[发明专利]一种基于K‑最近邻混合分类的瓦斯灾害预测方法

说明书

技术领域

本发明涉及煤矿安全技术领域，尤其涉及基于K-最近邻混合分类的瓦斯灾害预测方法。

背景技术

瓦斯灾害的类别有多种，如瓦斯爆炸、瓦斯燃烧、瓦斯积聚等，瓦斯灾害预测首先要对这些灾害类型 进行区分。分类预测是数据挖掘中的一类重要问题，神经网络可以从大量数据集中学习复杂的非线性依赖 关系，是所有各种预测工具中最有力而且通用的预测器，也是解决分类预测的行之有效的方法。瓦斯灾害 信息特征数据库中的数据分布是随时间发生变换的，对于时变数据的分类预测问题，目前还很少有人研究。 由于数据分布的变化，先前已发现的分类规则可能不在有效，而可能存在新的有效的分类规则有待发现。 例如，在煤矿采掘过程中，随着开采深度不同，地质条件、煤层瓦斯压力、瓦斯含量等均在发生变化，从 历史数据库中抽取的数据不可能正确地预测未来的状态，此时，普通的神经网络分类预测技术将不再适用 于时变数据的挖掘。

K-最近邻分类预测技术是数据挖掘技术中最容易理解的技术之一，因为它是用于人类思维方式相似的 方法进行分析，即检测与新瓦斯样本最接近的匹配瓦斯样本的类别作为新瓦斯样本的类别标识。同时由于 K-最邻近技术的鲁棒性、理论完美性和实现的灵活性使得K-最近邻分类技术被广泛地应用于分类预测。随 着计算机技术的发展和存储能力的加大，瓦斯灾害信息特征数据库的容量也越来越大，而此时若用K-最近 邻技术对瓦斯样本进行分类，则会招致很大的计算开销。同时由于最邻近的测量对每个属性指定了相同的 权，即认定每个属性对分类所作出的贡献是一样的，当数据中存在许多不相关属性时，这将可能会引起分 类混乱。

发明内容

鉴于目前技术存在的上述不足，本发明提出了一种新的K-最近邻混合方法，本发明采用CURE聚类 算法能大大减少瓦斯训练样本集的数据量，从而提高计算速度，以及采用神经网络方法对瓦斯每个属性的 权值进行调整，从而可以对分类所做的贡献不同的属性赋予不同的权值，避免了引起分类预测混乱。

为了实现上述技术问题，本发明的采用如下技术方案：

基于K-最近邻混合分类的瓦斯灾害预测方法，包括以下步骤：

建立瓦斯灾害信息特征数据库；

采用CURE聚类算法对瓦斯灾害信息特征数据库的数据进行处理；

将处理后的数据基于K-最近邻混合分类方法进行瓦斯灾害分类；

通过前端展示工具(图形用户界面)展示分析结果。

作为本发明的优选技术方案，所述采用CURE聚类算法对瓦斯灾害信息特征数据库的数据进行处理的

步骤包括：

设瓦斯训练样本集S含有M个类，则依据各个瓦斯样本的类别，将S分成M个瓦斯样本子集 {S₁,S₂,…,S_M},CURE算法簇的个数N的允许变化范围为{N₁,N₂,…,N_C}。

步骤1：输入瓦斯样本子集{S₁,S₂,…,S_M}和N的变化范围为{N₁,N₂,…,N_C}，i＝1。

步骤2：j＝1。

(1)将N_j作为聚类后簇的个数，采用简化的CURE算法对S_i进行聚类，存储得到的N_j个簇的代表 点集S_ij，并用S_ij代替S_i，得到新的模型，计算S’对原始训练集S的1-最近邻分类精度△A_j。

(2)j＝j+1,如果j<e，转步骤2的(1)，否则选择△A中的最大值所对应的S_ij，S_i←S_ij。

步骤3：i＝i+1，如果i≤M，转步骤2，否则结束，得到一个新的训练模型S’，它是由代表点组 成的浓缩模型。

作为本发明的优选技术方案，所述将处理后的数据基于K-最近邻混合分类方法进行瓦斯灾害分类的步 骤包括：

步骤1：采用神经网络方法对瓦斯每个属性的权值进行调整。

步骤2：给定一个未知瓦斯样本数据，运用属性权重调整的K-最近邻分类法从权利要求2中得到的浓 缩训练模型运用加权欧几里得距离公式找出最接近未知瓦斯样本的K个瓦斯训练样本，用其公共类来标识 未知瓦斯样本的类别。