[发明专利]基于多模态优化和集成学习的微震信号识别方法

说明书

本发明公开了基于多模态优化和集成学习的微震信号识别方法，实现对微震信号的分类，从而完成对冲击地压灾害更加准确、及时的预警。首先，根据微震训练样本集的非平衡率，确定采样倍率，实现基于SMOTE的小类样本生成；其次，采用放回采样方式，进行多次抽取，得到多个子训练样本集，并在每个子训练样本集上训练多个弱分类器；再次，根据每个子训练样本集上的分类结果，选择分类性能最优的个体作为最终的集成个体；最后，采用多模态优化技术，去除冗余的集成弱分类器个体，选择最优弱分类器组合参与集成。本发明充分考虑微震信号的非平衡特性，利用多模态优化技术对弱分类器个体进行选择，寻找部分具有差异性大的个体参与集成，减少冗余个体对集成学习器性能的影响，提高了微震信号的分类正确率，为冲击地压灾害及时有效预警提供更有力的支持。

技术领域

本发明涉及机器学习与数据挖掘领域，尤其是一种基于多模态优化和集成学习的微震信号识别方法。

背景技术

冲击地压是一种典型的煤矿动力灾害，严重威胁煤矿的高效生产和人员安全。因此，对冲击地压灾害的预警至关重要。冲击地压指在高应力作用下，聚集的能量突然释放，对煤岩体造成冲击，导致人员伤亡、建筑物破坏的现象。微震是采矿活动诱发的微地震，是煤岩介质在矿区应力作用下，聚集的弹性应变能突然释放，造成采掘空间周围岩体破裂的现象。因此，通过对微震信号分类，可以有效识别煤岩体状态，逐渐成为冲击地压预警的一种有效手段

目前，微震信号数据识别的方法主要有时频分析和机器学习方法两类。其中，时频分析能有效分析微震波形频谱特征。常用的时频分析方法包括：傅里叶变换、小波变换、小波包变换和频率切片小波变换，等。文献(曹安业，窦林名，秦玉红，等.高应力区微震监测信号特征分析[J].采矿与安全工程学报，2007，24(2)：146-149.)利用傅里叶变换，得到矿山微震信号的幅频特征，为煤矿微震信号的初步辨识提供依据。文献(唐守锋，童敏明，潘玉祥，等.煤岩破裂微震信号的小波特征能谱系数分析法[J].仪器仪表学报，2011，32(7)：1521-1527.)分析了微震信号与噪声信号的能量分布特征，提出采用小波能谱系数的方法，提取微震信号的特征信息。文献(赵国彦，邓青林，马举.基于FSWT时频分析的矿山微震信号分析与识别[J].岩土工程学报，2015，37(2)：306-312.)采用频率切片小波变换，识别煤矿微震信号。

时频域分析方法虽然可以有效分析煤矿微震信号频谱的特性，但是，由于每个传感器产生的数据量规模巨大，所以现场实时应用存在一定难度。因此，结合机器学习和计算机技术，实现大规模微震数据处理成为微震数据分析的一种新兴有效方法。文献(朱权洁，姜福兴，尹永明，等.基于小波分形特征与模式识别的矿山微震波形识别研究[J].岩土工程学报，2012，34(11)：2036-2042.)将小波包与分形相结合，提取微震信号特征，并采用支持向量机实现微震信号分类。文献(Vallejos J A，Mckinnon S D.Logistic regression andneural network classification of seismic records[J].Intemational Journal ofRock Mechanics&Mining Sciences，2013,62(9)：86-95.)应用逻辑回归和人工神经网络，对微震信号和爆炸信号实现分类。文献(Dong L，Wesseloo J，Potvin Y，etal.Discrimination of Mine Seismic Events and Blasts Using the FisherClassifier，Naive Bayesian Classifier and Logistic Regression[J].RockMechanics and Rock Engineering，2016,49(1)：183-211.)采用Fisher分类器、朴素贝叶斯分类器和逻辑回归，分析矿山微震和爆炸事件发生的可能性。