CN107422373A - 一种基于特征漂移的煤矿冲击地压灾害在线预警方法 - Google Patents
一种基于特征漂移的煤矿冲击地压灾害在线预警方法 Download PDFInfo
- Publication number
- CN107422373A CN107422373A CN201710263634.XA CN201710263634A CN107422373A CN 107422373 A CN107422373 A CN 107422373A CN 201710263634 A CN201710263634 A CN 201710263634A CN 107422373 A CN107422373 A CN 107422373A
- Authority
- CN
- China
- Prior art keywords
- feature
- cfs
- data
- mrow
- svm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 239000003245 coal Substances 0.000 title claims abstract description 13
- 239000011435 rock Substances 0.000 title claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 11
- 239000000203 mixture Substances 0.000 claims abstract description 9
- 238000013480 data collection Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 2
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/288—Event detection in seismic signals, e.g. microseismics
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Acoustics & Sound (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于特征漂移的煤矿冲击地压灾害在线预警方法,属于信息处理技术领域,本发明应用非线性信号分析理论对时窗内的微震数据流进行处理,对每个微震事件提取出8个时频域数据组成特征向量,更能准确描述微震数据在冲击地压灾变前后的漂移规律;引入最小二乘支持向量机(LS‑SVM)对样本数据进行学习与训练,得出LS‑SVM分类器,使用LS‑SVM分类器对微震监测数据流进行分类,进而发现冲击地压灾变前兆并在线预警,相较于常规阈值预警方法鲁棒性更强。
Description
技术领域
本发明属于信息处理技术领域,具体涉及一种基于特征漂移的煤矿冲击地压灾害在线预警方法。
背景技术
冲击地压是一种典型的煤岩动力灾害,具有孕灾过程长、发生突然、破坏力强等特征,对煤矿安全生产构成巨大威胁。目前,微震监测已成为煤矿冲击地压监测预警的重要手段之一,国内外开展这方面的研究也已有多年历史,取得了丰硕的成果,但由于冲击地压发生机理十分复杂,已有的微震监测预警方法大多基于对微震事件数及能量的静态统计,通过设定阈值进行监测预警,且阈值设定需要综合考虑多方面的因素,有时甚至需要不断调整相关参数,大大限制了微震监测预警系统的推广应用,同时也使预警的准确率大打折扣。换而言之,这些预警方法没有充分考虑冲击地压孕灾的过程特征,特别是微震监测数据流的漂移特征,导致其推广应用困难、预警准确率低。
在微震监测过程中,产生了大量的微震监测数据,这些微震监测数据以数据流的形式存在,并且在不断膨胀,而对这些数据的利用目前还仅停留在微震事件数统计及能量计算层面,还没有对数据流所蕴含的特征规律进行深入分析研究,出现了数据丰富、但可利用信息和知识贫乏的尴尬局面。因此,基于机器学习及数据挖掘技术对微震监测流数据进行分析处理,进而获得监测数据流的漂移特征及规律,对于提高冲击地压灾害预警的准确率具有重要意义。
发明内容
针对现有技术中存在的上述技术问题,本发明提出了一种基于特征漂移的煤矿冲击地压灾害在线预警方法,设计合理,克服了现有技术的不足,具有良好的效果。
为了实现上述目的,本发明采用如下技术方案:
一种基于特征漂移的煤矿冲击地压灾害在线预警方法,包括如下步骤:
步骤1:构建并训练最小二乘支持向量机(LS-SVM)分类器M;
微震数据流表示为S={d1,d2,...,di,...},其中di=[f1,f2,...,f8]是维度为8的数据点,每个di为一个独立的微震事件,f1~f8组成的集合称为微震事件di的特征集,记为F;
设冲击地压灾害类别为C={C1,C2,C3},分别表示煤矿生产处于正常、危险、临界三种状态,对应于绿色、黄色、红色三种预警信号;
输入:从历史监测数据中选择3a个微震数据段,且a≥200,每个微震数据段包含100个微震事件,记为数据集SC;其中对应C1状态的微震数据段a个,记为SC1数据集,对应C2状态的微震数据段a个,记为SC2数据集,对应C3状态的微震数据段a个,记为SC3数据集;
输出:LS-SVM分类器M;
具体包括如下步骤:
步骤1.1:使用高斯径向基函数作为核函数,构建初始LS-SVM分类器M,令正规化参数γ=0.1及核函数参数δ2=1;
步骤1.2:将数据集SC随机均分成b份,且b≥10,并使每份都含有等量的SC1、SC2、SC3数据集样本;
步骤1.3:取前b-1份作为训练集,余下的1份作为验证集,先用训练集对初始LS-SVM分类器M进行训练,再用验证集对初始LS-SVM分类器M进行验证;
步骤1.4:调整初始LS-SVM分类器M的正规化参数γ及核函数参数δ2,将步骤1.2-步骤1.3重复b次,将b次过程中分类准确率最高的正规化参数γ及核函数参数δ2作为初LS-SVM分类器M的最优参数;
步骤1.5:输出LS-SVM分类器M;
步骤2:分段处理
对微震事件进行分段处理,当计算机缓存中的微震事件数达到设定阈值Q=100时,记该缓存窗口为W,转步骤3对缓存窗口W中的微震数据进行处理;
步骤3:特征度量
针对缓存窗口W中的微震数据,采用熵估计法计算微震数据特征集F=[f1,f2,...,f8]中每个特征的度量值FM,其表达式如公式(1)所示:
其中,tik为微震事件di和第k个近邻在一维子空间的欧几里得距离;lik为微震事件di和第k个近邻在p-1维子空间的欧几里得距离;n为微震事件个数,取值为100;p为微震事件特征维数,取值为8;
根据公式(1)计算特征集F中所有特征fi的FM值,并按从大到小的次序存入数组FMS=[FM1,FM2,…,FM8];
步骤4:关键特征选择
从F=[f1,f2,...,f8]中选择关键特征;
输入:缓存窗口W中的微震数据集S,特征集F;已标记的先验微震数据集及根据先验知识构造的LS-SVM分类器M,阈值τ=0.001;
输出:关键特征集CFS;
具体包括如下步骤:
步骤4.1:令数组FMS中元素个数=m;
步骤4.2:在数组FMS中取前m个特征组成特征集CFS1,利用先验微震数据集和LS-SVM分类器M计算分类精度γi;
步骤4.3:在数组FMS中取前m-1个特征组成特征集CFS2,利用先验微震数据集和LS-SVM分类器M计算分类精度γi-1;
步骤4.4:若|γm-γm-1|<τ且m>1,则令m=m-1,然后转步骤4.2;否则转步骤4.5;
步骤4.5:关键特征集CFS=CFS1;
步骤5:特征漂移判断,具体包括如下步骤:
步骤5.1:利用步骤4所述方法对缓存窗口W中的数据进行关键特征选择,得到关键特征集CFSj=CFS;
步骤5.2:清空缓存窗口W,继续接收微震事件,当缓存窗口W中微震事件个数达到100个时,利用步骤4所述方法对缓存窗口W中的数据进行关键特征选择,得到关键特征集CFSj+1=CFS;
步骤5.3:判断CFSj与CFSj+1的大小;
若:判断结果为CFSj=CFSj+1,则没有特征漂移发生,令j=j+1,然后转步骤5.2;
或判断结果为CFSj≠CFSj+1,则有特征漂移发生,此时利用特征集CFSj+1训练新的特征分类器Mnew,然后转步骤6;
步骤6:输出灾害状态
利用新的特征分类器Mnew对缓存窗口W中的数据段进行分类,输出分类标号即输出C1-绿色,C2-黄色,C3-红色三类中其中的任意一种标号,并启动相应级别的预警信号。
本发明所带来的有益技术效果:
本发明应用非线性信号分析理论对时窗内的微震数据流进行处理,对每个微震事件提取出8个时频域数据组成特征向量,更能准确描述微震数据在冲击地压灾变前后的漂移规律;引入最小二乘支持向量机对样本数据进行学习与训练,得出LS-SVM分类器,使用LS-SVM分类器发现隐藏在微震监测数据流中特征漂移规律,进而发现冲击地压灾变前兆并在线预警,相较于常规阈值预警方法鲁棒性更强。
附图说明
图1为本发明一种基于特征漂移的煤矿冲击地压灾害在线预警方法的流程图。
图2为本发明中微震数据段的示意图。
图3为本发明中微震事件的示意图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
一种基于特征漂移的煤矿冲击地压灾害在线预警方法(如图1所示),包括以下步骤:
步骤1:训练分类器。
选择600个微震数据段,其中对应C1、C2、C3状态的微震数据段各200个。每个数据段均包含有100个微震事件(如图2所示),数据段中每个微震事件的时序序列如图3所示。针对每个微震事件,提取微震事件的均值f1、方差f2、均方根值f3、峰值f4、峰值因子f5、偏度f6、频率重心f7及能量f8共8个时频域特征,组成表征该微震事件的特征向量,图3中微震事件对应的特征向量可表示为:f=[0.009865,0.001,0.0091,0.012356,0.00003,0.00021,102.52,214.55],其余微震事件均可表示为形如特征向量f的格式,如表1所示。初始化LS-SVM,取正规化参数γ=0.1、核函数参数δ2=1;把表1中的600个微震数据段对应的特征向量随机分成10份,且使每份都含有等量的SC1、SC2、SC3数据集样本。取前9份作为训练集,余下的1份作为验证集,先用训练集对初始分类器M进行训练,再利用验证集对分类器M进行验证;调整LS-SVM的正规化参数γ及核函数参数δ2,重复该过程10次,使数据集SC中的所有样本既参与了训练又参与了测试,取10次过程中分类准确率最高的正规化参数γ及核函数参数δ2作为LS-SVM分类器的最优参数,即可得到最新的分类器M。
表1微震事件特征向量及对应的灾变状态
步骤2:分段处理。
拾震器把采集到微震事件传输给计算机缓存,当计算机接收到的微震事件数目达到100时,把数据存入数据窗口W,同时清空缓存继续接收微震事件,并转步骤3对W中的数据进行处理。
步骤3:特征度量。
按照公式(1)计算出W窗口内微震事件的8个特征度量值,对于表1中前100行数据计算出8个特征度量值为FM=[0.6587(f1),0.7825(f2),0.3564(f3),0.8457(f4),0.6598(f5),0.3286(f6),0.4256(f7),0.5542(f8)];按从大到小的顺序存放入数组FMS=[0.8457(f4),0.7825(f2),0.6598(f5),0.6587(f1),0.5542(f8),0.4256(f7),0.3564(f3),0.3286(f6)]。
步骤4:关键特征选择。
对于W窗口中的数据,进行关键特征选择,得到关键特征集合为CFSj=[f4,f2,f5,f1,f8,f7]。
步骤5:特征漂移判断。
清空W窗口中数据,继续接收微震事件,当微震事件数达到100时,进行关键特征选择,得到的关键特征集合为CFSj+1=[f4,f2,f5,f1,f8,f7,f3],由于CFSj≠CFSj+1,说明微震数据流特征发生了漂移,此时利用新的特征集CFSj+1训练结合先验数据集训练新的特征分类器Mnew。
步骤6:输出灾害状态。
利用新的特征分类器Mnew对新近到来的数据段进行分类,输出分类标号为:C2-黄色,并启动冲击地压黄色预警信号。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (1)
1.一种基于特征漂移的煤矿冲击地压灾害在线预警方法,其特征在于:包括如下步骤:
步骤1:构建并训练最小二乘支持向量机(LS-SVM)分类器M;
微震数据流表示为S={d1,d2,...,di,...},其中di=[f1,f2,...,f8]是维度为8的数据点,每个di为一个独立的微震事件,f1~f8组成的集合称为微震事件di的特征集,记为F;
设冲击地压灾害类别为C={C1,C2,C3},分别表示煤矿生产处于正常、危险、临界三种状态,对应于绿色、黄色、红色三种预警信号;
输入:从历史监测数据中选择3a个微震数据段,且a≥200,每个微震数据段包含100个微震事件,记为数据集SC;其中对应C1状态的微震数据段a个,记为SC1数据集,对应C2状态的微震数据段a个,记为SC2数据集,对应C3状态的微震数据段a个,记为SC3数据集;
输出:LS-SVM分类器M;
具体包括如下步骤:
步骤1.1:使用高斯径向基函数作为核函数,构建初始LS-SVM分类器M,令正规化参数γ=0.1及核函数参数δ2=1;
步骤1.2:将数据集SC随机均分成b份,且b≥10,并使每份都含有等量的SC1、SC2、SC3数据集样本;
步骤1.3:取前b-1份作为训练集,余下的1份作为验证集,先用训练集对初始LS-SVM分类器M进行训练,再用验证集对初始LS-SVM分类器M进行验证;
步骤1.4:调整初始LS-SVM分类器M的正规化参数γ及核函数参数δ2,将步骤1.2-步骤1.3重复b次,将b次过程中分类准确率最高的正规化参数γ及核函数参数δ2作为初LS-SVM分类器M的最优参数;
步骤1.5:输出LS-SVM分类器M;
步骤2:分段处理
对微震事件进行分段处理,当计算机缓存中的微震事件数达到设定阈值Q=100时,记该缓存窗口为W,转步骤3对缓存窗口W中的微震数据进行处理;
步骤3:特征度量
针对缓存窗口W中的微震数据,采用熵估计法计算微震数据特征集F=[f1,f2,...,f8]中每个特征的度量值FM,其表达式如公式(1)所示:
<mrow>
<mi>F</mi>
<mi>M</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>t</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mi>p</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>l</mi>
<mrow>
<mi>i</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,tik为微震事件di和第k个近邻在一维子空间的欧几里得距离;lik为微震事件di和第k个近邻在p-1维子空间的欧几里得距离;n为微震事件个数,取值为100;p为微震事件特征维数,取值为8;
根据公式(1)计算特征集F中所有特征fi的FM值,并按从大到小的次序存入数组FMS=[FM1,FM2,…,FM8];
步骤4:关键特征选择
从F=[f1,f2,...,f8]中选择关键特征;
输入:缓存窗口W中的微震数据集S,特征集F;已标记的先验微震数据集及根据先验知识构造的LS-SVM分类器M,阈值τ=0.001;
输出:关键特征集CFS;
具体包括如下步骤:
步骤4.1:令数组FMS中元素个数=m;
步骤4.2:在数组FMS中取前m个特征组成特征集CFS1,利用先验微震数据集和LS-SVM分类器M计算分类精度γi;
步骤4.3:在数组FMS中取前m-1个特征组成特征集CFS2,利用先验微震数据集和LS-SVM分类器M计算分类精度γi-1;
步骤4.4:若|γm-γm-1|<τ且m>1,则令m=m-1,然后转步骤4.2;否则转步骤4.5;
步骤4.5:关键特征集CFS=CFS1;
步骤5:特征漂移判断,具体包括如下步骤:
步骤5.1:利用步骤4所述方法对缓存窗口W中的数据进行关键特征选择,得到关键特征集CFSj=CFS;
步骤5.2:清空缓存窗口W,继续接收微震事件,当缓存窗口W中微震事件个数达到100个时,利用步骤4所述方法对缓存窗口W中的数据进行关键特征选择,得到关键特征集CFSj+1=CFS;
步骤5.3:判断CFSj与CFSj+1的大小;
若:判断结果为CFSj=CFSj+1,则没有特征漂移发生,令j=j+1,然后转步骤5.2;
或判断结果为CFSj≠CFSj+1,则有特征漂移发生,此时利用特征集CFSj+1训练新的特征分类器Mnew,然后转步骤6;
步骤6:输出灾害状态
利用新的特征分类器Mnew对缓存窗口W中的数据段进行分类,输出分类标号即输出C1-绿色,C2-黄色,C3-红色三类中其中的任意一种标号,并启动相应级别的预警信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710263634.XA CN107422373B (zh) | 2017-04-21 | 2017-04-21 | 一种基于特征漂移的煤矿冲击地压灾害在线预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710263634.XA CN107422373B (zh) | 2017-04-21 | 2017-04-21 | 一种基于特征漂移的煤矿冲击地压灾害在线预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107422373A true CN107422373A (zh) | 2017-12-01 |
CN107422373B CN107422373B (zh) | 2018-05-18 |
Family
ID=60423766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710263634.XA Expired - Fee Related CN107422373B (zh) | 2017-04-21 | 2017-04-21 | 一种基于特征漂移的煤矿冲击地压灾害在线预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107422373B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830328A (zh) * | 2018-06-21 | 2018-11-16 | 中国矿业大学 | 融合空间知识的微震信号smote识别方法及监测系统 |
CN110765983A (zh) * | 2019-11-07 | 2020-02-07 | 山东科技大学 | 一种基于微震频谱特征的煤柱型冲击地压危险性评价方法 |
CN111723491A (zh) * | 2020-06-29 | 2020-09-29 | 重庆大学 | 一种基于任意分层土壤格林函数的接地参数获取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101806229A (zh) * | 2010-03-15 | 2010-08-18 | 山东科技大学 | 基于多目标监测数据融合的煤矿顶板安全评价方法 |
CN103954300A (zh) * | 2014-04-30 | 2014-07-30 | 东南大学 | 基于优化ls-svm的光纤陀螺温度漂移误差补偿方法 |
CN105956526A (zh) * | 2016-04-22 | 2016-09-21 | 山东科技大学 | 基于多尺度排列熵的低信噪比微震事件辨识方法 |
-
2017
- 2017-04-21 CN CN201710263634.XA patent/CN107422373B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101806229A (zh) * | 2010-03-15 | 2010-08-18 | 山东科技大学 | 基于多目标监测数据融合的煤矿顶板安全评价方法 |
CN103954300A (zh) * | 2014-04-30 | 2014-07-30 | 东南大学 | 基于优化ls-svm的光纤陀螺温度漂移误差补偿方法 |
CN105956526A (zh) * | 2016-04-22 | 2016-09-21 | 山东科技大学 | 基于多尺度排列熵的低信噪比微震事件辨识方法 |
Non-Patent Citations (2)
Title |
---|
梁喆: "公共安全领域中地下震动信号探测和识别的关键技术研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
邱涛: "基于流形学习理论的冲击地压微震前兆辨识方法", 《软件导刊》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830328A (zh) * | 2018-06-21 | 2018-11-16 | 中国矿业大学 | 融合空间知识的微震信号smote识别方法及监测系统 |
CN108830328B (zh) * | 2018-06-21 | 2022-01-11 | 煤炭科学研究总院 | 融合空间知识的微震信号smote识别方法及监测系统 |
CN110765983A (zh) * | 2019-11-07 | 2020-02-07 | 山东科技大学 | 一种基于微震频谱特征的煤柱型冲击地压危险性评价方法 |
CN110765983B (zh) * | 2019-11-07 | 2023-07-11 | 山东科技大学 | 一种基于微震频谱特征的煤柱型冲击地压危险性评价方法 |
CN111723491A (zh) * | 2020-06-29 | 2020-09-29 | 重庆大学 | 一种基于任意分层土壤格林函数的接地参数获取方法 |
CN111723491B (zh) * | 2020-06-29 | 2024-03-19 | 重庆大学 | 一种基于任意分层土壤格林函数的接地参数获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107422373B (zh) | 2018-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Prediction model of rock mass class using classification and regression tree integrated AdaBoost algorithm based on TBM driving data | |
CN107505652B (zh) | 一种基于能量分布特征的矿山微震信号辨识方法 | |
CN102169545B (zh) | 一种高分辨率遥感图像的变化检测方法 | |
CN104142918A (zh) | 基于tf-idf特征的短文本聚类以及热点主题提取方法 | |
CN101832769B (zh) | 一种基于近景摄影估算矿区植被覆盖度的方法和系统 | |
CN105527650A (zh) | 一种工程尺度下微震信号及p波初至自动识别算法 | |
CN107422373A (zh) | 一种基于特征漂移的煤矿冲击地压灾害在线预警方法 | |
CN104360415A (zh) | 一种致密砂岩储层裂缝识别的方法 | |
CN107122860B (zh) | 基于网格搜索和极限学习机的冲击地压危险等级预测方法 | |
CN103293141A (zh) | 基于离子迁移谱/质谱/拉曼光谱融合技术的白酒年份识别方法 | |
CN112529341A (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN103473540A (zh) | 智能交通系统车辆轨迹增量式建模与在线异常检测方法 | |
CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
CN110133714A (zh) | 一种基于深度学习的微震信号分类辨识方法 | |
Lan et al. | Automatic identification of Spread F using decision trees | |
Zhang et al. | Geological type recognition by machine learning on in-situ data of EPB tunnel boring machines | |
Jiang et al. | A novel method for automatic identification of rock fracture signals in microseismic monitoring | |
CN104915679A (zh) | 一种基于随机森林加权距离的大规模高维数据分类方法 | |
WO2019091134A1 (zh) | 煤层顶板砂岩富水性等级预测方法 | |
CN108280289B (zh) | 基于局部加权c4.5算法的冲击地压危险等级预测方法 | |
CN104500141B (zh) | 基于矿压监测动态特征的突出预警方法 | |
CN116658246A (zh) | 一种煤矿水害监测预警系统及方法 | |
Qin et al. | Evaluation of goaf stability based on transfer learning theory of artificial intelligence | |
CN110568495A (zh) | 基于广义目标函数的瑞雷波多模式频散曲线反演方法 | |
CN104318086A (zh) | 一种隧道光面爆破质量评价预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
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: 20180518 |
|
CF01 | Termination of patent right due to non-payment of annual fee |