[发明专利]一种多模态输入的煤与瓦斯突出危险预测方法

权利要求书

1.一种多模态输入的煤与瓦斯突出危险预测方法，其特征在于，包括：数据准备模块、地质指标特征提取模块、时间序列特征提取模块、特征连接模块和分类输出模块；

数据准备模块接收包括工作面地质指标和相应工作面瓦斯浓度序列数据的多模态原始数据，经预处理得到地质特征矩阵并对矩阵进行标准化处理，对时间序列数据进行解析同样通过标准化处理并转换成一个Numpy数组，两类数据经过处理之后分别生成训练样本集和测试样本集，所述的训练样本集和测试样本集之比优选为8:2；

将对应的训练样本集输入到地质指标特征提取模块中的全链接层神经网络对网络进行训练，对地质指标进行特征提取；

将对应的训练样本集输入到时间序列特征提取模块中的长短期记忆神经网络进行训练，对时间序列数据进行特征提取；

特征连接模块通过连接和融合将两类特征进行融合并共同传输至分类输出模块，分类输出模块采用全链接层利用sigmoid激活函数实现煤与瓦斯突出与否的结果输出，从而实现煤与瓦斯突出预测，经训练集数据训练之后，将该模型应用于测试集数据，获取测试集数据的预测分类标签，并与实际结果相比较，从而评估整个模型的准确率以及是否存在过拟合问题。

2.根据权利要求1所述的一种多模态输入的煤与瓦斯突出危险预测方法，其特征在于，所述的张量数据是指：一个n维的数组或列表，是矢量概念和矩阵概念的推广。

3.根据权利要求1所述的一种多模态输入的煤与瓦斯突出危险预测方法，其特征在于，所述的时间序列数据是指：是在不同时间上收集到的数据，用于所描述现象随时间变化的情况，这类数据反映了某一事物、现象等随时间的变化状态或程度。

4.根据权利要求1所述的一种多模态输入的煤与瓦斯突出危险预测方法，其特征在于，所述的标准化是指:由于这些数据取值范围差异很大，如果不加处理就输入到神经网络中，会导致模型学习变得非常困难，所以需要进行标准化处理，即对于输入数据的每个特征减去特征平均值，再除以标准差，从而使得特征平均值为0，标准差为1，计算方法如公式1所示

其中

5.根据权利要求1所述的一种多模态输入的煤与瓦斯突出危险预测方法，其特征在于，所述的全链接层神经网络是指：每个神经网络单元都和其他所有单元相连接，能够尝试映射任意两个输入特征的关系，最常用于张量数据，包括：接收张量数据的输入层、提取数据特征的隐藏层和用于输出分类结果的输出层，通常如果数据量比较大，隐藏层还可能不止一层。其中每一层网络都包含一定数量的神经元，各层通过优化器对权重进行更新，通过损失函数来确定模型是否满足精度要求，最后通过各层的线性堆叠来构成网络。

6.根据权利要求1所述的一种多模态输入的煤与瓦斯突出危险预测方法，其特征在于，所述的长短期记忆神经网络是指：针对数据的长短期依赖关系所提出的一个十分经典的循环神经网络结构，实质是一种重复神经网络模块的链式，相比较于传统的循环神经网络，它增加了一种携带信息跨越多个时间步的方法，具体方法是可以通过内部的门结构，包括遗忘门，更新门，输出门，来对之前的输入信息进行增加与遗忘。

7.根据权利要求1所述的一种多模态输入的煤与瓦斯突出危险预测方法，其特征在于，所述的特征连接是指：将全连接层神经网络输出和长短期记忆神经网络输出进行拼接操作。

8.根据权利要求1所述的一种多模态输入的煤与瓦斯突出危险预测方法，其特征在于，所述的Sigmoid函数是指：也叫Logistic函数，常被用作神经网络的激活函数，取值范围为(0,1)，计算方法如公式2所示：

9.根据权利要求1所述的一种多模态输入的煤与瓦斯突出危险预测方法，其特征在于，所述的模型准确率(Accuracy)是指：根据样本的实际类别标签，所有预测正确的样本数量占总的样本数量的百分比。计算方法如公式3所示：

其中：tp：将正类预测为正类；tn:将负类预测为负类；fp:将负类预测为正类；fn：将正类预测为负类。