无监督学习AE和MVO-DBSCAN结合LIF在煤矿突水识别中的应用

快速准确的识别突水类型和突水来源对煤矿安全开采具有重要意义,激光诱导荧光（LIF）技术在检测中具有快速性和灵敏性,将LIF应用于煤矿突水的检测,再结合模式识别算法,可快速识别出突水来源。目前用于识别水样光谱的算法过于依赖预先建立的水样光谱数据库,当突水水源不在该库中时,易引发误识别。无监督学习算法DBSCAN在聚类时不需样本集的标签和类别信息,能降低对未知类别的误识别,因此把DBSCAN算法用于突水的激光诱导荧光光谱识别,并将MVO用于DBSCAN的参数寻优,省去繁琐的人工参数寻优过程。实验中,从谢桥煤矿采水点获取四个水样,利用像素为2 048的USB2000+光谱仪采集水样的荧光光谱,每种水样采集30组光谱数据。首先,利用无监督学习算法自动编码器(AE)对原始光谱数据降维,以减少光谱数据中冗余信息对聚类的影响,设计的AE的结构是介于浅层和深层之间的多层网络模型,可将原始光谱数据降到2维;为使降维模型具有稀疏性,在传统的AE算法中加入一个Dropout层,由实验可知,加入Dropout层后的降维模型具有较快的收敛速度。将多元宇宙优化(MVO)算法用于DBSCAN参数寻优,在参数寻优过程中,DBSCAN对降维后的水样光谱识别率最高为97.5%,此时参数所对应的取值范围为[0.023 66 0.040 65];为验证AE对水样光谱数据降维的有效性,把归一化后的未降维的光谱数据用于DBSCAN聚类识别,DBSCAN对原始水样光谱的识别率最高为95%,比降维后的后水样光谱识别率低了2.5%,结果表明,使用AE降维光谱数据,可提高DBSCAN对不同光谱的识别率。最后,用监督学习算法K最近邻(KNN)识别降维后的水样光谱,将识别结果和无监督学习算法DBSCAN的识别结果对比,其中训练集选用三种水样,测试集使用四种水样;在测试集中,监督学习算法只能准确地识别训练集所包含的水样类别,但把训练集没有的类别全部识别错误,而DBSCAN能准确的识别出训练集中没有的水样光谱。非线性降维算法AE能实现对高维的水样光谱数据降维,把MVO-DBSCAN用于煤矿突水水源的LIF光谱识别,可有效降低因矿井水源光谱数据库建立不完备而引起的误识别。     

AdaBoost算法在矿井突水水源的荧光光谱识别中的研究

矿井突水是影响矿井安全生产的重要因素之一,如果矿井发生突水,能够快速、准确地判别突水水源类型是治理矿井突水灾害保证生产安全的重要环节,因此,建立一个能够快速识别矿井突水水源的模型具有重要的意义。水化学分析法作为在传统的矿井突水水源类型识别方法里应用最为广泛的识别方法,通过获得相应的pH值、离子浓度、电导率等参数,然后利用这些参数来建立突水水源的类型识别模型对矿井突水的类型进行判别。针对这种传统矿井突水水源识别方法在判别时间上耗时长和识别准确率低等不足,鉴于LIF技术具有分析速度快、灵敏度高等优点,提出了将线性判别分析（LDA）算法作为弱分类器的自适应提升（AdaBoost）算法用于激光诱导荧光（LIF）光谱识别矿井突水水源的新方法。用于实验的九种水样（每种水样各取50个样本）由淮南地区某矿的老空水、灰岩水以及按不同比例混合的老空水与灰岩水的七种混合水构成。将405 nm激光器发射的激光打入被测水体并采集荧光光谱数据,然后对采集到450组荧光光谱数据进行分析,取其中360组光谱数据（每种水样各40组）用作训练集,取剩余90组光谱数据用作测试集。分别选取三种算法针对水样的激光诱导荧光光谱的分类进行了建模并将三种结果进行对比。首先利用决策树算法对光谱进行分类识别,在节点个数为8时决策树对测试集的分类效果最好,分类准确率达到91.11%。然后针对决策树算法分类效果的不足,利用决策树算法作为弱分类器的AdaBoost算法,当选取节点个数为9的决策树作为弱分类器的时,对训练集的分类准确率为97.78%。最后针对基于决策树的AdaBoost算法的泛化性能不足和为了获得更好的分类效果,提出了基于LDA算法作为弱分类器的AdaBoost算法,在设置迭代次数为150后对水样光谱数据分类准确率可以达到100%。通过实验结果可以发现,集成学习算法的分类能力比传统的分类算法对水样的光谱的分类识别能力更强,相较于同为九个节点的决策树算法,采用节点数为9的决策树作为弱学习器的AdaBoost算法对测试集的分类准确率从88.89%提升到了97.78%,对训练集的分类准确率从99.72%提升到了100%;然后可以发现相对于使用决策树作为弱分类器的AdaBoost算法,采用LDA算法作为AdaBoost算法的弱分类器对水样的光谱的测试集的分类准确率从97.78%提升到了100%,对训练集的分类准确率达到100%,具有更好的识别效果,并且具有更好的泛化性能。实验结果证明采用Adaboost-LDA算法为激光荧光光谱的模式分类用于矿井突水水源的判别和预警是可行且有效的。     

LIF技术与SIMCA算法在煤矿突水水源识别中的研究

煤矿突水水源类型的快速识别对于煤矿水害预警防治意义重大。针对传统水化学方法水源识别耗时较长的问题,提出一种基于激光诱导荧光光谱(LIF)技术与簇类的独立软模式(SIMCA)算法的煤矿突水水源快速识别方法。激光诱导荧光光谱技术具有分析速度快、灵敏度高等特点,在激光器的辅助下,荧光光谱仪实时采集荧光光谱,根据水样的荧光光谱即可进行水源类型识别,在数据库完备的情况下,只需几秒即可进行煤矿水源判断,对于煤矿的水害预警以及灾后救援来说意义重大。实验利用405 nm激光器发射激光,打入被测水体,得到五种常见突水水样的共100组荧光光谱,对各水样的荧光光谱进行光谱预处理。每种水样使用15组共75组荧光光谱作为预测集,剩余的25组水样的荧光光谱作为测试集。利用主成分分析(PCA)分别对五种水样进行建模,而后依据所建模型进行SIMCA分类。实验发现不同水样的荧光光谱差异明显,经过Gaussian-Filter预处理后的荧光光谱,在主成分数为2,显著性程度α＝5%的情况下,利用SIMCA算法进行水样分类,预测集和测试集的正确率皆为100%。     

谱聚类结合LIF在矿井突水水源类型识别中的应用

突水事故威胁井下人员的生命安全和造成财产损失,因此准确检测出突水水源类型具有重大意义。使用水化学分析法检测水源类型耗时长、过程复杂。激光诱导荧光（LIF）技术具有快速、灵敏、干扰小等优点,将LIF技术结合智能算法建立突水水源识别模型可以准确检测出突水水源的类型。目前这类模型一般需要对荧光光谱进行去噪、降维、波段选取等处理,过程繁琐,并且模型都是在均匀分组的突水水源荧光光谱上建立的,并没有讨论不均匀分组对模型的影响,也没有针对不均匀分组建立模型。在实际工程应用中,采集的样本数量是有很大概率呈现不均匀的,因此本文提出一种飞蛾扑火（MFO）算法结合谱聚类（SC）的方法实现对不均匀分组的突水水源荧光光谱的识别。实验中,首先从淮南煤矿获取5种实验水样,使用激光诱导荧光实验设备采集所有水样的荧光光谱,五种水样的组数分别为75,80,80,30和135。其次,建立MFO-SC水样识别模型,通过对比后标签映射方式选择K-Means、相似矩阵的计算方式选择高斯核函数和划分准则选择ncut,用MFO对高斯核函数的参数寻优得到σ的值为1.745并且固定模型的初始聚类中心。随后,分别建立K-Means,SVM和MFO-SVM3种水样识别模型。对比MFO-SC模型与K-Means模型,得到MFO-SC模型的最优准确率为100%且平均准确率也为100%,K-Means模型的最优准确率为99.75%,而平均准确率为79.57%;再分别计算SVM模型和MFO-SVM模型的训练集准确率和测试集准确率,SVM模型训练集准确率为80%,测试集准确率为80%;MFO-SVM模型训练集准确率为100%,测试集准确率为95.625%。最后,使用4种模型对其他三个不均匀分组的突水水源荧光光谱进行识别,研究结果表明将MFO-SC算法用于突水水源类型的识别上是有效的,可以准确地检测出突水水源的类型,对煤矿生产安全有重要意义。     

LIF和CNN的矿井突水水源类型判别

矿井进入深部开采过程中,突水威胁分别来自顶板老空水和底板高压岩溶水。煤矿突水水源类型的在线识别能够预警煤矿水害,是矿井水害防治关键环节,对煤矿安全生产具有积极意义。代表离子法作为传统的煤矿突水水源类型识别方法,需要深入现场采集水样,密封处理后在实验室检测水样中7种典型的无机离子浓度,计算得到突水评价因子。这种存在检测周期过长、样品易被污染以及预警响应滞后、无法在线判别等不利因素。针对代表离子法方法的不足,提出了一种基于激光诱导荧光（LIF）和卷积神经网络(CNN)的矿井突水水源判别模型。首先,针对淮南矿业集团新集二矿的4种水体,2016年6月-2017年6月期间分批次取得161组水源样本,其中采空区积水46条,砂岩水59条,太灰水42条和奥灰水14条。用LIFS-405激光诱导荧光系统发射的405 nm激光检测水样,水体受激后得到突水水样的荧光光谱。主成分分析得到前10个主成分累计贡献率不足85%,4种水样无法有效直接辨识。针对该问题和水样荧光光谱中的随机高频波动干扰,采用一阶滞后滤波方法抑制波动频率较高的周期性干扰;针对线判别分析对数据更新率的要求,采用递推平均方法;在此基础上,提出了一种改进的递推平均一阶滞后平滑滤波方法,并对滤波处理后的荧光光谱进行自相关计算,得到二维自相关荧光光谱特征图。实验表明,采用改进后的滤波法处理方法,计算得到的4种测试水样的二维荧光光谱图较好的滤除了噪声干扰,并表现了出了明显的差异性。针对二维自相关荧光光谱特征图,构建了基于卷积神经网络（CNN）的突水水源类型判别模型,用于判别突水水源类型。该方法采用深度学习的模型框架,直接对二维自相关荧光光谱特征图进行识别,有效避免了PCA降维的片面性。理论分析和实验结果表明：该模型对水源类型的准确识别率达到了98%,是一种有效的矿井突水水源类型判别方法,为在线矿井突水水源类型判别方法提供了新的思路。     

基于i PLS的矿井突水激光诱导荧光光谱特征波段筛选

矿井突水一直威胁着煤矿井下施工人员的生命安全,准确且快速识别矿井突水水源类型对于矿井的安全生产起到关键性作用。激光诱导荧光(LIF)光谱技术识别矿井突水水源,有效避免了常规的水化学法需要测定多种化学参数,水源识别时间过长的缺点。提出一种间隔偏最小二乘法(iPLS)与粒子群联合支持向量分类算法(PSO-SVC)相结合的方法,iPLS算法常应用于光谱波段优选和模型的回归分析,PSO-SVC则在机器学习领域有着重要的应用,激光诱导荧光技术具有快速的时间响应、测量精度高等特点,iPLS和PSO-SVC算法运用于光谱图和光谱数据的分析,进而可以对突水水源类型识别分类。首先,用淮南矿区采集到的7种(每种水样30组)共210组荧光光谱数据进行实验,对老空水、灰岩水、灰岩水和老空水不同体积比混合水样的激光诱导荧光光谱图的差异性进行分析。比较了留出法和Kennard-Stone样本划分方法所得到的PSO-SVC模型分类准确率,采用留出法得到的训练集水样(140组)和测试集水样(70组)作为实验样本。其次,用iPLS算法将全光谱波段依次按10～25波段区间进行等分,选取划分区间的RMSECV(交叉验证均方根误差)值小于全光谱波段RMSECV值(阈值)的波段作为特征波段,结合光谱图对比分析了划分10和14个子区间的建模结果,发现通过直接观察得到的特征波段与iPLS算法筛选出的特征波段存在误差。最后,在不进行去噪、降维等预处理条件下,根据iPLS划分不同区间数的评价指标统计数据,选取划分11个区间所筛选出具有561个波长点的410.078～478.424和545.078～674.104 nm特征波段范围数据作为PSO-SVC模型的输入,以iPLS结合PSO-SVC算法筛选出的特征波段与全光谱波段、直接观察得到波段建模准确率相比,训练集与测试集的分类准确率高达100%,PSO寻优到的最佳惩罚系数c为1.367 0,核函数参数g为0.576 2。从实验结果可以看出,利用iPLS进行荧光光谱的特征波段筛选是切实可行的,提取出的特征波段能充分反映出全光谱波段的有效信息,为激光诱导荧光光谱技术用于矿井突水水源精准在线识别的研究提供了理论依据。     

基于FCM的煤矿突水激光诱导荧光光谱分析

快速识别煤矿突水水源类型对于矿井水害防治意义非凡。鉴于传统水化学方法水源识别耗时较长等诸多不足,提出了将模糊C均值聚类(FCM)算法和多维标度分析(MDS)用于激光诱导荧光光谱识别煤矿突水水源这一新思路。由于FCM算法在光谱分析和模式识别等方面都有着成功的应用,况且激光光谱具有时间响应快、灵敏度高、干扰小等优点,通过实时采集水样的荧光光谱数据,利用FCM和MDS对光谱数据分析后就可以辨别水样类型。以华东地区某矿的老空水和奥灰水以及按比例混合得到水样共7种(每种水样各20个样本)为实验材料,利用405 nm激光打入被测水体,一共采集了140组荧光光谱数据,随后选择合适的波长区间进行分析。取每种水样各15组共105组光谱数据用作训练集,其余35组光谱数据用作测试集。使用MDS建立七种不同水样的模型,再利用FCM算法进行聚类分析得到七种水样的簇中心,最后使用得到的簇中心对测试集进行验证。实验结果表明,不同水样的光谱图有着较大差异,选取合适的波长区间下的光谱数据,在MDS下选择维度为2,利用FCM算法对水样进行分类,全部140组样本的准确率是100%。     

LIF结合LSTM神经网络的矿井水源识别

矿井水害对煤矿安全生产存在巨大威胁,所以快速识别矿井突水水源,对煤矿水灾预警及灾后救援工作开展都有重大意义。激光诱导荧光（LIF）技术具有快速、高效、灵敏度高等特点,克服了传统水化学方法识别时间长的缺点。循环神经网络（RNN）在解决长序列训练过程中产生的梯度消失、梯度爆炸等问题上存在明显不足,而特殊变体RNN即长短期记忆（LSTM）神经网络很好地弥补了RNN的短板及缺陷。提出了将LIF技术与LSTM算法相结合,应用在矿井突水水源快速识别中。实验样本采自淮南矿区,以砂岩水和老空水为原始样本,并将砂岩水和老空水按照不同比例混合配置成5种混合水样,共7种待测水样进行实验。首先采用最大最小值归一化（MinMaxScaler）、平滑滤波（SG）以及标准正态变量变换（SNV）三种预处理方法对原始光谱数据进行预处理,减少原始光谱数据存在的噪声和干扰信息。之后为防止数据量过大,维度过高,将包括原始光谱数据在内的四组数据再进行LDA降维至3维。最后分别搭建LSTM识别模型,从测试集预测准确率、训练集准确率变化趋势以及训练集损失函数变化趋势三个方面进行比较,选择最优模型。其中SG+LDA+LSTM和Original+LDA+LSTM在测试集预测准确率上都能达到100%,MinMaxScaler+LDA+LSTM测试集预测准确率在98.57%,SNV+LDA+LSTM准确率最低,只有87.14%;在训练集准确率变化趋势表现上,SG+LDA+LSTM能够保持良好的学习,很快达到100%,Original+LDA+LSTM和MinMaxScaler+LDA+LSTM也能达到100%的准确率,但在前几次训练过程中会有准确率下降的情况出现,SNV+LDA+LSTM训练集准确率在训练次数内并未达到100%;SG+LDA+LSTM损失函数变化趋势也具有很好的收敛性和稳定性,Original+LDA+LSTM,MinMaxScaler+LDA+LSTM以及SNV+LDA+LSTM在损失函数变化趋势上表现并不出色。结果表明,4组模型中,SG+LDA+LSTM模型是最适合应用于矿井突水识别,该方法补充了矿井突水水源识别工作的内容,为矿井突水识别提供了新的思路。     

LIF技术与PLS-DA算法联合辨识矿井涌水水源类型的研究

快速的矿井涌水水源辨识对于矿井的水灾预警及灾后救援意义重大。常规方法使用离子浓度做为判别因子,耗时过长,因此提出一种激光诱导荧光光谱(LIF)技术与偏最小二乘判别分析(PLS-DA)算法联合快速辨识矿井涌水水源类型的方法。实验使用405 nm激光对被测水体进行激发,获取矿井5个不同含水层100组水样的荧光光谱,根据光谱曲线特征,对数据进行压缩处理,获取合适的光谱数据。每种水样使用15组共75组光谱数据作为建模集,剩余的25组水样的光谱数据作为测试集。为验证实验结果,设计了簇类的独立软模式(SIMCA)算法与PLS-DA算法构建的实验模型进行对比。实验发现矿井不同含水层水样的荧光光谱差异较大,在不进行任何预处理的情况下,以PLS模型为基础的PLS-DA算法较SIMCA算法的建模正确率高,达到了100%,其校正及验证结果与实际分类变量的相关系数均大于0.951,校正集均方根误差(RMSECV)和验证集均方根误差(RMSEP)均小于0.123,利用模型对测试集中五种水样样本的识别正确率均为100%。     

KNN结合PCA在激光诱导荧光光谱识别矿井突水中的应用

矿井突水的迅速识别与分类对于井下水灾防治工作有着重要的意义。提出一种KNN结合PCA运用在激光诱导荧光光谱快速识别矿井突水水源中的新方法。利用激光器发射激光通过可浸入式探头射入水样,得到四种突水水样共80组荧光光谱数据,再分别对每组数据进行预处理,处理后的数据中每种水样取15组数据作为训练集,共60组,其余20组作为预测集。利用主成分分析(PCA)对数据进行处理,之后在主成分分析的基础上利用KNN算法进行分类识别。实验过程中,各预处理方法在主成分个数为2的情况下,进行KNN算法分类的正确率都达到100%。