CN103729798A - 基于改进的K-Means聚类的煤矿安全评价系统 - Google Patents

基于改进的K-Means聚类的煤矿安全评价系统 Download PDF

Info

Publication number
CN103729798A
CN103729798A CN201410041849.3A CN201410041849A CN103729798A CN 103729798 A CN103729798 A CN 103729798A CN 201410041849 A CN201410041849 A CN 201410041849A CN 103729798 A CN103729798 A CN 103729798A
Authority
CN
China
Prior art keywords
mine
value
vector
density
cluster
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201410041849.3A
Other languages
English (en)
Other versions
CN103729798B (zh
Inventor
刘永利
付丽丽
郝丽静
王建芳
刘静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Technology
Original Assignee
Henan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Henan University of Technology filed Critical Henan University of Technology
Priority to CN201410041849.3A priority Critical patent/CN103729798B/zh
Publication of CN103729798A publication Critical patent/CN103729798A/zh
Application granted granted Critical
Publication of CN103729798B publication Critical patent/CN103729798B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种改进的K-Means聚类的煤矿安全评价系统，包括矿井安全数据输入模块、基于改进的K-Means聚类的数据分析模块、结果输出模块；矿井安全数据输入模块接收用户提交的矿井安全状态数据，基于改进的K-Means聚类的数据分析模块根据矿井安全状态数据，采用改进的K-Means聚类方法进行数据分析，结果输出模块显示数据分析的结果，为煤矿企业的安全管理决策提供辅助依据。采用本发明的煤矿安全评价系统后，可以对煤炭企业所属矿井安全评价的打分结果进行分析，实现煤矿安全评价的全面管理，其评价结果可为煤矿企业的管理决策提供重要的技术依据。

Description

基于改进的K-Means聚类的煤矿安全评价系统
技术领域
本发明属于煤矿安全领域。
 
背景技术
煤炭生产是一个多工序、多环节的综合性过程，而且煤矿生产过程复杂、环境恶劣，常常受到水、火、瓦斯、煤尘和冒顶等各种灾害事故的威胁。因此，煤矿安全问题一直是产业安全中一个尤为重要的问题。
对矿井的安全状况进行准确、全面评估是煤矿生产过程中非常关键的环节。煤矿矿井的安全状况受多个因素影响，如通风安全监控、瓦斯和粉尘防治、井下爆破安全、矿井防冒顶、矿井防透水等。研究这些因素之间的组合关系对矿井安全状况的影响，就可以采取合理的防范措施以降低生产中的安全风险，确保安全生产。
 
发明内容
基于上述各因素之间的相关性，本发明提出了一种基于改进K-Means算法的煤矿安全评价系统，对煤炭企业所属矿井安全评价指标结果进行分析。在煤矿安全管理中需要对通风安全监控、运输和提升、瓦斯和粉尘防治等多个因素进行综合考虑，在本系统中，针对煤矿安全管理中的通风安全监控、运输和提升、瓦斯和粉尘防治、矿井防火、井下爆破安全、矿井防冒顶、矿井防透水等7个因素进行综合分析，分析后的评价结论可以为煤矿企业的安全管理决策提供技术依据。
一种基于改进K-Means算法的煤矿安全评价系统，包括矿井安全数据输入模块、基于改进的K-Means聚类的数据分析模块、结果输出模块；矿井安全数据输入模块接收用户提交的矿井安全状态数据，基于改进的K-Means聚类的数据分析模块根据矿井安全状态数据，采用改进的K-Means聚类方法进行数据分析，结果输出模块显示数据分析的结果。
优选的，基于改进的K-Means聚类的数据分析模块采用以下方法进行聚类：
(1)数据准备：将第                                                
Figure 96570DEST_PATH_IMAGE001
个矿井表示为向量形式
Figure 395833DEST_PATH_IMAGE002
，其中分别表示矿井
Figure 991080DEST_PATH_IMAGE004
的通风安全监控数值、运输和提升数值、瓦斯和粉尘防治数值、矿井防火数值、井下爆破安全数值、矿井防冒顶数值、矿井防透水数值，得到N个矿井所对应的向量，将其记录为一个矿井向量空间
Figure 567872DEST_PATH_IMAGE006
，其中1≤i≤N，i为自然数，N为矿井个数。
(2)对数据使用改进的K-Means算法：针对N个矿井向量使用改进的K-Means聚类算法进行聚类，步骤如下：
1)使用余弦定理计算矿井向量空间中两两之间的余弦相似度，即
Figure 73939DEST_PATH_IMAGE007
，确定任意两个矿井向量之间的相似度，其中1≤i≤N，1≤j≤N，i和j均为自然数。
相似度评价标准为：两条矿井向量之间夹角的余弦值越接近于1，则这两个矿井安全评价数值的相似度越高；如果两条矿井向量之间夹角的余弦值越接近于0，则这两个矿井安全评价数值之间的相似度越低。
2)设置密度半径Eps，计算矿井向量空间
Figure 696682DEST_PATH_IMAGE006
中各个矿井向量的密度。其中密度半径Eps采用自适应方法产生，步骤如下：
考虑到人们期望样本的最大密度应该等于或者小于一个类中样本点的个数，用N/k得到一个类中的近似平均样本数，乘以一个系数（例如0.8或0.5)，使得最大密度控制在
Figure 579187DEST_PATH_IMAGE008
和之间，其中k为聚类的簇数目。
赋给Eps一个初始值，然后计算矿井向量空间中各个样本的密度，如果最大密度大于
Figure 843312DEST_PATH_IMAGE008
，则将Eps减去一个固定值（例如0.05)，如果最大密度小于
Figure 263929DEST_PATH_IMAGE009
，则将Eps加上一个固定值，然后再次计算各个样本的密度，直至最大密度控制在
Figure 890826DEST_PATH_IMAGE008
和
Figure 738696DEST_PATH_IMAGE009
之间时结束。此时得到的Eps值为最终的Eps值。以该Eps值为密度半径计算并记录矿井向量空间
Figure 663927DEST_PATH_IMAGE006
中各个矿井向量的密度。
3)找出矿井向量空间
Figure 419394DEST_PATH_IMAGE006
中密度最大的样本点，记为a q ，并将其加入到数据集合A q 中，并将其从矿井向量空间
Figure 746470DEST_PATH_IMAGE006
中删除。
4)根据
Figure 30820DEST_PATH_IMAGE010
中各个矿井向量与向量空间U中各个矿井向量之间的相似度，将向量空间U中与中样本相似度最高的样本加入到集合中去，同时将该样本从矿井向量空间U中删除，直到中的样本个数不少于某一给定阈值，该阈值一般用β×N/k表示.其中0<β<1。
5)重复执行3)、4)，并且规定，在第二次确定密度最大的样本点时，必须与第一次所确定的样本点
Figure 793874DEST_PATH_IMAGE011
之间相似度大于Eps，同样，在确定第三个密度最大的样本点
Figure 780285DEST_PATH_IMAGE012
时，必须要与前两次所确定的最大密度样本点
Figure 680108DEST_PATH_IMAGE013
之间相似度均大于Eps，以此类推确定其余的a q 。每执行一次步骤3)和4)，
Figure 246218DEST_PATH_IMAGE014
值加1，直至
Figure 938100DEST_PATH_IMAGE014
值大于k时结束，最终可得到
Figure 564253DEST_PATH_IMAGE015
这k个数据集合。
6)分别对
Figure 951372DEST_PATH_IMAGE015
各个数据集合计算其平均值，计算公式为
Figure 55594DEST_PATH_IMAGE016
，其中
Figure 742927DEST_PATH_IMAGE017
且
Figure 539982DEST_PATH_IMAGE018
为数据集合中的样本个数，可得
Figure 148818DEST_PATH_IMAGE019
这k个向量。将
Figure 728835DEST_PATH_IMAGE019
这k个数据作为K-Means算法的初始聚类中心。
7)以
Figure 739516DEST_PATH_IMAGE019
作为初始聚类中心，分配
Figure 707472DEST_PATH_IMAGE020
。使用余弦相似度方法计算矿井向量空间
Figure 334763DEST_PATH_IMAGE006
中各个矿井向量与这些聚类中心之间的相似度，确定
Figure 780788DEST_PATH_IMAGE021
时的，则将
Figure 207669DEST_PATH_IMAGE020
加入到聚类中心
Figure 791097DEST_PATH_IMAGE022
所标明的类簇
Figure 40813DEST_PATH_IMAGE023
中。
8)重新计算聚类中心。使用，其中且
Figure 557245DEST_PATH_IMAGE024
为数据集合
Figure 867004DEST_PATH_IMAGE025
中的样本个数，即将得到的每个类簇中的所有样本点的均值作为新的聚类中心。 
同时使用平方误差准则函数
Figure 937728DEST_PATH_IMAGE026
作为准则函数。
9)判断准则函数
Figure 397659DEST_PATH_IMAGE026
是否收敛，如果收敛则算法结束，否则返回7)继续执行。
最终可以得到k个类簇
Figure 237439DEST_PATH_IMAGE027
，即完成对矿井向量空间的聚类。在该算法中对于初始聚类中心的选取着重从高密度点处出发，并且按照一定的顺序进行选取，从而初始聚类中心的选取更为准确。
利用本发明的系统最终得到的簇
Figure 718099DEST_PATH_IMAGE027
，将矿井进行了重新分组，且聚类效果比普通的聚类方法更准确，能够为煤矿企业的安全生产提供更可靠的技术依据。
采用本发明的煤矿安全评价系统后，可以对煤炭企业所属矿井安全评价的打分结果进行分析，实现煤矿安全评价的全面管理，其评价结果可为煤矿企业的管理决策提供重要的技术依据。
 
附图说明
图1是基于改进的K-Means聚类的煤矿安全评价系统。
 
具体实施方式
如图1所示,在矿井安全数据输入模块中输入通风安全监控、运输和提升、瓦斯和粉尘防治、矿井防火、井下爆破安全、矿井防冒顶、矿井防透水7个影响因子, 基于改进的K-Means聚类的数据分析模块根据本发明提出的聚类方法对这些数据进行聚类分析,并在结果输出模块中输出最终分析结果。
基于改进的K-Means聚类的数据分析模块是该系统的核心部分，具体的数据处理过程如下：
(1)数据准备：将第
Figure 541699DEST_PATH_IMAGE001
个矿井表示为向量形式
Figure 398796DEST_PATH_IMAGE002
，其中分别表示矿井
Figure 400436DEST_PATH_IMAGE004
的通风安全监控数值、运输和提升数值、瓦斯和粉尘防治数值、矿井防火数值、井下爆破安全数值、矿井防冒顶数值、矿井防透水数值，得到N个矿井所对应的向量，将其记录为一个矿井向量空间
Figure 840962DEST_PATH_IMAGE006
，其中1≤i≤N，i为自然数，N为矿井个数。
(2)对数据使用改进的K-Means算法：针对N个矿井向量使用改进的K-Means聚类算法进行聚类，步骤如下：
1)使用余弦定理计算矿井向量空间
Figure 920913DEST_PATH_IMAGE006
中两两之间的余弦相似度，即
Figure 8955DEST_PATH_IMAGE007
，确定任意两个矿井向量之间的相似度，其中1≤i≤N，1≤j≤N，i和j均为自然数。
相似度评价标准为：两条矿井向量之间夹角的余弦值越接近于1，则这两个矿井安全评价数值的相似度越高；如果两条矿井向量之间夹角的余弦值越接近于0，则这两个矿井安全评价数值之间的相似度越低。
2)设置密度半径Eps，计算矿井向量空间
Figure 275988DEST_PATH_IMAGE006
中各个矿井向量的密度。其中密度半径Eps采用自适应方法产生，步骤如下：
考虑到人们期望样本的最大密度应该等于或者小于一个类中样本点的个数，用N/k得到一个类中的近似平均样本数，乘以一个系数（例如0.8或0.5)，使得最大密度控制在和
Figure 284712DEST_PATH_IMAGE009
之间，其中k为聚类的簇数目。
赋给Eps一个初始值，然后计算矿井向量空间
Figure 543656DEST_PATH_IMAGE006
中各个样本的密度，如果最大密度大于
Figure 563564DEST_PATH_IMAGE008
，则将Eps减去一个固定值（例如0.05)，如果最大密度小于
Figure 566155DEST_PATH_IMAGE009
，则将Eps加上一个固定值，然后再次计算各个样本的密度，直至最大密度控制在
Figure 89540DEST_PATH_IMAGE008
和
Figure 253806DEST_PATH_IMAGE009
之间时结束。此时得到的Eps值为最终的Eps值。以该Eps值为密度半径计算并记录矿井向量空间中各个矿井向量的密度。
3)找出矿井向量空间
Figure 649758DEST_PATH_IMAGE006
中密度最大的样本点，记为a q ，并将其加入到数据集合A q 中，并将其从矿井向量空间
Figure 721620DEST_PATH_IMAGE006
中删除。
4)根据
Figure 99511DEST_PATH_IMAGE010
中各个矿井向量与向量空间U中各个矿井向量之间的相似度，将向量空间U中与
Figure 700257DEST_PATH_IMAGE010
中样本相似度最高的样本加入到集合
Figure 570124DEST_PATH_IMAGE010
中去，同时将该样本从矿井向量空间U中删除，直到
Figure 914518DEST_PATH_IMAGE010
中的样本个数不少于某一给定阈值，该阈值一般用β×N/k表示.其中0<β<1。
5)重复执行3)、4)，并且规定，在第二次确定密度最大的样本点
Figure 412495DEST_PATH_IMAGE028
时，必须与第一次所确定的样本点
Figure 449721DEST_PATH_IMAGE011
之间相似度大于Eps，同样，在确定第三个密度最大的样本点
Figure 665939DEST_PATH_IMAGE012
时，必须要与前两次所确定的最大密度样本点
Figure 548444DEST_PATH_IMAGE013
之间相似度均大于Eps，以此类推确定其余的a q 。每执行一次步骤3)和4)，
Figure 556720DEST_PATH_IMAGE014
值加1，直至
Figure 233689DEST_PATH_IMAGE014
值大于k时结束，最终可得到这k个数据集合。
6)分别对
Figure 888979DEST_PATH_IMAGE015
各个数据集合计算其平均值，计算公式为
Figure 95969DEST_PATH_IMAGE016
，其中
Figure 209419DEST_PATH_IMAGE017
且
Figure 541174DEST_PATH_IMAGE018
为数据集合
Figure 765482DEST_PATH_IMAGE029
中的样本个数，可得这k个向量。将
Figure 908067DEST_PATH_IMAGE019
这k个数据作为K-Means算法的初始聚类中心。
7)以
Figure 55015DEST_PATH_IMAGE019
作为初始聚类中心，分配。使用余弦相似度方法计算矿井向量空间中各个矿井向量与这些聚类中心之间的相似度，确定
Figure 421853DEST_PATH_IMAGE021
时的
Figure 877106DEST_PATH_IMAGE022
，则将
Figure 776928DEST_PATH_IMAGE020
加入到聚类中心
Figure 874197DEST_PATH_IMAGE022
所标明的类簇
Figure 910287DEST_PATH_IMAGE023
中。
8)重新计算聚类中心。使用
Figure 536440DEST_PATH_IMAGE030
，其中且为数据集合
Figure 434306DEST_PATH_IMAGE025
中的样本个数，即将得到的每个类簇中的所有样本点的均值作为新的聚类中心。 
同时使用平方误差准则函数作为准则函数。
9)判断准则函数
Figure 590481DEST_PATH_IMAGE026
是否收敛，如果收敛则算法结束，否则返回7)继续执行。
最终可以得到k个类簇，即完成对矿井向量空间
Figure 527530DEST_PATH_IMAGE006
的聚类。在该算法中对于初始聚类中心的选取着重从高密度点处出发，并且按照一定的顺序进行选取，从而初始聚类中心的选取更为准确。

Claims (3)

1.一种基于改进的K-Means聚类的煤矿安全评价系统，包括矿井安全数据输入模块、基于改进的K-Means聚类的数据分析模块、结果输出模块；矿井安全数据输入模块接收用户提交的矿井安全状态数据，基于改进的K-Means聚类的数据分析模块根据矿井安全状态数据，采用改进的K-Means聚类方法进行数据分析，结果输出模块显示数据分析的结果；其特征在于：在基于改进的K-Means聚类的数据分析模块中，采用以下方法进行数据分析：
(1)数据准备：将第i个矿井K i 表示为向量形式 
Figure 847454DEST_PATH_IMAGE001
，其中x i1, x i2, x i3, x i4, x i5, x i6, x i7分别表示矿井K i 的通风安全监控数值、运输和提升数值、瓦斯和粉尘防治数值、矿井防火数值、井下爆破安全数值、矿井防冒顶数值、矿井防透水数值，得到N个矿井所对应的向量
Figure 764595DEST_PATH_IMAGE002
，将其记录为一个矿井向量空间
Figure 544332DEST_PATH_IMAGE003
，其中1≤i≤N，i为自然数，N为矿井个数；
(2)对数据使用改进的K-Means算法：针对N个矿井向量使用改进的K-Means聚类算法进行聚类，步骤如下：
1)使用余弦定理计算矿井向量空间中两两之间的余弦相似度，即
Figure 782284DEST_PATH_IMAGE004
，确定任意两个矿井向量之间的相似度，其中1≤i≤N，1≤j≤N，i和j均为自然数；相似度评价时，两条矿井向量之间夹角的余弦值越接近于1，则这两个矿井安全评价数值的相似度越高；如果两条矿井向量之间夹角的余弦值越接近于0，则这两个矿井安全评价数值之间的相似度越低；
2)设置密度半径Eps，计算矿井向量空间
Figure 596656DEST_PATH_IMAGE003
中各个矿井向量的密度，其中密度半径Eps采用自适应方法产生，步骤如下：用N/k得到一个类中的近似平均样本数，乘以一个系数，使得最大密度控制在0.8×N/k和0.5×N/k之间，其中k为聚类的簇数目；
赋给Eps一个初始值，然后计算矿井向量空间
Figure 419119DEST_PATH_IMAGE003
中各个样本的密度，如果最大密度大于0.8×N/k，则将Eps减去一个固定值，如果最大密度小于0.5×N/k，则将Eps加上一个该固定值，然后再次计算各个样本的密度，直至最大密度控制在0.8×N/k和0.5×N/k之间时结束，此时得到的Eps值为最终的Eps值，以该Eps值为密度半径计算并记录矿井向量空间
Figure 154994DEST_PATH_IMAGE003
中各个矿井向量的密度；
3)找出矿井向量空间
Figure 353894DEST_PATH_IMAGE003
中密度最大的样本点，记为
Figure 22772DEST_PATH_IMAGE005
，并将其加入到数据集合
Figure 609612DEST_PATH_IMAGE006
中，并将其从矿井向量空间
Figure 363941DEST_PATH_IMAGE003
中删除，其中；
4)根据
Figure 93180DEST_PATH_IMAGE008
中各个矿井向量与向量空间U中各个矿井向量之间的相似度，将向量空间U中与中样本相似度最高的样本加入到集合
Figure 108857DEST_PATH_IMAGE008
中去，同时将该样本从矿井向量空间U中删除，直到中的样本个数不少于某一给定阈值，该阈值一般用β×N/k表示，其中0<β<1；
5)重复执行3)、4)，在第二次确定密度最大的样本点
Figure 27452DEST_PATH_IMAGE009
时，必须与第一次所确定的样本点之间相似度大于Eps，同样，在确定第三个密度最大的样本点
Figure 560381DEST_PATH_IMAGE011
时，必须要与前两次所确定的最大密度样本点
Figure 639196DEST_PATH_IMAGE012
之间相似度均大于Eps，以此类推确定其余的
Figure 137173DEST_PATH_IMAGE005
；每执行一次步骤3)和4)，
Figure 502295DEST_PATH_IMAGE013
值加1，直至
Figure 452934DEST_PATH_IMAGE013
值大于k时结束，最终可得到
Figure 335439DEST_PATH_IMAGE014
这k个数据集合；
6)分别对各个数据集合计算其平均值，计算公式为
Figure 99313DEST_PATH_IMAGE015
，其中
Figure 537247DEST_PATH_IMAGE016
,
Figure 812326DEST_PATH_IMAGE017
且n m 为数据集合
Figure 284896DEST_PATH_IMAGE018
中的样本个数，可得这k个向量；将这k个数据作为K-Means算法的初始聚类中心；
7)以
Figure 16726DEST_PATH_IMAGE019
作为初始聚类中心，分配
Figure 78222DEST_PATH_IMAGE020
；使用余弦相似度方法计算矿井向量空间
Figure 362573DEST_PATH_IMAGE003
中各个矿井向量与这些聚类中心之间的相似度，确定
Figure 368575DEST_PATH_IMAGE021
时的
Figure 396574DEST_PATH_IMAGE022
，则将
Figure 578157DEST_PATH_IMAGE020
加入到聚类中心
Figure 236671DEST_PATH_IMAGE022
所标明的类簇
Figure 136494DEST_PATH_IMAGE023
中，其中1≤v≤k；
8)重新计算聚类中心；使用
Figure 702605DEST_PATH_IMAGE024
，其中
Figure 348481DEST_PATH_IMAGE025
且
Figure 709055DEST_PATH_IMAGE026
为数据集合
Figure 96174DEST_PATH_IMAGE027
中的样本个数，即将得到的每个类簇中的所有样本点的均值作为新的聚类中心； 
同时使用平方误差准则函数
Figure 934817DEST_PATH_IMAGE028
作为准则函数；
9)判断准则函数
Figure 825413DEST_PATH_IMAGE028
是否收敛，如果收敛则算法结束，否则返回7)继续执行；最终可以得到k个类簇
Figure 622467DEST_PATH_IMAGE029
，完成对矿井向量空间的聚类。
2.根据权利要求1所述的基于改进的K-Means聚类的煤矿安全评价系统，其特征在于：所述系数为0.8或0.5。
3.根据权利要求1所述的基于改进的K-Means聚类的煤矿安全评价系统，其特征在于：所述的固定值为0.05。
CN201410041849.3A 2014-01-29 2014-01-29 基于改进的K-Means聚类的煤矿安全评价系统 Expired - Fee Related CN103729798B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410041849.3A CN103729798B (zh) 2014-01-29 2014-01-29 基于改进的K-Means聚类的煤矿安全评价系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410041849.3A CN103729798B (zh) 2014-01-29 2014-01-29 基于改进的K-Means聚类的煤矿安全评价系统

Publications (2)

Publication Number Publication Date
CN103729798A true CN103729798A (zh) 2014-04-16
CN103729798B CN103729798B (zh) 2017-01-11

Family

ID=50453859

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410041849.3A Expired - Fee Related CN103729798B (zh) 2014-01-29 2014-01-29 基于改进的K-Means聚类的煤矿安全评价系统

Country Status (1)

Country Link
CN (1) CN103729798B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104850998A (zh) * 2015-04-15 2015-08-19 浙江大学 一种基于聚类的移动应用下载量预测方法
CN109389178A (zh) * 2018-10-26 2019-02-26 深圳市元征科技股份有限公司 一种维修厂评级方法、系统及电子设备和存储介质
CN109885685A (zh) * 2019-02-01 2019-06-14 珠海世纪鼎利科技股份有限公司 情报数据处理的方法、装置、设备及存储介质
CN110399549A (zh) * 2018-04-24 2019-11-01 河南理工大学 一种面向用户兴趣调和相似度的协同过滤方法
CN110717033A (zh) * 2018-06-26 2020-01-21 百度在线网络技术（北京）有限公司 文本分类噪声监测方法、装置、设备及计算机可读介质
CN111163075A (zh) * 2019-12-25 2020-05-15 北京科东电力控制系统有限责任公司 电力监控系统设备性能指标阈值动态调整方法
CN111580500A (zh) * 2020-05-11 2020-08-25 吉林大学 一种针对自动驾驶汽车安全性的评价方法
CN114997742A (zh) * 2022-07-19 2022-09-02 煤炭科学研究总院有限公司 基于注意力机制和聚类算法的微震事件危险性分析方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103368979A (zh) * 2013-08-08 2013-10-23 电子科技大学 一种基于改进K-means算法的网络安全性验证装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103368979A (zh) * 2013-08-08 2013-10-23 电子科技大学 一种基于改进K-means算法的网络安全性验证装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
侯寒冰等: "基于K-means聚类分析的地铁施工风险评价方法", 《中国房地产业》 *
穆文瑜等: "基于K-Means聚类的瓦斯浓度预测", 《计算机应用》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104850998A (zh) * 2015-04-15 2015-08-19 浙江大学 一种基于聚类的移动应用下载量预测方法
CN104850998B (zh) * 2015-04-15 2018-11-02 浙江大学 一种基于聚类的移动应用下载量预测方法
CN110399549A (zh) * 2018-04-24 2019-11-01 河南理工大学 一种面向用户兴趣调和相似度的协同过滤方法
CN110717033A (zh) * 2018-06-26 2020-01-21 百度在线网络技术（北京）有限公司 文本分类噪声监测方法、装置、设备及计算机可读介质
CN109389178A (zh) * 2018-10-26 2019-02-26 深圳市元征科技股份有限公司 一种维修厂评级方法、系统及电子设备和存储介质
CN109885685A (zh) * 2019-02-01 2019-06-14 珠海世纪鼎利科技股份有限公司 情报数据处理的方法、装置、设备及存储介质
CN111163075A (zh) * 2019-12-25 2020-05-15 北京科东电力控制系统有限责任公司 电力监控系统设备性能指标阈值动态调整方法
CN111580500A (zh) * 2020-05-11 2020-08-25 吉林大学 一种针对自动驾驶汽车安全性的评价方法
CN111580500B (zh) * 2020-05-11 2022-04-12 吉林大学 一种针对自动驾驶汽车安全性的评价方法
CN114997742A (zh) * 2022-07-19 2022-09-02 煤炭科学研究总院有限公司 基于注意力机制和聚类算法的微震事件危险性分析方法

Also Published As

Publication number Publication date
CN103729798B (zh) 2017-01-11

Similar Documents

Publication Publication Date Title
CN103729798A (zh) 基于改进的K-Means聚类的煤矿安全评价系统
ATE550682T1 (de) Methode zur veränderung der proportionen von gesteinsfazien bei der einstellung einer zeitreihe eines geologischen modells
US11644856B2 (en) Energy consumption assessment
CN110472363B (zh) 适用于高速铁路隧道的围岩变形等级预测方法及系统
CN104820771B (zh) 一种航天工程制造成熟度等级确定方法
CN110874744B (zh) 一种数据异常检测方法及装置
EA201390369A1 (ru) Система и способ для идентификации низкосернистой зоны в пластах-коллекторах сланцевого газа
WO2019091134A1 (zh) 煤层顶板砂岩富水性等级预测方法
CN111931848B (zh) 数据的特征提取方法、装置、计算机设备及存储介质
CN103198362A (zh) 一种煤矿安全评估的方法
Ji et al. Study on key technology of identification of mine water inrush source by PSO-LightGBM
CN112668749B (zh) 一种基于类标加权极限学习机的煤矿瓦斯预警方法
CN109558976A (zh) 一种基于多维信息的冲击地压危险性辨识方法
CN112324505A (zh) 一种承压水上采煤微震突水预警方法、装置及终端设备
Cheng et al. A reliability allocation model and application in designing a mine ventilation system
CN103136446A (zh) 基于优化输入层的bp神经网络预报滑坡的方法
Cheng et al. Mathematical models for optimizing and evaluating mine ventilation system
Lan et al. Probabilistic prediction of mine dynamic disaster risk based on multiple factor pattern recognition
CN103093390A (zh) 一种基于联合聚类的煤矿安全评价系统
Wang Quality measurements for association rules hiding
CN112699559A (zh) 一种基于沉降速率信息熵安全值的安全评价方法及系统
CN104615874A (zh) 一种矿车坠落故障模式分析方法
Xin et al. Standard deviation control chart based on weighted standard deviation method
Yue et al. Prediction of gas concentration based on the opposite degree algorithm
Yu et al. Prediction of top-coal caving and drawing characteristics using artificial neural networks in extremely thick coal seam

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170111

Termination date: 20210129

CF01 Termination of patent right due to non-payment of annual fee