[发明专利]基于多源异构数据融合的硐室安全分析方法

说明书

本发明公开了基于多源异构数据融合的硐室安全分析方法，通过f环节完成硐室指标值组的初步处理，然后通过g环节‑模糊处理方法、LSSVM环节‑最小二乘支持向量机模型以及ELM环节‑超限学习机从多源角度对硐室指标数据预测，并将预测结果转化为证据体，最后通过DS证据融合理论对证据体计算，从而获得最终硐室安全预测结果。本发明采用上述合方法，数据利用率更高，预测结果更准确。

技术领域

本发明涉及信息融合技术领域，尤其是涉及基于多源异构数据融合的硐室安全分析方法。

背景技术

硐室是一种未直通地表出口的、横断面较大而长度较短的水平坑道，其作用是安装各种设备、机器，存放材料和工具，或作其他专门用途，如机修房、炸药库、休息室等。现有技术下，对硐室安全分析还是基于风险源的评估，其大多采用LS法或LEC法，比较依赖于定性描述以及专家评分。相对来说，更侧重于对硐室宏观评价，并不能从微观角度描述硐室具体情况。当然，也有专家或学者通过传感器采集硐室具体数据，然后利用机器学习模型对硐室安全分析，但其多属于单一数据源分析，不够准确。

发明内容

本发明的目的是提供一种多源异构数据分析方法，以对硐室安全状态进行定量分析，从而解决现有分析方法不能反映硐室微观状况以及评价不准确的问题。

为实现上述目的，本发明提供了如下技术方案：

基于多源异构数据融合的硐室安全分析方法，将硐室安全状态划分为安全、轻微事故和严重事故三种，然后对指标数据进行如下处理：

g环节，针对三种状态设置三种隶属度函数，然后分别计算每个指标对应三种状态的隶属度，并将计算结果作为当前环节的三维预测数据；

LSSVM环节，利用最小二乘支持向量机模型对所有指标进行综合计算，得到当前环节对应三种状态的三维预测数据；

ELM环节，利用超限学习机模型对所有指标进行综合计算，得到当前环节对应三种状态的三维预测数据；

DS环节，将g环节、LSSVM环节、ELM环节的三维预测数据作为证据体，然后利用DS证据融合模型对证据体计算，从而得到最终的硐室状态预测结果。

优选的，g环节之前还设置有f环节，f环节采用加权平均法或贝叶斯法对同一指标的多条数据进行融合。

优选的，DS环节还包括对证据体进行零处理和权重分配；

零处理利用证据体内的最大值对零因子进行修正；证据体表示为，若，则零处理后的证据体表示为，其中为修正因子；

权重分配首先计算证据体之间的相关性矩阵，计算公式如下：

，

式中，为相关性矩阵；为证据体总数；为相关性矩阵中第i行第j列的元素，表示证据体之间的相关性；分别表示第个和第个证据体的标准差，分别表示第个和第个证据体的均值，表示期望；的计算公式如下

 然后通过相关性矩阵确定权重，计算公式如下：

最后，利用权重对证据体更新，计算公式如下：

式中，为更新后的证据体。

优选的，g环节、LSSVM环节、ELM环节采用并行方式完成指标计算。

综上，本发明采用上述硐室安全分析方法，通过传感器采集硐室微观数据，并结合模糊处理方法、最小二乘支持向量机模型以及超限学习机分别对采集数据进行定量分析，得到证据体，然后通过改进的DS证据融合理论对证据体综合计算，从而实现多源角度硐室安全状态的精准评估。