无监督学习AE和MVO-DBSCAN结合LIF在煤矿突水识别中的应用

论文摘要

快速准确的识别突水类型和突水来源对煤矿安全开采具有重要意义,激光诱导荧光（LIF）技术在检测中具有快速性和灵敏性,将LIF应用于煤矿突水的检测,再结合模式识别算法,可快速识别出突水来源。目前用于识别水样光谱的算法过于依赖预先建立的水样光谱数据库,当突水水源不在该库中时,易引发误识别。无监督学习算法DBSCAN在聚类时不需样本集的标签和类别信息,能降低对未知类别的误识别,因此把DBSCAN算法用于突水的激光诱导荧光光谱识别,并将MVO用于DBSCAN的参数寻优,省去繁琐的人工参数寻优过程。实验中,从谢桥煤矿采水点获取四个水样,利用像素为2 048的USB2000+光谱仪采集水样的荧光光谱,每种水样采集30组光谱数据。首先,利用无监督学习算法自动编码器（AE）对原始光谱数据降维,以减少光谱数据中冗余信息对聚类的影响,设计的AE的结构是介于浅层和深层之间的多层网络模型,可将原始光谱数据降到2维;为使降维模型具有稀疏性,在传统的AE算法中加入一个Dropout层,由实验可知,加入Dropout层后的降维模型具有较快的收敛速度。将多元宇宙优化（MVO）算法用于DBSCAN参数寻优,在参数寻优过程中, DBSCAN对降维后的水样光谱识别率最高为97.5%,此时参数所对应的取值范围为[0.023 66 0.040 65];为验证AE对水样光谱数据降维的有效性,把归一化后的未降维的光谱数据用于DBSCAN聚类识别, DBSCAN对原始水样光谱的识别率最高为95%,比降维后的后水样光谱识别率低了2.5%,结果表明,使用AE降维光谱数据,可提高DBSCAN对不同光谱的识别率。最后,用监督学习算法K最近邻（KNN）识别降维后的水样光谱,将识别结果和无监督学习算法DBSCAN的识别结果对比,其中训练集选用三种水样,测试集使用四种水样;在测试集中,监督学习算法只能准确地识别训练集所包含的水样类别,但把训练集没有的类别全部识别错误,而DBSCAN能准确的识别出训练集中没有的水样光谱。非线性降维算法AE能实现对高维的水样光谱数据降维,把MVO-DBSCAN用于煤矿突水水源的LIF光谱识别,可有效降低因矿井水源光谱数据库建立不完备而引起的误识别。

论文目录

文章来源

类型: 期刊论文

作者: 来文豪,周孟然,李大同,王亚,胡锋,赵舜,顾煜林

关键词: 煤矿突水,激光诱导荧光,光谱识别,密度聚类,多元宇宙优化,自动编码器,丢失

来源: 光谱学与光谱分析 2019年08期

年度: 2019

分类: 基础科学,工程科技Ⅰ辑

专业: 化学,矿业工程,安全科学与灾害防治

单位: 安徽理工大学电气与信息工程学院,阜阳师范学院计算机与信息工程学院,School of Electronic and Electrical Engineering University of Leeds

基金: 国家“十二五”科技支撑计划重点项目(2013BAK06B01),国家安全生产重大事故防治关键技术科技项目(anhui-0001-2016AQ),国家自然科学基金项目(51174258),安徽省自然科学基金面上项目(1808085MF202),安徽省高校科学研究重大项目(KJ2018ZD036)资助

分类号: O657.3;TD745

页码: 2437-2442

总页数: 6

文件大小: 1174K

下载量: 164

相关论文文献

• [1].基于DBSCAN算法处理的无线电干扰和温度相关性分析[J]. 电测与仪表 2020(03)
• [2].基于DBSCAN的时序数据异常检测阈值选择算法研究[J]. 现代计算机 2020(04)
• [3].基于DBSCAN的原子钟失步故障软件检测方法[J]. 指挥信息系统与技术 2020(02)
• [4].基于DBSCAN聚类改进随机森林算法的专利价值评估方法[J]. 科学技术与工程 2020(14)
• [5].基于DBSCAN算法的A区犯罪预测[J]. 信息技术与网络安全 2020(07)
• [6].DBSCAN算法研究及并行化实现[J]. 计算机工程与应用 2018(24)
• [7].基于spark框架的DBSCAN文本聚类算法[J]. 汕头大学学报(自然科学版) 2018(02)
• [8].基于DBSCAN算法的机场体系划分方法研究[J]. 兵器装备工程学报 2018(10)
• [9].基于并查集的DBSCAN算法设计[J]. 伊犁师范学院学报(自然科学版) 2014(04)
• [10].一种结合蚁群聚类算法的DBSCAN算法[J]. 池州学院学报 2014(06)
• [11].DBSCAN算法在无线网络优化中的应用[J]. 移动通信 2018(12)
• [12].改进的DBSCAN聚类算法在社会化标注中的应用[J]. 数据分析与知识发现 2018(12)
• [13].基于自适应蜂群优化的DBSCAN聚类算法[J]. 计算机工程与应用 2019(14)
• [14].基于自然邻居改进的DBSCAN算法[J]. 现代计算机(专业版) 2018(13)
• [15].基于区域划分的DBSCAN多密度聚类算法[J]. 计算机应用研究 2018(06)
• [16].基于重心点转移的St-DBSCAN改进算法[J]. 计算机技术与发展 2018(11)
• [17].基于DBSCAN子空间匹配的蜂窝网室内指纹定位算法[J]. 电子与信息学报 2017(05)
• [18].改进的DBSCAN聚类算法在云任务调度中的应用[J]. 北京邮电大学学报 2017(S1)
• [19].DBSCAN算法在通信电台关联上的应用[J]. 舰船电子工程 2011(06)
• [20].DBSCAN算法在通信电台关联上的应用[J]. 国防科技 2011(03)
• [21].基于改进DBSCAN算法的异常数据处理[J]. 软件导刊 2020(04)
• [22].一种基于DBSCAN算法的提升互联网网站归属判定准确率的方法[J]. 网络安全技术与应用 2020(06)
• [23].基于埃尔米特插值法的DBSCAN算法研究[J]. 南昌工程学院学报 2020(04)
• [24].一种基于k-均值的DBSCAN算法参数动态选择方法[J]. 计算机工程与应用 2017(03)
• [25].一种改进的DBSCAN算法[J]. 电脑知识与技术 2017(06)
• [26].论DBSCAN算法在图像分割中分类的实现[J]. 电子技术与软件工程 2013(12)
• [27].改进的快速DBSCAN算法[J]. 计算机应用 2009(09)
• [28].基于DBSCAN算法的切削载荷状态智能识别算法[J]. 组合机床与自动化加工技术 2020(04)
• [29].基于密度的快速DBSCAN算法在无线电自动定位中的应用[J]. 数字通信世界 2020(05)
• [30].基于高阶差分和网格划分算法的DBSCAN参数自动选取算法[J]. 计算机应用研究 2020(11)

标签：煤矿突水论文;  激光诱导荧光论文;  光谱识别论文;  密度聚类论文;  多元宇宙优化论文;  自动编码器论文;  丢失论文;