煤与瓦斯突出是在煤矿开采过程中发生的一种地质灾害,破坏性极强。如果能及时对突出做出准确地预测,可以在灾害发生前做出相应的防护措施,最大限度的保障井下工作者的生命安全。目前在煤与瓦斯突出预测方面应用最多的是支持向量机算法,具有较强的泛化能力。但是经过实际应用检验该算法仍然存在一些缺点:1.抗噪性不强,在预测过程中容易受到错误样本的误导做出错误的判断;2.受参数影响较大,盲目的选取参数会影响算法的分类效果。在突出影响因素选取方面,由于煤与瓦斯突出受多种因素共同影响且相互之间存在高度非线性关系,本文采用灰色关联度理论结合矿井突出实测数据进行计算从8种影响因素中选出5种作为主要影响因素,降低了之后预测的计算难度。在突出预测方法上面,针对以上两条支持向量机的缺点,本文提出了粒子群优化模糊支持向量机这种新型的煤与瓦斯突出预测方法。该方法首先通过模糊隶属度函数计算每个样本的模糊隶属度,降低噪声点对分类结果的影响;其次使用粒子群算法对模糊支持向量机进行参数寻优,虽然与其他常用的参数优化算法比如遗传算法、最小二乘法相比更为简洁,操作简便,但是粒子群算法仍存在容易陷入局部最优的缺点,本文中为解决这一问题对粒子群算法进行了改进:首先在粒子群算法中引入随迭代次数非线性减小的惯性权重提高算法的寻优能力,其次利用模拟退火算法使得粒子群算法中的粒子以一定的概率强行跳出局部最优陷阱。改进后的粒子群算法很大的提升了寻优效率,克服了传统分类模型中参数选取的盲目性。最后构建基于粒子群算法的模糊支持向量机预测模型,该模型首先通过对实测数据赋予相应的隶属度,减小错误样本对模型预测能力的影响;然后利用粒子群算法寻找最优参数,把参数对预测模型的影响降到最低。本文选择了粒子群优化支持向量机模型、模糊支持向量机模型、BP神经网络模型与本文模型在工作性能上进行比较,实验证明粒子群优化模糊支持向量机模型训练速度快,并且分类精度最高。利用MATLAB软件结合矿井实测突出数据对本文提出的改进的模糊支持向量机预测模型进行仿真,输出结果证明该算法相较于其他传统预测方法,训练速度最快,能够在更短的时间内对是否发生突出做出更精准的判断。该方法有效解决了传统预测方法中存在的抗噪性差、训练速度慢以及预测精度低等问题,具有较强的实用性。该论文有图19幅,表12个,参考文献86篇。