基于EEMD-Isomap算法矿井突水水源识别方法技术

本发明专利技术提供基于EEMD

【技术实现步骤摘要】
基于EEMD
‑
Isomap算法矿井突水水源识别方法


[0001]本专利技术属于煤矿安全领域，具体涉及基于EEMD
‑
Isomap算法矿井突水水源识别方法。

技术介绍

[0002]随着水文地质条件的复杂性和多年来开采深度的增加，矿井突水已成为仅次于煤矿瓦斯的第二大生产问题。矿井水害是严重威胁矿区生产建设安全的一种灾害。与其他重大事故和一般事故相比，重大洪水事故具有抢险难、灾后生产恢复困难等特点。一旦发生，将造成更严重的人员伤亡和经济损失，也将给社会带来严重的不良影响。解决矿井突水问题的前提是识别突水水源类型，提前有效地进行水的预防和控制，从而预防和减少水害的发生。因此，研究以往的煤矿水灾事故，从根本上预防今后类似的煤矿水灾事故，显得尤为重要。
[0003]传统水化学方法用于矿井水源类型的识别消耗时间长、分析和识别效率较低，不能满足矿井水源类型的识别实时性的要求，其他常规检测方法可能会破坏样品，并不能做到无损识别，且需要专业人员操作，费时费力。常规的人工智能算法大都对光谱数据的全部波段建立预测模型进行分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于EEMD
‑
Isomap算法矿井突水水源识别方法，其特征在于，包括以下步骤：通过激光照射待测样品获得矿井水的拉曼光谱信息；通过集成经验模态分解算法EEMD对拉曼光谱信号进行降噪处理；依照数量7：3的比例将降噪处理后的拉曼光谱信号随机划分为训练集和预测集；利用等距特征映射算法Isomap对训练集和预测集中的数据分别进行降维处理；将降维后的训练集数据作为核K最近邻算法的输入，建立突水水源识别模型；将降维后的预测集数据输入到突水水源识别模型，得到预测结果；对比预测结果和突水水源识别模型中的实际结果获得突水水源识别模型的识别准确率；将识别准确率和预测结果中的辨识时间作为突水水源种类的评价指标，通过评价指标识别矿井突水类型。2.根据权利要求1所述的基于EEMD
‑
Isomap算法矿井突水水源识别方法，其特征在于，通过集成经验模态分解算法EEMD对拉曼光谱信号进行降噪处理的步骤包括：根据下式，在拉曼光谱信号上添加k次不同幅值的高斯白噪声信号，得到k个处理信号，其中，G(t)
k
为第k次添加的高斯白噪声信号；为第k次添加高斯白噪声信号后的处理信号；使用集成经验模态分解算法EEMD对k个处理信号进行分解，得到不同尺度的固有模态函数：其中，I
k，l
(t)为第k次添加高斯白噪声信号后的处理信号分解成的l个固有模态函数，ξ
k，l
(t)为第k次添加高斯白噪声信号后的处理信号分解成的l个剩余分量信号；根据下式对每个处理信号对应的固有模态函数分量进行集成运算，得到每个处理信号的固有模态函数，设定相关性阈值，将每个处理信号的固有模态函数与拉曼光谱信号进行相关性分析，将满足相关性阈值的固有模态函数所对应的处理信号进行信号组合，得到降噪处理后的拉曼光谱信号。3.根据权利要求1所述的基于EEMD
‑
Isomap算法矿井突水水源识别方法，其特征在于，进行降维处理的步骤包括：构造待降维处理的数据集的邻近图；计算邻近图中数据点之间的最短路径，利用每个最短路径的平方构造最短路径矩阵；对最短路径矩阵使用多维尺度变换算法压缩向量维数，获得代价函数；根据代价函数获得降维后的特征向量集合，降维后的特征向量集合即为降维后的数据
集。4.根据权利要求3所述的基于EEMD
‑
Isomap算法矿井突水水源识别方法，其特征在于，构造待降维处理的数据集的邻近图的步骤包括：将数据集表示为X＝{x1，x2，...，x
n
}，将数据集X在空间中任一组邻近点的欧式距离表示如下，其中，x
r
，x
w
为数据集X在空间中邻近的两个n维向量；通过多组邻近点构成邻近图的边界。5.根据权利要求3所述的基于EEMD
‑
Isomap算法矿井突水水源识别方法，其特征在于，所述计算邻近图中数据点之间的最短路径，利用每个最短路径的平方构造最短路径矩阵的步骤包括：对于任意两个向量x
r
和x
w
，当其构成边界时，直接取边界值作为距离，其中边界值为任意两向量之间的距离；否则，其距离设定为：D
*
(x
r
，x
w
)＝D(x
r
，x
w
)获得x
r
和x
w
之间的所有非直接路径中的最短距离D
g
(x
r
，x<...

【专利技术属性】
技术研发人员：周茗皓，
申请(专利权)人：内蒙古工业大学，
类型：发明
国别省市：