[发明专利]煤矿瓦斯检测方法

摘要

本发明公开了一种瓦斯浓度检测方法，采用KPCA算法用于鉴别“大数”，首先构造两种混合核函数，利用矢量的方法构建核矩阵，并利用核主成分分析计算核矩阵的特征向量，该算法具有较高的识别率和较高的运算速度；该算法通过训练样本在特征空间所张成的子空间的一组标准正交基，将训练集上的KPCA过程，转化为所有核训练样本在该组基下的坐标为数据集的PCA过程，同时对训练样本特征提取，能有效捕捉训练数据的非线性特征，在模式识别、回归分析中受到广泛重视和应用。在KPCA的求解过程中，需要特征值分解一个M*M的核矩阵(M表示训练样本数)，对样本特征提取时，只需计算该样本与构成这组基德样本间的核函数，实验结果验证该算法是有效的。

主权项

1.一种瓦斯浓度检测方法，其特征在于，采用KPCA算法用于鉴别“大数”，首先构造两种混合核函数，利用矢量的方法构建核矩阵，并利用核主成分分析计算核矩阵的特征向量；该算法通过训练样本在特征空间所张成的子空间的一组标准正交基，将训练集上的KPCA过程，转化为所有核训练样本在该组基下的坐标为数据集的PCA过程，同时对训练样本特征提取，在KPCA的求解过程中，将特征值分解一个M*M的核矩阵，其中M表示训练样本数，对样本特征提取时，只计算该样本与构成这组基本样本间的核函数；原始样本的测量，包括设置在矿井内、且能够由光驱动的透明气泵(3)和柔性光栅(9)；还包括设置在矿井外的光源发生单元及信号采集处理单元，光源发生单元发出的光通过光缆照射透明气泵(3)和柔性光栅(9)，光源发生单元与信号采集处理单元交互，柔性光栅(9)通过光缆与信号采集处理单元相连；在透明气泵(3)的顶部设有单向阀(12)，透明气泵(3)底部为含偶氮苯发光团的有机薄膜I(13)；柔性光栅(9)下端设有含偶氮苯发光团的有机薄膜II(15)；所述光源发生单元包括宽光谱红外光源(2)、第一紫外光光源(5)、第一可见光光源(6)、第二紫外光光源(7)及第二可见光光源(8)；其中，宽光谱红外光源(2)发出的光通过光纤照射透明气泵(3)，第一紫外光光源(5)和第一可见光光源(6)发出的光通过光纤照射透明气泵(3)底部的含偶氮苯发光团的有机薄膜I(13)；第二紫外光光源(7)和第二可见光光源(8)发出的光通过光纤照射柔性光栅(9)下端的含偶氮苯发光团的有机薄膜II(15)，所述信号采集处理单元包括计算机(1)、探测器(10)及信号调理电路(11)，柔性光栅(9)通过电缆与探测器(10)的输入端相连，探测器(10)的输出端与信号调理电路(11)的输入端相连，信号调理电路(11)的输出端与计算机(1)相连，通过以上系统获取瓦斯浓度原始数据样本；对原始样本的矩阵进行分解,选取前面M个最大特征值所对应的特征向量组成最优投影矩阵,通过将样本数据在最优投影矩阵上进行投影,达到数据分离脉冲干扰的目的；通过非线性映射将数据映射到线性可分的特征空间进行主成分析,计算过程中使用核函数来完成高维特征空间中矢量的内积计算；设xi∈Rp(i＝1,2,3…,N)为p维输入空间N个样本点，假设通过非线性变换φ将Rp映射到特征空间F(Rf)，即φ:Rp→F(Rf),φ(xi),(i＝1,2,3…,N)，在高维特征空间进行主成分分析是通过求解特征空间中样本矩阵的特征值和特征向量实现的，假设φ(xi),(i＝1,2,3…,N)是已经经过中心化处理后的高维特征空间向量，特征空间的协方差矩阵为：求解Cφ特征值特征向量的关系式为：Cφv＝λv  (2)其中λ和v分别表示矩阵Cφ的特征值和对应的特征向量，由于协方差矩阵是对称的，因而能找到r个标准正交特征向量，既式(2)存在r个非零解，但由于变换未知，矩阵Cφ无法获得，因而无法直接求解(2)的特征向量，依据再生核理论，特征向量v能够由空间F中的样本张成，既能够由φ(xj),(j＝1,2,3…,N)的线性组合表示：考虑等式：φ(x)·Cφv＝λ(φ(x)·v)  (4)将式(1)、(3)代入式(4)，令矩阵KN×N＝(φ(xi)·φ(xj))，(i，j＝1，2…N)可得：Kα＝nλα  (5)矩阵K称为核矩阵，通过上式求解矩阵K的特征值和特征向量，求解式(3)系数的问题转化为求解核矩阵的特征向量的问题，核矩阵K通过计算高维特征空间中矢量的内积形成，采用支持向量机技术中的和函数来完成，核函数通过原属性空间的计算变换实现高维特征空间内积值得计算；选择合适的核函数，求解核矩阵的特征值和特征向量，然后通过PCA的方法获取特征空间中的主成分方向矢量，假设取前m个特征值对应的特征矢量组成主成分方向矢量，则数据集的主成分方向矢量表示为v＝λ1v1+λ2v2+…+λmvm  (6)此处λ＝(λ1,λ2,…,λm)，表示归一化的特征值，归一化能保证主成分方向矢量的单位性；数据异常的度量：通过在高维特征空间进行主成分析，正常情况下数据的主成分方向矢量保持一致，采用主成分方向矢量的内积来衡量不同数据之间的差异，即：θ＝||  (7)此处仅采用第一个特征矢量作为数据的主成分方向矢量，即取m＝1，此时数据集1和2主成分方向矢量的内积为：主成分方向矢量之间的内积计算同样通过核函数的方法实现，基于异常度量方法，在异常瓦斯数据检测过程中将实际数据分为M段长度为N的数据子矩阵，每个子矩阵对应一个主成分方向矢量，其平均主成分方向矢量表示为：(β1，β2，β3…βr)＝(φ(xb1)，φ(xb2)，φ(xb3)，…，φ(xbr))C  (10)上式中sum(v_i)表示向量之间的各元素之和，参数c用于确保的单位性；瓦斯浓度异常数据检测算法流程：流程划分为两个阶段，训练阶段和检测阶段，训练阶段是通过历史数据获取数据分布的特征，估计分布模型参数；检测阶段是计算检测数据集的主成分方向矢量的分布概率，根据概率的大小判断瓦斯浓度数据是否出现异常，其详细的步骤如下：训练阶段(1)将样本数据进行划分为M段长度为N的数据子矩阵Dj(j＝1,2…M)；(2)选取合适的核函数用于高维特征空间的矢量内积；(3)采用KPCA的方法获取各数据子矩阵映射到高维特征空间后的主成分方向矢量vj；(4)通过M个v_j计算整个训练数据子矩阵的平均方向矢量(5)采用VMF分布模型描述历史数据主成分方向矢量的分布，并估计确定模型参数；检测阶段(1)求解数据子矩阵Dj+1的主成分方向矢量vj+1；(2)求解主成分方向单位矢量v_j+1与平均单位方向矢量的内积η；(3)使用下式计算分布概率并与预定义的门限值进行比较，若超过门限值，则认为瓦斯数据异常；