第1章 基础理论 1
1.1 最优化理论 1
1.1.1 最优化问题的表示 1
1.1.2 线性规划和非线性规划 1
1.1.3 凸集和凸函数 4
1.2 统计学习理论 6
1.2.1 机器学习的问题表示 6
1.2.2 经验风险最小化原则 7
1.2.3 VC维 9
1.2.4 结构风险最小化原则 9
第2章 支持向量机理论 11
2.1 最优分类超平面 11
2.2 支持向量分类机 12
2.2.1 线性分类 12
2.2.2 近似线性分类 13
2.2.3 非线性分类 15
2.2.4 多类分类问题 16
2.3 支持向量回归机 17
2.3.1 SVM回归问题 17
2.3.2 线性支持向量回归机 18
2.3.3 非线性支持向量回归机 20
2.4 核函数 20
第3章 煤矿安全及支持向量机研究现状 24
3.1 研究背景及意义 24
3.1.1 研究背景 24
3.1.2 研究意义 28
3.2 国内外研究现状 30
3.2.1 煤矿事故预测模型研究现状 30
3.2.2 支持向量机研究现状 32
3.3 常用预测模型 34
3.3.1 时间序列模型 35
3.3.2 灰色模型 35
3.3.3 人工神经网络模型 36
第4章 煤矿百万吨死亡率预测指标体系的建立 37
4.1 煤矿百万吨死亡率影响因素的构成 37
4.1.1 煤矿安全生产控制指标 37
4.1.2 指标的下达方式及分解计算方法 39
4.1.3 煤矿百万吨死亡率影响因子 41
4.2 基于灰色关联分析的煤矿百万吨死亡率指标体系的建立 42
4.2.1 灰色关联分析的基本特征 43
4.2.2 灰色关联分析模型 43
4.2.3 2004年煤矿百万吨死亡率关联分析 46
4.2.4 2010年煤矿百万吨死亡率关联分析 52
4.2.5 煤矿百万吨死亡率灰色关联分析结果对比 58
4.3 基于改进的灰色关联煤矿百万吨死亡率指标体系的建立 59
4.3.1 数据无量纲化处理方法的改进 59
4.3.2 关联度加权改进算法 61
4.3.3 煤矿百万吨死亡率改进灰色关联分析结果对比 61
第5章 基于灰色模型的煤矿百万吨死亡率指标的测算 64
5.1 煤矿百万吨死亡率GM（1,1）模型 64
5.1.1 GM（1,1）模型建模机理 64
5.1.2 GM（1,1）模型的检验 65
5.2 煤矿百万吨死亡率Dm-GM（1,1）模型 66
5.2.1 缓冲算子改进灰色模型的建立过程 66
5.2.2 缓冲算子改进灰色模型的优点 68
5.3 Dm-GM（1,1）模型在煤矿百万吨死亡率指标测算中的应用 68
5.3.1 煤矿百万吨死亡率原始数据处理 68
5.3.2 基于GM（1,1）模型的煤矿百万吨死亡率指标测算 70
5.3.3 基于D-GM（1,1）模型的煤矿百万吨死亡率指标测算 72
5.3.4 基于Dm-GM（1,1）模型的煤矿百万吨死亡率指标测算 74
5.3.5 基于Dm-GM（1,1）模型的煤矿百万吨死亡率指标误差检验 76
5.3.6 预测结果分析 79
第6章 基于支持向量机的煤矿百万吨死亡率预测模型研究 80
6.1 支持向量机模型的选择 80
6.1.1 最小二乘支持向量机基本原理 80
6.1.2 核函数的选取 81
6.1.3 预测误差分析的指标 82
6.1.4 LSSVM参数选择算法优劣的评价标准 82
6.1.5 LSSVM参数的优化 84
6.2 遗传算法（GA）优化LSSVM 84
6.2.1 遗传算法 84
6.2.2 遗传算法优化LSSVM 85
6.3 粒子群（PSO）算法优化LSSVM 86
6.3.1 粒子群算法理论 86
6.3.2 粒子群算法优化LSSVM 88
6.4 LSSVM煤矿百万吨死亡率预测 89
6.4.1 煤矿百万吨死亡率样本数据的归一化处理 89
6.4.2 煤矿百万吨死亡率模型参数选取 93
6.4.3 煤矿百万吨死亡率训练样本预测 97
6.4.4 煤矿百万吨死亡率测试样本预测 99
6.5 Dm-GM（1,1）-LSSVM煤矿百万吨死亡率预测 102
6.5.1 2010的未来两年指标灰色预测 102
6.5.2 2010的未来两年煤矿百万吨死亡率Dm-GM（1,1）-LSSVM预测 105
6.5.3 与其他预测方法的比较 106
结束语 109
一、主要工作与创新 109
二、进一步研究方向 110
参考文献 111