支持向量機是在統計學習理論基礎上發展而來的
一種通用學習機器，業已廣泛應用於人工智能的各個
領域，其在礦山空間數據挖掘與知識發現領域也具有
良好的應用前景。為了便於讀者閱讀和解決實際問題
，闫志剛著的《礦山水害空間數據挖掘與知識發現的
支持向量機理論與方法》分為理論與應用兩大部分，
在理論部分對支持向量機的訓練參數、核函數及核參
數的選擇進行了探討，研究了多類支持向量機的分類
問題。在應用部分，將理論部分的研究成果應用於礦
井突水水源識別、突水評價與預測、突水數據挖掘與
知識發現等領域。主要內容包括支持向量機的參數選
擇、多類支持向量機的分析模型、多類支持向量機的
建模方法、礦井突水水源識別的支持向量機模型、礦
井突水知識發現的支持向量機模型、礦井突水預測的
粒子群支持向量機模型、礦井水害數據挖掘與知識發
現繫統等。
本書可供從事空間數據挖掘、礦井水文地質、數
據分析、人工智能、決策支持等領域的科技工作者、
研究生和本科生參考使用。

第1章 緒論
1.1 研究背景、目的及意義
1.2 MGIS和MD概述
1.3 礦井突水預測分析方法綜述
1.4 SVM理論基礎
1.5 本書的研究內容和體繫結構
第2章 SVM的推廣能力估計與參數選擇
2.1 SVM推廣能力估計的理論基礎
2.2 sVM推廣能力的估計方法
2.3 SVM的推廣性能與參數的關繫
2.4 對(C，σ)優選方法的改進
2.5 本章小結
第3章 多類支持向量機
3.1 現有多類支持向量機算法
3.2 多類支持向量機的比較
3.3 本章小結
附錄
第4章 多類支持向量機的改進
4.1 H-SVMs的改進策略
4.2 ECOC SVMs的改進策略
4.3 本章小結
第5章 SVM在礦井突水水源分析中的應用
5.1 礦井水源識別方法綜述
5.2 水源分析SVM建模
5.3 多水源分析的SVM模型
5.4 SVM在混合水源分析中的應用
5.5 本章小結
第6章 SVM在礦井突水預測中的應用
6.1 礦井突水預測與分析
6.2 礦井突水規則的獲取方法
6.3 煤層底板破壞深井預測的PSO-LSSVM模型
6.4 本章小結
第7章 基於MGIS的礦井突水評價與預測繫統
7.1 研究區概況
7.2 突水規則的獲取
7.3 利用關繫數據庫管理突水規則
7.4 繫統簡介
7.5 本章小結
第8章 結論與展望
參考文獻
本書相關的學術成果