-
题名MI和SVM算法在煤与瓦斯突出预测中的应用
被引量：21
- 1
-
-
作者
郑晓亮
来文豪
薛生
-
机构
安徽理工大学深部煤矿采动响应与灾害防控国家重点实验室
安徽理工大学电气与信息工程学院
安徽理工大学能源与安全学院
-
出处
《中国安全科学学报》
CAS
CSCD
北大核心
2021年第1期75-80,共6页
-
基金
“十三五”国家重点研发计划项目(2018YFC0808000)。
-
文摘
为解决能用于煤与瓦斯突出预测模型的真实事故训练数据量小、数据集缺失严重的问题,提出采用数据挖掘多重填补(MI)算法填补事故数据中缺失参数,增大可用数据集,并将填补后的数据用于支持向量机(SVM)预测模型的训练与测试,选取K最近邻(KNN)算法与SVM进行对比。结果表明:SVM数据填补前后的平均识别率分别为88.37%和88.87%,事故数据的识别率分别79.71%和91.27%;KNN算法在数据填补前后,平均识别率分别为87.59%和88.37%,事故识别率分别为70.4%和84.23%;可见:MI对平均识别率的提升作用不大,对事故识别率的提升作用显著,可提高煤与瓦斯突出事故预测率,数据填补后SVM算法比KNN算法的事故识别率高。
-
关键词
多重填补(mi)
支持向量机(SVM)
煤与瓦斯突出
预测
事故识别率
-
Keywords
multiple imputation(mi)
support vector machine(SVM)
coal and gas outburst
prediction
accident recognition rate
-
分类号
X936
[环境科学与工程—安全科学]
-
-
题名多重填补法在任意缺失随访资料中的应用
被引量：10
- 2
-
-
作者
邹莉玲
吴娟丽
李觉
-
机构
同济大学医学院预防医学教研室
-
出处
《中国卫生统计》
CSCD
北大核心
2015年第2期221-223,共3页
-
基金
国家自然科学基金青年项目(81102203/H2611)
-
文摘
目的比较任意缺失模式下不同填补方法在随访资料缺失数据中的多重填补效果。方法结合我国外周动脉疾病患者踝臂指数(ankle brachial index,ABI)等基线及六年随访数据,通过SAS9.3/MI过程,分别采用马尔可夫链蒙特卡罗(markov chain monte carlo,MCMC)、回归分析、判别分析(discriminant analysis)和logistic回归等方法,实现生存时间、生存结局变量缺失值的填补,并作综合分析及比较。结果得到不同填补方法、不同填补次数多重填补后的生存时间和结局变量完全数据集,并对总体参数作出估计和统计,计算各次填补效率等综合评价指标。结论对于多次随访资料中的连续性变量生存时间,采用回归分析方法填补效率较高,填补效率随着填补次数增加而增大,对于缺失率小的变量填补效率更高。
-
关键词
多重填补mi
任意缺失模式
缺失数据
随访研究
-
Keywords
Multiple imputation mi
Arbitrary missing model
missing data
Follow-up study
-
分类号
R195.1
[医药卫生—卫生统计学]
-
