随着我国经济的蓬勃发展,对煤的需求量也逐年上升,煤是冶金、化工的重要原料。因大量开采煤矿而带来的矿井事故也频繁出现,其中,煤与瓦斯突出而导致的事故占所有矿井事故比重最大。突出事故频繁出现的原因有很多,不能准确有效预测出突出是造成事故发生的重要原因之一。根据预测结果可以采取相应的安全措施,把危险降低到最小值。所以,一个准确率高的预测模型是可以有效的减小事故发生率,提高安全生产系数。本文分别运用神经网络与S V M构造出两种突出预测模型。在神经网络预测模型中,运用了G A算法来优化神经网络的权值与阈值,提高网络性能;在S V M预测模型中,合理选择核函数,然后再根据核函数确定出需要优化的参数,对比各种不同的参数优化法选择出最佳的参数c值和g值,这样可以提高所构建的S V M训练与测试时的准确率。其中,c是指惩罚因子,g是设置γ函数的参数。为了增强模型的预测准确率,在进行神经网络与S V M训练与预测前,首先对训练与预测数据进行权值处理,权值的大小是通过运用灰关联分析法以及求比重法来处理影响突出的5个重要因素来确定的,这5个主要影响因素分别为:瓦斯压力、放散初速度、开采深度、煤体破坏类型、坚固性系数。对每个影响因素进行权值处理有助于促进强因素的影响作用,抑制弱因素的影响作用,从而达到提高预测准确率的效果。实例仿真结果表明:经过数据加权处理后的G A-B P网络以及S V M预测模型能较为准确的预测出煤与瓦斯的突出,具有一定的实用性。