[发明专利]一种含煤地层异常构造识别分类方法

权利要求书

1.一种含煤地层异常构造识别分类方法，其特征在于，包括如下步骤：

建立包含目标地质构造在内的地质构造仿真模型，并采集目标地质构造的仿真槽波数据；

对采集的仿真槽波数据和待识别的真实槽波数据进行预处理，将预处理后的仿真槽波数据进行划分为训练集和测试集，并导入构建的POA-ELM分类模型进行训练，得到训练好的POA-ELM分类模型；

将预处理后的待识别真实槽波数据作为测试集导入训练好的POA-ELM分类模型，对真实槽波数据进行分类识别，得到分类识别结果。

2.根据权利要求1所述的含煤地层异常构造识别分类方法，其特征在于，采集目标地质构造的仿真槽波数据为：

以雷克子波作为发射源，采用透射波法采集槽波信号，将震源和检波器放置于地质构造仿真模型的不同工作面，采用一个震源点、若干个检波器的布置方式，所述震源发射一次信号每类构造进行采集若干组槽波数据。

3.根据权利要求2所述的含煤地层异常构造识别分类方法，其特征在于，所述POA-ELM分类模型的构建方法，包括以下步骤：

确定极限学习机网络结构，进行初步训练与测试，确定待优化变量个数；

确定鹈鹕种群大小、迭代次数，生成初始种群，计算适应度函数，假设ELM分类准确率为，以作为适应度值；

在预设的迭代次数内，进行鹈鹕算法的勘探阶段和开发阶段，不断更新鹈鹕位置，并保存目前最优适应度函数值及其对应的输入权值和隐含层偏置；

达到最大迭代次数后，获得全局最优适应度函数值和ELM网络最优输入权值与隐含层偏置，至此完成对极限学习机的优化，建立POA-ELM分类模型。

4.根据权利要求3所述的含煤地层异常构造识别分类方法，其特征在于，确定极限学习机网络结构，进行初步训练与测试，确定待优化变量个数，包括：

根据样本数据的输入特征数与输出类别数，确定输入、输出节点数，设置隐含层节点数及激活函数，随机生成隐层偏置和输入权值，计算输出权值个数，以及待优化变量个数，、为输入、输出权值个数，、分别为输出、隐含层节点数，为待优化变量个数。

5.根据权利要求4所述的含煤地层异常构造识别分类方法，其特征在于，确定鹈鹕种群大小时，鹈鹕种群初始化公式为：

；

式中，为第i个鹈鹕的第j维位置，为鹈鹕的种群数量，为求解问题的维度，即待优化变量的个数，是\left [ {0,1} \right ]范围内的随机数，和分别为求解问题的第维的上下边界。

6.根据权利要求5所述的含煤地层异常构造识别分类方法，其特征在于，鹈鹕种群采用种群矩阵表示为：

；

式中，为鹈鹕的种群矩阵，为第个鹈鹕的位置，为鹈鹕的种群数量，为求解问题的维度。

7.根据权利要求6所述的含煤地层异常构造识别分类方法，其特征在于，鹈鹕的适应度函数值采用适应度函数向量表示为：

;

式中，为鹈鹕种群的适应度函数向量，为第个鹈鹕的适应度函数值,或使用表示。

8.根据权利要求7所述的含煤地层异常构造识别分类方法，其特征在于，以极限学习机分类准确率与1的差值作为适应度函数值：

。

9.根据权利要求8所述的含煤地层异常构造识别分类方法，其特征在于，进行鹈鹕算法的勘探阶段为逼近猎物，勘探阶段：

;

其中，是基于勘探阶段更新后第个鹈鹕的第维的位置，是\left [ {0,1} \right ]范围内的随机数，为猎物的第维的位置，为猎物的适应度函数值，为1或2的随机整数；

若适应度函数值在第维的位置得到改善，则更新鹈鹕位置:

；

其中，为第个鹈鹕的新位置，为基于勘探阶段更新后的第个鹈鹕的新位置的适应度函数值。

10.根据权利要求9所述的含煤地层异常构造识别分类方法，其特征在于，进行鹈鹕算法的开发阶段为水面飞行，开发阶段：

；

其中，为基于开发阶段更新后第个鹈鹕的第维的位置，是\left [ {0,1} \right ]范围内的随机数，为常数0.2，为的邻域半径，为当前迭代次数，为最大迭代次数；

在开发阶段，再一次对鹈鹕的位置进行更新：

；

其中，为第个鹈鹕的新位置，为基于开发阶段的适应度函数值；

保存目前最优适应度函数值及对应的输入权值和隐含层偏置。