基于極限學(xué)習(xí)機(jī)改進(jìn)模型的煤礦突水水源識(shí)別研究.pdf

1、煤礦水源類型的識(shí)別貫穿于突水防治的前期預(yù)測(cè)和后期治理。以源頭預(yù)防為主的前期階段，要求準(zhǔn)確而快速地識(shí)別水源以對(duì)突水防治工作起到預(yù)警作用。傳統(tǒng)水源識(shí)別的實(shí)驗(yàn)方法和線性分類模型，已經(jīng)不能滿足水源識(shí)別準(zhǔn)確而快速的要求。本文以煤礦井下水源識(shí)別為研究背景，重點(diǎn)針對(duì)水源的快速識(shí)別、抗干擾和半監(jiān)督識(shí)別、多功能融合識(shí)別以及在線識(shí)別等問(wèn)題，開(kāi)展水源識(shí)別模型的研究。主要從模型的參數(shù)尋優(yōu)、結(jié)構(gòu)設(shè)計(jì)和訓(xùn)練方式等方面進(jìn)行優(yōu)化，論文的主要研究成果總結(jié)如下:
　

2、　研究了煤礦水源準(zhǔn)確而快速識(shí)別問(wèn)題。以激光誘導(dǎo)熒光(Laser Induced Fluorescence，LIF)技術(shù)為新的實(shí)驗(yàn)手段，獲取礦井下不同含水層水源的熒光光譜。以水源的熒光光譜為研究對(duì)象，提取光譜特征進(jìn)而識(shí)別不同水源。運(yùn)用機(jī)器學(xué)習(xí)中模式識(shí)別方法，建立非線性多元分類模型。提出了一種基于極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)的水源識(shí)別方法，建立ELM快速水源識(shí)別模型，確定模型中關(guān)鍵參數(shù)，如隱含層節(jié)點(diǎn)

3、數(shù)和激勵(lì)函數(shù)。ELM作為一種新型的非線性前饋神經(jīng)網(wǎng)絡(luò)，其無(wú)限逼近能力可以達(dá)到識(shí)別精度的要求、極速運(yùn)行能力可滿足識(shí)別速度的要求、通用的學(xué)習(xí)性能可以滿足識(shí)別的實(shí)際應(yīng)用。
　　研究了在復(fù)雜環(huán)境下水源識(shí)別模型的抗干擾性和半監(jiān)督學(xué)習(xí)能力的問(wèn)題?；镜腅LM算法在快速訓(xùn)練模型識(shí)別水源時(shí)會(huì)出現(xiàn)性能的波動(dòng)，因此從優(yōu)化網(wǎng)絡(luò)參數(shù)出發(fā)，進(jìn)而穩(wěn)定模型性能。以正則化方法優(yōu)化(Regularization Optimization)基本的ELM模型，使正則化

4、ELM(Regularization ELM，RELM)模型能處理帶干擾及未標(biāo)識(shí)類別數(shù)據(jù)，具有抗干擾性和半監(jiān)督學(xué)習(xí)的能力。提出了基于等式約束的L2范數(shù)正則化(L2norm RELM，L2-RELM)水源識(shí)別模型，以正則參數(shù)作為最小化訓(xùn)練誤差的懲罰系數(shù)，以交叉驗(yàn)證的方式尋找合適的正則參數(shù)。實(shí)驗(yàn)表明:L2-RELM模型不僅可避免過(guò)擬合現(xiàn)象且穩(wěn)定了模型性能，避免外界環(huán)境擾動(dòng)對(duì)水源識(shí)別產(chǎn)生偏差，增強(qiáng)了模型的抗干擾能力。提出了基于圖的流形正則化(

5、Graph Manifold RELM，GM-RELM)的水源識(shí)別模型。以未標(biāo)識(shí)樣本與標(biāo)識(shí)樣本服從相似的流形為前提假設(shè)，構(gòu)造反映樣本間相似關(guān)系的Laplacian鄰接圖，通過(guò)最小化圖上的能量函數(shù)，得到滿足全局一致性假設(shè)的分類函數(shù)。實(shí)驗(yàn)表明:GM-RELM模型以大量未知類別樣本輔助識(shí)別模型的訓(xùn)練，實(shí)現(xiàn)了半監(jiān)督分類，也提升了網(wǎng)絡(luò)的泛化能力。
　　研究了水源識(shí)別模型中多功能融合的問(wèn)題。主要從網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)進(jìn)行優(yōu)化，提出了基于多隱含層融合的

6、正則化(Multi-hidden-layer RELM，M-RELM)識(shí)別模型。通過(guò)設(shè)置多個(gè)隱含層實(shí)現(xiàn)數(shù)據(jù)預(yù)處理和分類學(xué)習(xí)，集成融合到統(tǒng)一的正則化模型中。在預(yù)處理階段，提出了以L2-RELM算法改進(jìn)自編碼器(Auto Encoder，AE)網(wǎng)絡(luò)，借鑒深度學(xué)習(xí)方式對(duì)水源光譜進(jìn)行逐層非線性特征學(xué)習(xí)。在分類學(xué)習(xí)階段，區(qū)分樣本是否具有類別標(biāo)簽，而分別進(jìn)行L2-RELM的監(jiān)督分類和GM-RELM的半監(jiān)督分類。以AE-RELM非線性特征提取與L2-

7、RELM或GM-RELM分類學(xué)習(xí)融合，分別形成ML2-RELM或MGM-RELM模型，完成了M-RELM模型的多隱含層結(jié)構(gòu)設(shè)計(jì)。以多隱含層之間的參數(shù)傳遞，實(shí)現(xiàn)了學(xué)習(xí)功能分階段逐層間傳播。實(shí)驗(yàn)表明:M-RELM模型優(yōu)化了網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，拓展了模型的多功能學(xué)習(xí)能力，適應(yīng)了煤礦水源的非線性識(shí)別。
　　研究了在線水源識(shí)別的靈活及穩(wěn)定性問(wèn)題。主要從優(yōu)化網(wǎng)絡(luò)訓(xùn)練的方式，提出了正則化的在線順序(Online Sequential RELM，OS-

8、RELM)識(shí)別模型，改變批量訓(xùn)練方式以順序方式訓(xùn)練模型，使模型具備水源的在線識(shí)別能力。以L2范數(shù)正則優(yōu)化基本的OS-ELM算法，摒棄了對(duì)處理樣本塊大小的限制，使其可以靈活地順序?qū)W習(xí)隨機(jī)大小樣本，邊學(xué)習(xí)邊輸出訓(xùn)練結(jié)果。實(shí)驗(yàn)表明:OS-RELM模型實(shí)現(xiàn)了水源在線識(shí)別的穩(wěn)定性及靈活性。
　　本文主要對(duì)水源識(shí)別的傳統(tǒng)方法提出了改進(jìn)措施，以ELM及改進(jìn)算法構(gòu)建了非線性多元分類模型。從模型性能波動(dòng)性、功能單一性以及訓(xùn)練方式的約束性，結(jié)合水源識(shí)