基于極限學習機改進模型的煤礦突水水源識別研究.pdf

1、煤礦水源類型的識別貫穿于突水防治的前期預測和后期治理。以源頭預防為主的前期階段，要求準確而快速地識別水源以對突水防治工作起到預警作用。傳統(tǒng)水源識別的實驗方法和線性分類模型，已經(jīng)不能滿足水源識別準確而快速的要求。本文以煤礦井下水源識別為研究背景，重點針對水源的快速識別、抗干擾和半監(jiān)督識別、多功能融合識別以及在線識別等問題，開展水源識別模型的研究。主要從模型的參數(shù)尋優(yōu)、結構設計和訓練方式等方面進行優(yōu)化，論文的主要研究成果總結如下:
　

2、　研究了煤礦水源準確而快速識別問題。以激光誘導熒光(Laser Induced Fluorescence，LIF)技術為新的實驗手段，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象，提取光譜特征進而識別不同水源。運用機器學習中模式識別方法，建立非線性多元分類模型。提出了一種基于極限學習機(Extreme Learning Machine，ELM)的水源識別方法，建立ELM快速水源識別模型，確定模型中關鍵參數(shù)，如隱含層節(jié)點

3、數(shù)和激勵函數(shù)。ELM作為一種新型的非線性前饋神經(jīng)網(wǎng)絡，其無限逼近能力可以達到識別精度的要求、極速運行能力可滿足識別速度的要求、通用的學習性能可以滿足識別的實際應用。
　　研究了在復雜環(huán)境下水源識別模型的抗干擾性和半監(jiān)督學習能力的問題?；镜腅LM算法在快速訓練模型識別水源時會出現(xiàn)性能的波動，因此從優(yōu)化網(wǎng)絡參數(shù)出發(fā)，進而穩(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識類別數(shù)據(jù)，具有抗干擾性和半監(jiān)督學習的能力。提出了基于等式約束的L2范數(shù)正則化(L2norm RELM，L2-RELM)水源識別模型，以正則參數(shù)作為最小化訓練誤差的懲罰系數(shù)，以交叉驗證的方式尋找合適的正則參數(shù)。實驗表明:L2-RELM模型不僅可避免過擬合現(xiàn)象且穩(wěn)定了模型性能，避免外界環(huán)境擾動對水源識別產(chǎn)生偏差，增強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)的水源識別模型。以未標識樣本與標識樣本服從相似的流形為前提假設，構造反映樣本間相似關系的Laplacian鄰接圖，通過最小化圖上的能量函數(shù)，得到滿足全局一致性假設的分類函數(shù)。實驗表明:GM-RELM模型以大量未知類別樣本輔助識別模型的訓練，實現(xiàn)了半監(jiān)督分類，也提升了網(wǎng)絡的泛化能力。
　　研究了水源識別模型中多功能融合的問題。主要從網(wǎng)絡結構設計進行優(yōu)化，提出了基于多隱含層融合的

6、正則化(Multi-hidden-layer RELM，M-RELM)識別模型。通過設置多個隱含層實現(xiàn)數(shù)據(jù)預處理和分類學習，集成融合到統(tǒng)一的正則化模型中。在預處理階段，提出了以L2-RELM算法改進自編碼器(Auto Encoder，AE)網(wǎng)絡，借鑒深度學習方式對水源光譜進行逐層非線性特征學習。在分類學習階段，區(qū)分樣本是否具有類別標簽，而分別進行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分類學習融合，分別形成ML2-RELM或MGM-RELM模型，完成了M-RELM模型的多隱含層結構設計。以多隱含層之間的參數(shù)傳遞，實現(xiàn)了學習功能分階段逐層間傳播。實驗表明:M-RELM模型優(yōu)化了網(wǎng)絡結構設計，拓展了模型的多功能學習能力，適應了煤礦水源的非線性識別。
　　研究了在線水源識別的靈活及穩(wěn)定性問題。主要從優(yōu)化網(wǎng)絡訓練的方式，提出了正則化的在線順序(Online Sequential RELM，OS-

8、RELM)識別模型，改變批量訓練方式以順序方式訓練模型，使模型具備水源的在線識別能力。以L2范數(shù)正則優(yōu)化基本的OS-ELM算法，摒棄了對處理樣本塊大小的限制，使其可以靈活地順序學習隨機大小樣本，邊學習邊輸出訓練結果。實驗表明:OS-RELM模型實現(xiàn)了水源在線識別的穩(wěn)定性及靈活性。
　　本文主要對水源識別的傳統(tǒng)方法提出了改進措施，以ELM及改進算法構建了非線性多元分類模型。從模型性能波動性、功能單一性以及訓練方式的約束性，結合水源識