半監(jiān)督學習及其在煤礦瓦斯安全信息處理中的應用研究.pdf

1、近年來，煤礦瓦斯安全生產事故頻發(fā)，特別是隨著開采深度的加大導致開采條件更趨復雜，瓦斯災害的威脅越加嚴重，煤礦瓦斯安全生產事故已然成為煤炭行業(yè)可持續(xù)發(fā)展的制約因素，現有的安全技術基礎及管理已難以適應當前煤礦安全高效生產的迫切需求。因此，如何減少和防止瓦斯安全事故的發(fā)生，科學、系統(tǒng)地查除礦井瓦斯事故隱患和開展礦井瓦斯危險性的演化機制分析及預測，擺脫瓦斯事故帶來的不利安全局面，是值得深入研究的課題。論文以國家自然科學基金為依托，以煤礦具體項目

2、為實際應用背景，對半監(jiān)督學習算法及其在煤礦瓦斯安全信息處理中的應用進行了深入研究。本文研究工作主要包括以下四個方面：
　　1.針對煤礦瓦斯安全數據的高維特性導致智能算法效率低下的問題，提出了一個基于圖的無參數維數約減算法。首先，給出了一種新的邊界點定義方法，在所有非邊界點和離他們各自最遠的同類點上建立內在圖，同時在所有邊界點及它們各自的最近鄰異類點上建立了懲罰圖。通過一個新的判別準則將問題轉化為一個廣義特征分解問題，通過求解得到從

3、原始空間到低維空間的一個顯式映射。該算法避免了傳統(tǒng)基于圖的維數約減算法中近鄰參數的選擇，實驗表明在降低了復雜度的同時，該算法仍能保持較好的維數約減效果。
　　2.隨著煤礦信息化的建設，海量的數據不斷地出現在信息化平臺上，采用監(jiān)督式學習算法進行處理時就要求具有專業(yè)領域知識的人員耗費大量的精力進行標注工作。針對這一問題，提出了一種局部保持的半監(jiān)督維數約減算法，并針對非線性維數約減問題，給出了算法的核化擴展。該算法同時利用少量有標簽的樣

4、本和大量無標簽的樣本進行學習，在低維子空間中保持了樣本的鑒別關系和空間幾何結構。在有標簽樣本較少的情況下，該算法也能夠獲得較好的泛化性能。
　　3.瓦斯時間序列預測是進行煤礦瓦斯安全危險性評價的有效手段，煤礦瓦斯時間序列數據具有很高的時間相關性，但現有的多元時間序列半監(jiān)督回歸算法只考慮樣本間空間關系信息而忽略了樣本間時域信息。針對這一問題，提出了一種考慮樣本間時域信息的半監(jiān)督回歸算法，在時域光滑性假設下，構造了一種能更好地反映樣本

5、間內蘊幾何結構的正則化項。在建立圖拉普拉斯的過程中，將樣本點間的時序關系引入到邊的權重計算中，并在流形正則化框架下加入該正則化項進行半監(jiān)督回歸。與只考慮樣本空間關系信息的算法相比，該算法能同時利用樣本的時空信息，預測準確率得到了提高。
　　4.從模式分類的角度出發(fā)，利用煤礦瓦斯安全數據對工作面瓦斯安全危險性進行分類評價能夠為煤礦瓦斯事故的預防提供可參考的依據?，F有的多數半監(jiān)督分類方法都是基于聚類假設與流形假設這兩種假設中的一種進行

6、學習，顯然當某種假設不合適時，算法的性能就會下降。針對這一問題，提出一種新的漸進式半監(jiān)督學習算法，該算法同時結合兩種假設進行學習，利用無標簽樣本信息，通過重構核希爾伯特空間，構造了一種能夠反映樣本內在流形結構的半監(jiān)督核，最后在支持向量機中利用該半監(jiān)督核采用漸進式方式進行學習。算法結合了聚類假設和流形假設，因此可以避免當某一假設不適合時僅采用該單一假設所造成的算法效果差的現象。
　　本文研究的內容涉及到了煤礦瓦斯數據維數約減、煤礦瓦

7、斯時間序列回歸和煤礦瓦斯數據分類三方面問題，主要采用了機器學習中半監(jiān)督式學習方式。在研究了相關領域前期工作的基礎上對已有的算法進行了分析和改進，提出了新的算法，使用人臉識別和數據挖掘研究中常用的公共數據集進行了實驗，和相關算法進行了性能對比，驗證了本文提出的算法的有效性，最后在煤礦瓦斯安全信息處理中對文中所提出的算法進行了應用。應用結果表明，本文的研究成果在煤礦瓦斯安全信息處理中取得了不錯效果，對提高煤礦生產安全性具有一定的指導意義。<