礦山微震數(shù)據(jù)流的分類識別是煤礦安全監(jiān)控中的重要環(huán)節(jié),目前廣泛使用的分類方法主要有人工識別方法和傳統(tǒng)機器學習分類方法。但是,采用人工識別方法費時、費力并且難以保證分類準確率,而傳統(tǒng)機器學習方法雖然一定程度上改善了人工識別的缺點,但是未考慮到微震信號數(shù)據(jù)實質(zhì)上是一種特殊場景下的實時數(shù)據(jù)流,具有數(shù)據(jù)流易發(fā)生概念漂移現(xiàn)象的特點。另外,從監(jiān)控系統(tǒng)中提取出來的原始微震信號數(shù)據(jù)存在高維度、時頻變換的問題,如果不經(jīng)過預處理直接進行分類,則容易造成維度災難,極大的增加運算成本。鑒于此,本文利用數(shù)據(jù)挖掘技術(shù)給出兩種數(shù)據(jù)流分類方法和一個完整的礦山微震數(shù)據(jù)流分類框架,提高微震數(shù)據(jù)分類識別的準確性、穩(wěn)定性與實時性。本文主要工作如下:1.針對現(xiàn)有微震數(shù)據(jù)分類模型不具備適應概念漂移現(xiàn)象能力的問題,給出一種具有更新機制的集成分類方法。該方法使用支持向量機作為基分類器,保證集成分類模型的準確率,同時,在模型中增加更新機制,利用當前具有新概念的數(shù)據(jù)訓練新基分類器,代替不再滿足當前概念的舊基分類器,保證分類模型對概念漂移現(xiàn)象的適應能力。對比傳統(tǒng)分類算法,實驗結(jié)果表明該方法在微震數(shù)據(jù)流中具有更高的分類準確率和模型穩(wěn)定性。2.為更好滿足煤礦現(xiàn)場實時性要求,給出一種具有快速選擇機制的微震數(shù)據(jù)流分類方法。改進集成模型現(xiàn)有的集成方式與更新機制,并使用隨機森林算法作為基分類器,增加集成模型中各基分類器間的相異度。通過數(shù)據(jù)塊聚類、基分類器訓練、基分類器快速選擇以及集成模型更新四個步驟,完成數(shù)據(jù)流的分類以及模型的自適應性更新。實驗結(jié)果表明該方法可以提高時間效率,并具有較高的分類準確率以及模型穩(wěn)定性。3.針對原始波形信號數(shù)據(jù)存在特征提取、波形變換、高維度降維的問題,給出一種預處理方法,并結(jié)合基于快速選擇機制的分類方法,得到一個完整的微震數(shù)據(jù)流分類框架。首先,通過主成分分析將初始多通道數(shù)據(jù)降維至低通道;其次,利用小波變換將時域信號轉(zhuǎn)化成頻域信號;然后,利用線性判別分析將每個頻段內(nèi)的多維數(shù)據(jù)提取至低維;最后,對微震數(shù)據(jù)流進行分類識別。實驗結(jié)果說明該框架具有良好的預處理效果,將高維度的時域信號轉(zhuǎn)化為低維度的頻域信號,壓縮數(shù)據(jù)規(guī)模,減少后續(xù)分類模型的計算成本,具有較高的識別準確率。
【學位單位】：中國礦業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TD76;TP181
【部分圖文】：

因此，分類模型的時間效率也將是體現(xiàn)模型優(yōu)劣的重要指標，我們對預處理后的微震數(shù)據(jù)流分別使用本章給出的 CMBOUM 算法與 5 種傳統(tǒng)機器學習分類方法進行分類，統(tǒng)計各個階段準確率，實驗結(jié)果如圖 3-4 所示。

工程碩士專業(yè)學位論文）在 Colorado 植被數(shù)據(jù)流中，AWE 算法與 CMBOUM 算法有化趨勢，并且在數(shù)據(jù)流分類進行到第 30~40 個數(shù)據(jù)塊和第 6確率有兩次明顯的下降，數(shù)據(jù)流在此區(qū)間內(nèi)發(fā)生了概念漂移的法都具有適應新概念的能力，到下一個數(shù)據(jù)塊準確率記錄點時且上升趨勢基本相同。

26圖 3-6 CMBOUM 算法 Colorado 數(shù)據(jù)集實驗對比igure 3-6 Colorado dataset experimental comparison of CMBOUM algorith實驗結(jié)果圖所得出的信息，可以分析出以下兩點結(jié)論：）CMBOUM 算法在處理普通概念漂移數(shù)據(jù)流時也具有較高的經(jīng)典數(shù)據(jù)流分類算法 AWE，CMBOUM 算法具有相同的適應由于兩種算法均具有自動更新機制，在數(shù)據(jù)流發(fā)生概念漂移后類器來適應新概念，使分類模型保持穩(wěn)定的高性能。
【參考文獻】

相關(guān)期刊論文 前10條

1 陳晉音;何輝豪;;基于密度的聚類中心自動確定的混合屬性數(shù)據(jù)聚類算法研究[J];自動化學報;2015年10期

2 曹安業(yè);井廣成;竇林名;鞏思園;趙永亮;張貞良;;孤島面開采強礦震異常區(qū)的被動聲波探測技術(shù)及應用[J];采礦與安全工程學報;2015年01期

3 趙國彥;鄧青林;馬舉;;基于FSWT時頻分析的礦山微震信號分析與識別[J];巖土工程學報;2015年02期

4 郭濤;方向;謝全民;嚴中紅;范磊;;頻率切片小波變換在爆破振動信號時頻特征精確提取中應用[J];振動與沖擊;2013年22期

5 朱玲玲;朱利華;;自動化人工智能監(jiān)控在煤礦工業(yè)的應用[J];煤炭技術(shù);2012年12期

6 朱權(quán)潔;姜福興;尹永明;于正興;溫經(jīng)林;;基于小波分形特征與模式識別的礦山微震波形識別研究[J];巖土工程學報;2012年11期

7 陸振裕;竇林名;劉寶田;何江;;斷層處的礦震機理及震動信號特征研究[J];煤礦安全;2012年11期

8 郭躬德;李南;陳黎飛;;一種適應概念漂移數(shù)據(jù)流的分類算法[J];山東大學學報(工學版);2012年04期

9 徐文華;覃征;常揚;;基于半監(jiān)督學習的數(shù)據(jù)流集成分類算法[J];模式識別與人工智能;2012年02期

10 徐宏斌;李庶林;陳際經(jīng);;基于小波變換的大尺度巖體結(jié)構(gòu)微震監(jiān)測信號去噪方法研究[J];地震學報;2012年01期

本文編號：2885824