[发明专利]基于EEMD-Isomap算法矿井突水水源识别方法

说明书

本发明提供基于EEMD‑Isomap算法矿井突水水源识别方法，属于煤矿安全领域。包括以下步骤：获得矿井水的拉曼光谱信息；对拉曼光谱信号进行降噪处理；将拉曼光谱信号划分为训练集和预测集；利用对训练集和预测集降维处理；将训练集作为核K最近邻算法的输入，建立突水水源识别模型；将预测集输入到突水水源识别模型，得到预测结果；对比预测结果和模型中的实际结果获得识别准确率；将识别准确率和辨识时间作为突水水源种类的评价指标识别矿井突水类型。本发明提出的方法可以智能化识别突水水源类型，对于提前有效地进行水的预防和控制，从而预防和减少水害的发生，有着极大的参考价值。

技术领域

本发明属于煤矿安全领域，具体涉及基于EEMD-Isomap算法矿井突水水源识别方法。

背景技术

随着水文地质条件的复杂性和多年来开采深度的增加，矿井突水已成为仅次于煤矿瓦斯的第二大生产问题。矿井水害是严重威胁矿区生产建设安全的一种灾害。与其他重大事故和一般事故相比，重大洪水事故具有抢险难、灾后生产恢复困难等特点。一旦发生，将造成更严重的人员伤亡和经济损失，也将给社会带来严重的不良影响。解决矿井突水问题的前提是识别突水水源类型，提前有效地进行水的预防和控制，从而预防和减少水害的发生。因此，研究以往的煤矿水灾事故，从根本上预防今后类似的煤矿水灾事故，显得尤为重要。

传统水化学方法用于矿井水源类型的识别消耗时间长、分析和识别效率较低，不能满足矿井水源类型的识别实时性的要求，其他常规检测方法可能会破坏样品，并不能做到无损识别，且需要专业人员操作，费时费力。常规的人工智能算法大都对光谱数据的全部波段建立预测模型进行分析，未能考虑到冗余信息对实验结果造成的影响及各特征之间的相互联系，数据中无用的干扰噪声信号会严重影响识别结果，大量的高维光谱数据信息使识别模型过于复杂，分析效率较低，且识别精度较低，不利于研究人员理解数据产生的过程。

发明内容

为了克服上述现有技术存在的不足，本发明提供了基于EEMD-Isomap算法矿井突水水源识别方法。

为了实现上述目的，本发明提供如下技术方案：

基于EEMD-Isomap算法矿井突水水源识别方法，包括以下步骤：

通过激光照射待测样品获得矿井水的拉曼光谱信息；

通过集成经验模态分解算法EEMD对拉曼光谱信号进行降噪处理；

依照数量7∶3的比例将降噪处理后的拉曼光谱信号随机划分为训练集和预测集；

利用等距特征映射算法Isomap对训练集和预测集中的数据分别进行降维处理；

将降维后的训练集数据作为核K最近邻算法的输入，建立突水水源识别模型；

将降维后的预测集数据输入到突水水源识别模型，得到预测结果；

对比预测结果和突水水源识别模型中的实际结果获得突水水源识别模型的识别准确率；

将识别准确率和预测结果中的辨识时间作为突水水源种类的评价指标，通过评价指标识别矿井突水类型。

优选的，通过集成经验模态分解算法EEMD对拉曼光谱信号进行降噪处理的步骤包括：

根据下式，在拉曼光谱信号上添加k次不同幅值的高斯白噪声信号，得到k个处理信号，

其中，G(t)_k为第k次添加的高斯白噪声信号；为第k次添加高斯白噪声信号后的处理信号；

使用集成经验模态分解算法EEMD对k个处理信号进行分解，得到不同尺度的固有模态函数：