的數(shù)據(jù)；（2)避免計算中出現(xiàn)數(shù)值困難，因為核值計算特征向量的內(nèi)積，如 線性核和多項式核，大的特征值可能會引起數(shù)值困難。相關(guān)文獻建議，將輸入量歸一化至
[0，1]，但在預測中并不是很理想，故對常用的歸一化公式
用
將數(shù)據(jù)歸一化到化10,0.90]之間，定量數(shù)據(jù)可W按照上述方法 進行歸一化。
[023引 似核函數(shù)的選擇
[0234]目前研究的核函數(shù)有許多種，到目前為止，還不能從理論上給出合適的核函數(shù)選 擇方法，只有通過實驗的方式來選擇核函數(shù)。本文選擇了=種核函數(shù)，即；多項式核函數(shù)、 徑向基核函數(shù)和Sigmoid核函數(shù)。
[0235] 多項式核函數(shù)在次數(shù)一定時，隨著參數(shù)C的增加，準確率有所增加；Sigmoid核函 數(shù)訓練精度變化較大，在參數(shù)C較小時隨著C的增大而增大，但當C增大到一定值后，精度 增加的極其緩慢；RBF核函數(shù)在無論參數(shù)C取何止，均保持了極高的精度，總體精度要好于 其他兩種多項式核函數(shù)。因此采用RBF核函數(shù)建立預測模型。
[023引 做參數(shù)的確定
[0237] 由于支持向量機的性能除了受樣本和核函數(shù)的影響外，主要受核參數(shù)和懲罰參數(shù) C的影響，為了盡可能的得到符合實際的核函數(shù)，在實驗中利用了LIBSVM工具箱的網(wǎng)格捜 素法事先對兩個參數(shù)進行了優(yōu)選，優(yōu)選結(jié)果如圖10所示，語句是；$python.exegrid,py train_data，其中train_data是來自上節(jié)收集的樣本，運行的最佳參數(shù)是；Best c = 8. 0， g = 0. 5, rate = 80%。
[023引⑧用訓練好的模型進行判定預測
[0239] 模型建立時我們運用神華集團補連塔煤礦為例，選擇了 8個實例作為預測樣本， 用于對模型的推理能力和預測效果進行檢驗，輸出結(jié)果用1、2、3、4表示，其中1為可靠區(qū)，2 為預警區(qū)，3為報警區(qū)，4級為故障區(qū)。
[0240] 將樣本數(shù)據(jù)作為預測樣本，經(jīng)過歸一化處理（要與訓練樣本一塊進行歸一化處 理），利用上節(jié)中得到的優(yōu)選參數(shù)，代入模型，得到預測結(jié)果。在八組預測樣本中，只有一組 出現(xiàn)了錯誤，也就是預測準確率為87. 5%，與建立模型時對預測樣本的精度要求一致，該顯 示了前面建立的模型還是比較成功的。
[0241] W上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出；對于本技術(shù)領(lǐng)域的普通技術(shù)人 員來說，在不脫離本發(fā)明原理的前提下，還可W做出若干改進和潤飾，該些改進和潤飾也