瓦斯灾害危险性辨识方法的研究

发布时间：2020-04-30 08:56

【摘要】：瓦斯灾害严重威胁着煤矿生产安全,为了在瓦斯灾害防治中避免盲目性,做到有预见性,煤矿瓦斯灾害预测技术成为煤矿安全领域的研究重点。但是,现有瓦斯灾害预测技术不能很好的满足实际应用需求。为了提高瓦斯灾害预测技术的实用性,论文对煤矿瓦斯灾害危险性辨识方法展开深入研究,主要研究内容如下:(1)针对煤矿监测数据维度高的问题,研究了基于数据降维的集成分类模型(Ensemble Classification Model Based on Data Dimensionality Reduction,ECM-DDR)。该模型首先采用主成分分析、局部线性嵌入、核化线性降维、等度量映射和多维缩放降维方法对数据进行降维;然后,在五种降维方法产生的数据集上构建集成分类模型;最后,选择最优的模型进行瓦斯灾害危险性辨识。实验结果表明:ECM-DDR的运行时间较少,且基于局部线性嵌入的集成分类模型的准确率比未降维的集成分类模型提高了 1.78%。(2)针对传统降维方法在瓦斯灾害危险性识别精度提升中的不足,提出了基于相关性分析的选择性集成回归学习模型(Correlation Analysis-Selective Ensemble Regression Learning,CA-SERL)。该模型首先通过分析瓦斯浓度与样本属性的相关性,实现属性约简;然后,对基学习器进行建模,并采用优化前序选择方法建立选择性集成回归学习模型;最后,将模型用于瓦斯灾害危险性辨识。实验结果表明:CA-SERL模型对瓦斯灾害危险性的识别率比未进行相关性分析的四个单学习器平均提高了 15.12%,比未进行相关性分析的选择性集成回归学习模型提高了 4.11%。(3)为了进一步提高瓦斯灾害危险性辨识的性能,提出了基于聚类与组合适宜度(Cluster Selection and New Degree of Combination Fitness,CS-NDCF)的选择性集成分类模型。CS-NDCF方法首先采用聚类算法对基分类器进行第一次筛选;然后,将聚类选择的分类器结果集作为组合适宜度方法的输入,对基分类器进行第二次筛选,得到基分类器结果集;最后,利用基分类器结果集构建选择性集成分类模型。实验结果表明:CS-NDCF选择策略对分类器的搜索效率较高,并且提高了选择性集成分类模型的分类性能。
【图文】：

框架图,分类模型,降维,框架图

(),,()) ((),(),,()) 12212222iiililHhCyCyCyHhCyCyCy (2其中，iH 为基于不同降维方法的集成分类模型。集成分类模型的数目与数据降维法的数目相对应，均为 m。采用选择规则 g (x)从 m 个集成分类模型中选择一个分类性最好的模型，作为最优的模型。最优集成分类模型的选择如公式(2.4)所示。) ,, , (o1 2iH gHH H(2其中，oH 表示基于数据降维方法的分类模型中分类性能最好的集成分类模型。(2) 模型框架模型框架图如图 2.1 所示。基于数据降维的集成分类模型总共分为四层。第一层数据降维层，分别采用不同的降维方法对原始数据进行降维处理。第二层是基分类器模层，在不同降维方法产生的数据集上训练基分类器。第三层是集成分类模型构建层采用投票法将基分类器集合中的分类器模型组合，建立基于数据降维的集成分类模型第四层是决策层，，对比不同降维方法下的集成分类模型的分类结果，决策出最优的集分类模型。

准确率,变化趋势,降维,特征数目

(1) 数据降维方法的比较降维后保留的特征数目 n 会对数据降维方法的降维效果产生影响。当特征数取不同值时，五种降维方法下的集成分类模型的分类准确率变化趋势如图 2.2 所示。图 2.2 ECM-DDR 模型的分类准确率变化趋势从图 2.2 可以看出，基于数据降维的集成分类模型的分类精度与降维时保留的特征数 n 呈正相关。另外，还可以看出，当 n=4 时，基于数据降维方法的集成分类效果要优于特征数目为 2 和 3 的分类结果。因此，在构建基于数据降维的集成分类模型时，选择保留 4 个数据特征。另外，从图 2.2 还可以看出，当特征数目取值为 4 时，基于局部线
【学位授予单位】：西安科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TD713;TP181

【参考文献】