是一種礦井突水水源的非線性識(shí)別方法，具體涉及一種基于kpca-eml的激光誘導(dǎo)熒光光譜(lif)識(shí)別礦井突水水源的非線性方法。

背景技術(shù)：

煤礦突水對(duì)煤礦生產(chǎn)造成嚴(yán)重性的危害，在防治突水時(shí)需迅速而精準(zhǔn)地判別突水水源。礦井突水水源類型主要有：奧灰水、老窯水、沖積層水、砂巖水、灰?guī)r水。目前，常規(guī)煤礦突水水源的判別方法，大多基于水化學(xué)基礎(chǔ)，但是判別時(shí)間較長(zhǎng)、效率比較低，很難適應(yīng)煤礦突水的實(shí)時(shí)監(jiān)測(cè)。利用激光誘導(dǎo)熒光光譜(lif)技術(shù)實(shí)時(shí)在線獲取突水水源的熒光光譜數(shù)據(jù)，可實(shí)現(xiàn)快速、準(zhǔn)確的監(jiān)測(cè)。

對(duì)光譜數(shù)據(jù)集進(jìn)行預(yù)處理和特征提取是建立分類學(xué)習(xí)模型之前的必要操作，主要為了確保建立準(zhǔn)確而穩(wěn)定的分類模型。目前使用廣泛的線性特征提取方法主要為主成分分析(pca，principalcomponentanalysis)。由于影響礦井突水的因素眾多，具有復(fù)雜的非線性關(guān)系，因此設(shè)計(jì)一種非線性突水水源的分類方法是可行的，該方法結(jié)合非線性核主成分析(kpca)并應(yīng)用極限學(xué)習(xí)機(jī)(eml)進(jìn)行分類學(xué)習(xí)。

核主成分分析(kpca，kernelprincipalcomponentanalysis)是一種基于核函數(shù)的主成分分析方法，主要用來解決大規(guī)模非線性數(shù)據(jù)的特征提取問題，將非線性數(shù)據(jù)映射到高維特征空間，進(jìn)而尋求在高維空間的線性解決。在基于監(jiān)督學(xué)習(xí)的分類方法中，bp神經(jīng)網(wǎng)絡(luò)存在收斂速度較慢，耗時(shí)較長(zhǎng)，可能陷入局部最優(yōu)，需要多次訓(xùn)練才可能達(dá)到全局最優(yōu)等不足。支持向量機(jī)svm(supportvectormachine)也存在待優(yōu)化參數(shù)較多，耗費(fèi)大量機(jī)器內(nèi)存及運(yùn)算時(shí)間長(zhǎng)等缺陷。由于極限學(xué)習(xí)機(jī)(elm，extremelearningmachine)是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)(slfns，single-hiddenlayerfeedforwardneuralnetworks)學(xué)習(xí)算法，具有很強(qiáng)的學(xué)習(xí)能力和逼近復(fù)雜非線性函數(shù)等優(yōu)點(diǎn)。eml主要針對(duì)基于梯度下降算法的bp網(wǎng)絡(luò)訓(xùn)練耗時(shí)過于冗長(zhǎng)的不足，用求隱含層輸出矩陣的moor-penrose廣義逆取代傳統(tǒng)的迭代過程，縮短網(wǎng)絡(luò)的收斂時(shí)間。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明目的主要是提供礦井突水水源的一種非線性識(shí)別方法，為了解決非線性數(shù)據(jù)的特征提取問題和準(zhǔn)確而快速學(xué)習(xí)分類問題，提出基于kpca-eml的激光誘導(dǎo)熒光光譜技術(shù)的礦井突水水源的非線性辨別方法。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案如下：

一種礦井突水水源的非線性識(shí)別方法，包括如下步驟：

(1)、光譜數(shù)據(jù)采集：通過激光誘導(dǎo)熒光光譜儀采集礦井突水水源的水樣光譜數(shù)據(jù)，獲得水樣原始光譜圖；

(2)、光譜預(yù)處理：消除光譜儀采集水樣熒光光譜數(shù)據(jù)中的噪音，采用sg卷積平滑方法對(duì)采集到的光譜數(shù)據(jù)進(jìn)行預(yù)處理；

(3)、kpca特征信息提?。翰捎煤酥鞒煞址治鰇pca對(duì)預(yù)處理后的光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)降維的非線性主成分分析，獲取主要特征值(即主成分)；

(4)、分類學(xué)習(xí)：將由主要特征值組成的水樣樣本，構(gòu)造獨(dú)立的訓(xùn)練集和測(cè)試集；

(5)、建立eml極限學(xué)習(xí)機(jī)：在訓(xùn)練集上建立eml極限學(xué)習(xí)機(jī)，然后通過測(cè)試集上的分類學(xué)習(xí)模型進(jìn)行測(cè)試分類結(jié)果。

在本發(fā)明中：所述步驟(3)中，采用非線性核主成分分析kpca對(duì)光譜數(shù)據(jù)中影響水源判別的特征進(jìn)行提取，其具體步驟如下：

(31)、取預(yù)處理后的光譜數(shù)據(jù)矩陣x，實(shí)現(xiàn)數(shù)據(jù)空間樣本點(diǎn)(xi,xj)向特征空間的映射，(xi,xj)→k(xi,xj)＝φ(xi)·φ(xj)，用相對(duì)簡(jiǎn)單的核函數(shù)k(·,·)替代復(fù)雜的非線性變換函數(shù)φ(·)；

(32)、選定高斯徑向基函數(shù)(rbf)核函數(shù)計(jì)算核矩陣k，修正矩陣并計(jì)算核矩陣的相關(guān)矩陣kl；

(33)、用jacobi迭代方法計(jì)算kl矩陣的特征值和對(duì)應(yīng)的特征向量，將特征值按降序排列，相應(yīng)的特征向量也按降序排列；

(34)、通過施密特正交化方法單位正交化特征向量，計(jì)算特征值的累積貢獻(xiàn)率，以確定主成分個(gè)數(shù)，由主成分個(gè)數(shù)確定eml的輸入層節(jié)點(diǎn)個(gè)數(shù)。

在本發(fā)明中：所述步驟(4)中構(gòu)造獨(dú)立的訓(xùn)練集和測(cè)試集，其具體步驟如下：

(41)、假設(shè)有個(gè)n個(gè)任意樣本，給定訓(xùn)練集d個(gè)主成分作為輸入層數(shù)據(jù)，含有l(wèi)個(gè)隱層節(jié)點(diǎn)，g(χ)是激勵(lì)函數(shù)為g(αi·χ+bi)，選取rbf函數(shù)為基函數(shù)，即

(42)、計(jì)算隱含層的輸出矩陣h，l個(gè)隱層節(jié)點(diǎn)在激勵(lì)函數(shù)g(χ)的作用下，可以無限接近n個(gè)任意樣本，則hβ＝τ，

其中h為隱含層的輸出矩陣；

(43)、計(jì)算輸出權(quán)值向量β，訓(xùn)練eml分類模型，轉(zhuǎn)化為計(jì)算hβ＝τ的最小二乘解，即β＝h⁺τ，其中，h⁺為h的moore-penrose廣義逆矩陣。

在本發(fā)明中：所述的激光誘導(dǎo)熒光光譜儀的為usb2000+型號(hào)，入射激光波長(zhǎng)和功率分別為405nm和120mw，檢測(cè)熒光光譜范圍400-800nm，分辨率0.5nm。

通過上述技術(shù)方案，本發(fā)明的有益效果是：采用非線性方式進(jìn)行特征提取，減低了時(shí)間和空間復(fù)雜度，同時(shí)提供了樣本的識(shí)別性能；核主成分分析優(yōu)化了極限學(xué)習(xí)機(jī)的學(xué)習(xí)參數(shù)，eml分類模型具有訓(xùn)練參數(shù)少、學(xué)習(xí)速度快等特點(diǎn)，將kpca和eml結(jié)合用于礦井突水水源的非線性辨別，非常適用于在線突水水源的監(jiān)測(cè)。

附圖說明

圖1為本發(fā)明的流程圖示意圖；

圖2為本發(fā)明中的eml分類學(xué)習(xí)模型。

具體實(shí)施方式

如圖1-2所示：本發(fā)明采用kpca-elm與lif技術(shù)相結(jié)合，將可侵入式熒光探頭置于礦井突水水源中，實(shí)時(shí)采集突水水源水樣的熒光光譜，為了減少采集中噪聲對(duì)熒光光譜的影響，對(duì)光譜進(jìn)行預(yù)處理，采用非線性核主成分析法進(jìn)行特征提取，建立獨(dú)立的訓(xùn)練集和測(cè)試集，對(duì)極限學(xué)習(xí)機(jī)eml學(xué)習(xí)參數(shù)進(jìn)行優(yōu)化后，通過訓(xùn)練集訓(xùn)練生成分類學(xué)習(xí)模型，通過測(cè)試集對(duì)分類學(xué)習(xí)模型進(jìn)行測(cè)試結(jié)果。

本發(fā)明在基于kpca-eml的激光誘導(dǎo)熒光光譜lif技術(shù)上提出對(duì)礦井突水水源的非線性辨別方法，包括如下步驟：

(1)、光譜數(shù)據(jù)采集：采用usb2000+型號(hào)激光誘導(dǎo)熒光光譜儀，入射激光波長(zhǎng)和功率分別為405nm和120mw，檢測(cè)熒光光譜范圍400-800nm，分辨率0.5nm；采用可侵入水式激光激發(fā)熒光探頭fpb-405-v3，利用光譜軟件spectrasuite采集并記錄水樣的熒光光譜，對(duì)5種類型突水水樣(奧灰水、老窯水、沖積層水、砂巖水、灰?guī)r水)的多個(gè)樣本進(jìn)行熒光光譜的采樣，獲得水樣原始光譜圖。

(2)、光譜預(yù)處理：光譜儀在采集水樣熒光光譜數(shù)據(jù)的同時(shí)還會(huì)收集到一些噪聲，為了使分類模型具有較強(qiáng)的預(yù)測(cè)能力和較好的穩(wěn)健性，消除光譜儀采集水樣熒光光譜數(shù)據(jù)中的噪音，采用sg卷積平滑方法對(duì)采集到的光譜數(shù)據(jù)進(jìn)行預(yù)處理。

(3)、kpca特征信息提?。翰捎煤酥鞒煞址治鰇pca對(duì)預(yù)處理后的光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)降維的非線性主成分分析，獲取主要特征值(即主成分)，包括如下步驟：

(31)、取預(yù)處理后的光譜數(shù)據(jù)矩陣x，實(shí)現(xiàn)數(shù)據(jù)空間樣本點(diǎn)(xi,xj)向特征空間的映射，(xi,xj)→k(xi,xj)＝φ(xi)·φ(xj)，用相對(duì)簡(jiǎn)單的核函數(shù)k(·,·)替代復(fù)雜的非線性變換函數(shù)φ(·)；

假設(shè)有個(gè)n個(gè)指標(biāo)，每個(gè)指標(biāo)有m個(gè)樣本，核函數(shù)通過映射φ將輸入空間映射到某個(gè)高維的特征空間，特征空間中數(shù)據(jù)滿足中心化條件，即則特征空間中的協(xié)方差矩陣為求c的特征值λ≥0和特征向量μ,即(cμ＝λμ-＞φ(χμ)cμ＝λφ(χμ)μ)則：定義m×m維矩陣

kμν＝k(χμ,χν)＝(φ(χμ)·φ(χν))(公式1)

(32)、選定高斯徑向基函數(shù)(rbf)核函數(shù)由公式(1)計(jì)算核矩陣k，通過修正矩陣，并計(jì)算核矩陣的相關(guān)矩陣

(33)、用jacobi迭代方法計(jì)算kl矩陣的特征值λ1,…,λn和對(duì)應(yīng)的特征向量μ1,…,μn，將特征值按降序排列，相應(yīng)的特征向量也按降序排列；

(34)、通過施密特正交化方法單位正交化特征向量，得到α1,…,αn，計(jì)算特征值的累積貢獻(xiàn)率b1,…,bn，根據(jù)給定的提取效率p，若bd≥p，則提取d個(gè)主分量α1,…,αd；由主成分個(gè)數(shù)確定eml的輸入層節(jié)點(diǎn)個(gè)數(shù)為d。

(4)、分類學(xué)習(xí)：將由主要特征值組成的水樣樣本，構(gòu)造獨(dú)立的訓(xùn)練集和測(cè)試集，包括如下步驟：

(41)、假設(shè)有個(gè)n個(gè)任意樣本，給定訓(xùn)練集d個(gè)主成分作為輸入層數(shù)據(jù)，含有l(wèi)個(gè)隱層節(jié)點(diǎn)點(diǎn)slfns可以表示為其中，αi是連接第i個(gè)隱含層節(jié)點(diǎn)和輸入節(jié)點(diǎn)的權(quán)值，bi是第i個(gè)隱含層節(jié)點(diǎn)的偏差，βi是連接第i個(gè)隱含層節(jié)點(diǎn)和輸出節(jié)點(diǎn)的權(quán)值；隨機(jī)生成隱含層節(jié)點(diǎn)參數(shù)(αi,bi),i＝1,…,lg(χ)是激勵(lì)函數(shù)為g(αi·χ+bi)，選取rbf函數(shù)為基函數(shù)，即

(42)、計(jì)算隱含層的輸出矩陣h，l個(gè)隱層節(jié)點(diǎn)在激勵(lì)函數(shù)g(χ)的作用下，可以無限接近n個(gè)任意樣本，則hβ＝τ，

其中h為隱含層的輸出矩陣；

(43)、計(jì)算輸出權(quán)值向量β，訓(xùn)練eml分類模型，轉(zhuǎn)化為計(jì)算hβ＝τ的最小二乘解，即β＝h⁺τ，其中，h⁺為h的moore-penrose廣義逆矩陣

(5)、建立eml極限學(xué)習(xí)機(jī)：在訓(xùn)練集上建立eml極限學(xué)習(xí)機(jī)，然后通過測(cè)試集上的分類學(xué)習(xí)模型進(jìn)行測(cè)試分類結(jié)果。

以上對(duì)本發(fā)明的具體實(shí)施方式進(jìn)行了描述，但本發(fā)明并不限于以上描述。對(duì)于本領(lǐng)域的技術(shù)人員而言，任何對(duì)本技術(shù)方案的同等修改和替代都是在本發(fā)明的范圍之中。因此，在不脫離本發(fā)明的精神和范圍下所作的均等變換和修改，都應(yīng)涵蓋在本發(fā)明的范圍內(nèi)。