13程建--基于半监督过采样非平衡学习的矿山微震信号识别.pdf

第 ４６ 卷第 ２ 期煤 炭 科 学 技 术Ｖｏｌ􀆱 ４６ Ｎｏ􀆱 ２ ２０１８ 年２ 月Ｃｏａｌ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｆｅｂ.２０１８ 基于半监督过采样非平衡学习的矿山微震信号识别 程 健１ꎬ杨凌凯１ꎬ王全魁２ꎬ崔 宁１ꎬ郭一楠１ １􀆱 中国矿业大学 信息与控制工程学院ꎬ江苏 徐州 ２２１１１６ꎻ２􀆱 华润电力控股有限公司 华东大区运营部ꎬ山东 济南 ２５０００２ 摘 要为准确实现冲击矿压灾害的预防预警ꎬ提出一种半监督过采样框架对煤矿微震数据进行模式 识别ꎬ采用主成分分析、小波变换和 Ｆｉｓｈｅｒ 判别对微震数据集样本的多个信号通道进行特征提取ꎻ并 对提取到的特征数据进行半监督非平衡学习ꎻ最后训练分类器进行模式识别ꎮ 通过在兖矿集团微震 数据集进行试验ꎬ结果表明针对微震数据的半监督过采样框架可以有效提高微震数据的识别准确 率ꎮ 与只进行过采样的方法相比ꎬ使用 ＣＰＬＥ 和 ＳＥＬＦ 两种半监督学习的方法ꎬ在 ＫＮＮ、ＬＲ、ＦＬＤ、ＲＦ、 ＳＶＭ 和 Ａｄａｂｏｏｓｔ 这 ６ 个分类器上有 ５ 个分类器上识别效果更好ꎬ可以获得更好的回归率和 Ｆ１ 的指 标ꎮ 此方法可以获得高维微震数据的压缩表达ꎬ解决不平衡微震数据集的识别问题ꎮ 关键词非平衡学习ꎻ半监督学习ꎻ模式识别ꎻ矿山微震 中图分类号ＴＤ６７ 文献标志码Ａ 文章编号０２５３－２３３６２０１８０２－０２１３－０６ Ｍｉｎｅ ｍｉｃｒｏｓｅｉｓｍｉｃ ｓｉｇｎａｌ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄ ｏｖｅｒ－ｓａｍｐｌｉｎｇ ｉｍｂａｌａｎｃｅｄ ｌｅａｒｎｉｎｇ ＣＨＥＮＧ Ｊｉａｎ１ꎬ ＹＡＮＧ Ｌｉｎｇｋａｉ１ꎬ ＷＡＮＧ Ｑｕａｎｋｕｉ２ꎬ ＣＵＩ Ｎｉｎｇ１ꎬ ＧＵＯ Ｙｉｎａｎ１ １􀆱 Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ Ｅｎｇｉｎｅｅｒｉｎｇꎬ Ｃｈｉｎａ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｍｉｎｉｎｇ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙꎬ Ｘｕｚｈｏｕ ２２１１１６ꎬ Ｃｈｉｎａ ２􀆱 Ｅａｓｔ Ｃｈｉｎａ Ｒｅｇｉｏｎ Ｏｐｅｒａｔｉｏｎ Ｄｅｐａｒｔｍｅｎｔꎬ Ｃｈｉｎａ Ｒｅｓｏｕｒｃｅｓ Ｐｏｗｅｒ Ｈｏｌｄｉｎｇｓ Ｃｏｍｐａｎｙ Ｌｉｍｉｔｅｄꎬ Ｊｉｎａｎ ２５０００２ꎬ Ｃｈｉｎａ ＡｂｓｔｒａｃｔＩｎ ｏｒｄｅｒ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｒｅｃｏｇｎｉｔｉｏｎ ａｃｃｕｒａｃｙ ｏｆ ｒｏｃｋ ｂｕｒｓｔ ｄｉｓａｓｔｅｒꎬ ａ ｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄ ｏｖｅｒ－ｓａｍｐｌｉｎｇ ｆｒａｍｅｗｏｒｋ ｉｓ ｐｒｏｐｏｓｅｄ ｔｏ ｒｅｃｏｇｎｉｚｅ ｔｈｅ ｍｉｃｒｏｓｅｉｓｍｉｃ ｓｉｇｎａｌ. Ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓＰＣＡꎬ Ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ ａｎｄ Ｆｉｓｈｅｒ ｌｉｎｅａｒ ｄｉｓｃｒｉｍｉｎａｎｔＦＬＤ ａｒｅ ｕｓｅｄ ｔｏ ｅｘｔｒａｃｔ ｆｅａｔｕｒｅｓ ｏｆ ｔｈｅ ｍｕｌｔｉ－ｃｈａｎｎｅｌ ｄａｔａ ｓｅｔ. Ｔｈｅｎꎬ ｏｖｅｒ－ｓａｍｐｌｉｎｇ ｍｅｔｈｏｄ ａｎｄ ｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ ｍｅｔｈｏｄ ａｒｅ ｕｓｅｄ ｔｏ ｃｏｎｓｔｒｕｃｔ ａ ｂａｌａｎｃｅｄ ｄａｔａ ｓｅｔ ｂａｓｅｄ ｏｎ ｔｈｅ ｆｅａｔｕｒｅｓ. Ｆｕｒｔｈｅｒｍｏｒｅꎬ ｓｉｘ ｃｌａｓｓｉｆｉｅｒｓ ａｒｅ ｔｒａｉｎｅｄ ｂａｓｅｄ ｏｎ ｔｈｅ ｂａｌａｎｃｅｄ ｍｉｃｒｏｓｅｉｓｍｉｃ ｄａｔａ ｓｅｔꎬ ａｎｄ ｔｈｅ ｏ￣ ｒｉｇｉｎａｌ ｄａｔａ ｓｅｔ ｉｓ ｆｒｏｍ Ｙａｎｃｏｎ Ｇｒｏｕｐ Ｃｏｍｐａｎｙ. Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄ ｏｖｅｒ－ｓａｍｐｌｉｎｇ ｆｒａｍｅｗｏｒｋ ｉｓ ａｃｔｕａｌｌｙ ａ￣ ｂｌｅ ｔｏ ｉｍｐｒｏｖｅ ｔｈｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ. Ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ｍｅｔｈｏｄ ｗｈｉｃｈ ｏｎｌｙ ｕｓｅｓ ｏｖｅｒ－ｓａｍｐｌｉｎｇ ａｌｇｏｒｉｔｈｍꎬ ｔｈｅ ｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄ ｏｖｅｒ－ ｓａｍｐｌｉｎｇ ｆｒａｍｅｗｏｒｋ ｃａｎ ｏｂｔａｉｎ ｈｉｇｈｅｒ ｖａｌｕｅｓ ｏｆ ｒｅｃａｌｌ ａｎｄ Ｆ１ ｓｃｏｒｅ ｏｎ ５ ｃｌａｓｓｉｆｉｅｒｓꎬ ｗｉｔｈ ＣＰＬＥ ｏｒ ＳＥＬＦ ａｓ ｔｈｅ ｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄ ｍｅｔｈｏｄ. Ｔｈｅ ｓｉｘ ｃｌａｓｓｉｆｉｅｒｓ ａｒｅ ＫＮＮꎬ ＬＲꎬ ＦＬＤꎬ ＲＦꎬ ＳＶＭ ａｎｄ Ａｄａｂｏｏｓｔ. Ｏｖｅｒａｌｌꎬ ｔｈｉｓ ｆｒａｍｅｗｏｒｋ ｎｏｔ ｏｎｌｙ ｅｘｔｒａｃｔｓ ｔｈｅ ｃｏｍｐｒｅｓｓｅｄ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ｔｈｅ ｈｉｇｈ－ｄｉｍｅｎｓｉｏｎａｌ ｄａｔａ ｓｅｔꎬ ｂｕｔ ａｌｓｏ ｄｅａｌｓ ｗｉｔｈ ｔｈｅ ｍｉｃｒｏｓｅｉｓｍｉｃ ｓｉｇｎａｌ ｒｅｃｏｇｎｉｔｉｏｎ ｐｒｏｂｌｅｍ ｂａｓｅｄ ｏｎ ａ ｂａｌａｎｃｅｄ ｄａｔａ ｓｅｔ. Ｋｅｙ ｗｏｒｄｓｉｍｂａｌａｎｃｅｄ ｌｅａｒｎｉｎｇꎻ ｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇꎻ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎꎻ ｍｉｎｅ ｍｉｃｒｏｓｅｉｓｍｉｃ 收稿日期２０１７－１１－２１ꎻ责任编辑赵 瑞 ＤＯＩ１０􀆱 １３１９９/ ｊ􀆱 ｃｎｋｉ􀆱 ｃｓｔ􀆱 ２０１８􀆱 ０２􀆱 ０３１ 基金项目国家重点研发计划资助项目２０１６ＹＦＣ０８０１４０６ꎻ国家自然科学基金资助项目６１５７３３６１ 作者简介程 健１９７４ꎬ 男ꎬ 四川平昌人ꎬ副教授ꎬ博士ꎮ Ｅ－ｍａｉｌｃｈｅｎｇｊｉａｎ＠ ｃｕｍｔ.ｅｄｕ.ｃｎ 引用格式程 健ꎬ杨凌凯ꎬ王全魁ꎬ等 􀆱 基于半监督过采样非平衡学习的矿山微震信号识别[Ｊ]􀆱 煤炭科学技术ꎬ２０１８ꎬ４６２２１３－２１８ꎬ２０２􀆱 ＣＨＥＮＧ Ｊｉａｎꎬ ＹＡＮＧ Ｌｉｎｇｋａｉꎬ ＷＡＮＧ Ｑｕａｎｋｕｉꎬｅｔ ａｌ.Ｍｉｎｅ ｍｉｃｒｏｓｅｉｓｍｉｃ ｓｉｇｎａｌ ｒｅｃｏｇｎｉｔｉｏｎ ｂａｓｅｄ ｏｎ ｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄ ｏｖｅｒ－ｓａｍｐｌｉｎｇ ｉｍｂａｌａｎｃｅｄ ｌｅａｒｎｉｎｇ[Ｊ]􀆱 Ｃｏａｌ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙꎬ２０１８ꎬ４６２２１３－２１８ꎬ２０２􀆱 ０ 引 言 冲击矿压是一种典型的煤矿动力灾害ꎬ严重威 胁煤矿的高效生产和人员安全ꎬ因此冲击矿压灾害 的预防与预警至关重要[ １]ꎮ 冲击矿压指在高应力 作用下ꎬ聚集的能量突然释放ꎬ造成煤岩体的冲击ꎬ 导致人员伤亡ꎬ建筑物破坏的现象ꎮ 而微震是采矿 活动引起的诱发地震ꎬ是煤岩介质在矿区应力作用 下ꎬ聚集的弹性应变能释放ꎬ造成采掘空间周围岩体 破裂的现象ꎮ 因此ꎬ通过监测煤矿微震来进行冲击 矿压的预防预警是一种有效的手段[ ２]ꎮ 微震监测 的主要技术包括台网优化布置ꎬ微震信号识别ꎬ微 ３１２ 中国煤炭期刊网 w w w . c h in a c a j . n et ２０１８ 年第 ２ 期煤 炭 科 学 技 术第 ４６ 卷 震震源定位ꎬ震源机制分析和微震活动预测等ꎮ 其 中微震信号识别是数据处理的基础ꎬ目前已有许多 微震监测系统配置有微震信号识别功能ꎬ如澳大利 亚的 ＩＭＳ、加拿大的 ＥＳＧ 和波兰的 ＳＯＳ 微震监测系 统[ ３]ꎮ 然而煤矿微震信号受背景噪声、机械振动等 因素干扰ꎬ信号非常复杂ꎬ上述系统自动识别效果不 能得到很好的保证ꎮ 鉴于此ꎬ目前主要采用人工识 别微震信号的方法ꎬ但人工识别的方式效率较低且 由于操作人员的知识经验等问题ꎬ容易出现误处理 和处理不及时等情况[ ４]ꎮ 在煤矿开采过程中ꎬ冲击 矿压危害巨大但很少发生ꎬ所以采集到的数据集是 非平衡的ꎮ 这种非平衡给机器学习来做识别的方法 增加了困难ꎮ 为了解决非平衡情况下ꎬ矿山微震数据的识别 问题ꎬ笔者对微震数据的特征提取做了相关研究ꎬ并 提出一种针对微震数据集的半监督过采样框架ꎬ来 提高非平衡微震数据集的微震信号识别准确率ꎮ 使 用本方法可以获得高维微震信号的低维压缩表达ꎬ 避免“维度灾难”ꎬ提高微震数据不足情况下的识别 准确率ꎮ １ 现有微震信号识别方法 目前ꎬ煤矿微震信号识别的方法主要有时频分 析和机器学习方法ꎮ 时频分析能有效分析微震波形 频谱特征ꎬ常用方法包括傅里叶变换、小波变换、小 波包变换和频率切片小波变换等[ ５]ꎮ 曹安业等[ ６] 利用傅里叶变换得到了矿山信号的幅频特征ꎬ为煤 矿微震信号的辨识提供了依据ꎮ 唐守锋等[ ７]分析 了微震信号与噪声信号的能量分布特征ꎬ采用小波 能谱系数的方法提取微震信号的特征ꎮ 赵国彦 等[ ８]采用频率切片小波变换识别煤矿微震信号ꎮ 时频域分析方法虽然可以有效分析煤矿微震信 号频谱的特性ꎬ但是每个传感器产生的数据量很大ꎬ 所以现场实时应用有不小的难度ꎮ 因此结合机器学 习方法来处理大量的数据问题会是一个很好地解决 微震数据分析的方法ꎮ 朱权洁等[ ９]将小波包与分 形理论相结合提取微震信号特征ꎬ并采用 ＳＶＭ 对特 征向量进行分类ꎮ Ｖａｌｌｅｊｏｓ 等[１０]应用逻辑回归和神 经网 络 对 矿 震 信 号 和 爆 炸 信 号 进 行 了 分 类ꎮ Ｄｏｎｇ[１１]使用 Ｆｉｓｈｅｒ 分类器、朴素贝叶斯分类器和逻 辑回归分析矿山地震和爆炸事件ꎮ 通过机器学习的方式对微震数据集建模ꎬ可以 在时频特征的基础上提高识别的效果ꎮ 但微震数据 与无微震数据相比一般较少ꎬ尤其是冲击矿压的真 实数据更是极其罕见ꎬ因此微震数据集存在着天然 的非平衡特性ꎬ如果不考虑数据集的非平衡特性直 接建模ꎬ可能会影响机器学习算法的识别效果ꎮ ２ 微震信号识别半监督过采样框架 笔者提出一种基于半监督过采样方法的矿山微 震信号识别框架ꎮ 采用主成分分析ＰＣＡ、小波变 换和 Ｆｉｓｈｅｒ 线性判别 ＦＬＤ来提取多通道微震数 据集的时频域特征ꎮ 之后使用过采样的方法来解决 微震数据集存在的非平衡问题ꎬ并使用半监督的方 式解决线性采样存在的采样数据类别标注不准确的 问题ꎮ 本文的数据是通过波兰的 ＳＯＳ 微震监测系统 采集的ꎮ 每一个数据由井下 ２０ 个传感器采集得到ꎬ 采样周期 ４ ｈꎮ 单通道传感器包含 １０ ２４０ 个采样 点ꎮ 因为 ２０ 个通道的采集数据存在着强相关性ꎬ并 且多传感器采集难免会受到噪声的干扰ꎮ 所以主成 分分析、小波变换和 Ｆｉｓｈｅｒ 线性判别 ３ 种方法被用 来做数据的特征提取ꎮ 笔者提出的微震信号识别的 半监督过采样框架Ｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄ ｏｖｅｒ－ｓａｍｐｌｉｎｇ ｆｒａｍｅｗｏｒｋꎬＳＳＯＳＦ流程如图 １ 所示ꎮ 图 １ 半监督过采样框架 Ｆｉｇ􀆱 １ Ｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄ ｏｖｅｒ－ｓａｍｐｌｉｎｇ ｆｒａｍｅｗｏｒｋ ２􀆱 １ 特征提取 对数据集进行特征提取可以获得更好的数据表 达ꎬ降低数据的维数ꎬ解决工业数据集常见的“维数 灾难”问题ꎬ得到更好更快的模式识别效果[ １２]ꎮ 将观测空间数据集记为 Ｏꎬ样本数记为 ｔꎮ Ｏｉ为 数据集 Ｏ 中的第 ｉ 个样本ꎬｉ＝ １、２、􀆻、ｔꎮ 无微震数 据为大类样本ꎬ记为 ｍｌꎻ微震数据为小类样本ꎬ记为 ｍｓꎮ 每个样本包含 ｎ 个通道数据ꎬ每个通道有 ｍ 个 采样点ꎮ 即观测空间 Ｏ 的数据规模为 ｔｍｎꎮ １ 主 成 分 分 析ꎮ 主 成 分 分 析 Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓꎬ ＰＣＡ [１３]是一种常用于特征提 取的多元统计分析方法ꎬ它可以从多维数据中提取 出主要成分ꎬ从而简化复杂的问题ꎮ ＰＣＡ 将原始高 ４１２ 中国煤炭期刊网 w w w . c h in a c a j . n et 程 健等基于半监督过采样非平衡学习的矿山微震信号识别２０１８ 年第 ２ 期 维数据投影到低维特征空间ꎬ并保持原有数据集信 息丢失最小ꎮ 对数据集 Ｏ 中的每个样本单独执行 ＰＣＡ 操作ꎬ 将 ｎ 个通道数据降为 ｌ 维ꎮ 所以在 ＰＣＡ 特征提取之 后ꎬ数据集 Ｏ 的数据规模变为 ｔ ｍ ｌ ꎬ此时的数据 集记为 Ｐꎮ ２小波变换ꎮ 小波变换Ｗａｖｅｌｅｔ Ｔｒａｎｓｆｏｒｍ继 承和发展了傅里叶变换局部化的思想ꎬ同时又克服 了傅里叶变换窗口大小不随频率变化的缺点ꎬ是进 行信号时频分析和处理的理想工具[ １４]ꎮ 小波变换 的主要特点是能够充分突出信号某些方面的特征ꎻ 能对时间空间频率进行局部化分析ꎻ能通过伸缩 平移运算对信号逐步进行多尺度细化ꎬ最终达到高 频处时间细分ꎬ低频处频率细分的目的ꎻ能自动适应 时频信号分析的要求ꎬ从而聚焦到信号的任意细节ꎮ 小波变换对数据集 Ｐ 中的每个样本的每个通 道进行操作ꎮ 记小波变换的分辨率为 ｒꎮ 对于单个 通道的 ｍ 个采样点经过小波变换后提取出 ｒ 个频 段ꎬ每个频段 ｖ 个数据ꎬ ｍ ＝ ｒ ｖ ꎮ 因此ꎬ小波特征 提取之后数据集 Ｐ 的数据规模变成了 ｔ ｌ ｒ ｖ ꎬ 记数据集为 Ｄꎮ ３Ｆｉｓｈｅｒ 线性判别ꎮ Ｆｉｓｈｅｒ 判别Ｆｉｓｈｅｒ Ｌｉｎｅａｒ ＤｉｓｃｒｉｍｉｎａｎｔꎬＦＬＤ [１５]与 ＰＣＡ 不同是一种有监督的 特征提取方法ꎮ ＦＬＤ 在特征提取过程中ꎬ保持类内 方差最小ꎬ类间距离最大ꎮ 由于考虑了数据集样本 的标签信息ꎬ所获得的低维特征通常更有利于后续 模式识别的进行ꎮ Ｆｉｓｈｅｒ 判别是有监督的特征提取方法ꎬ因此ꎬ对 每个通道 ｌꎬ每个频段 ｒꎬ进行特征提取ꎮ 即将每个 通道每个频段 ｔ ｖ 的数据提取出最重要的一维数 据 ｔꎬ此时数据集记为 Ｙꎮ 综上ꎬ在经过 ＰＣＡꎬ小波变换和 Ｆｉｓｈｅｒ 判别 ３ 种 特征提取方法之后ꎬ原本 ｔ ｍ ｎ 的数据被压缩成 了 ｔ ｌ ｒ ꎮ 一方面降低了数据体积ꎬ避免“维度灾 难”ꎮ 另一方面ꎬ一定程度上降低了数据的耦合ꎬ去 除了一些离散噪声ꎮ ２􀆱 ２ 过采样 特征提取之后ꎬＳＭＯＴＥ 方法Ｓｙｎｔｈｅｔｉｃ Ｍｉｎｏｒｉｔｙ Ｏｖｅｒ－ｓａｍｐｌｉｎｇ Ｔｅｃｈｎｉｑｕｅ [１６] 用来对数据集 Ｙ 进行 过采样ꎮ ＳＭＯＴＥ 在每个微震样本及其邻近的 ｋ 个 微震样本间插值ꎬ产生新的微震数据ꎮ Ｙｉｊ ＝ Ｙ ｉ ＋ λＹｊ－ Ｙｉ ｊ ＝ １ꎬ２ꎬ...ꎬｋ １ 其中 Ｙｉｊ为第 ｉ 个微震样本 Ｙｉ和其第 ｊ 个近邻 的微震样本 Ｙｊ生成的微震数据ꎻ λ 为 ０ １ 的随 机数ꎮ ２􀆱 ３ 半监督学习 通过 ＳＭＯＴＥ 方法ꎬ可以获得一个平衡的数据集ꎬ 但是由于 ＳＭＯＴＥ 是一个线性插值的方法ꎬ在过采样 非线性分布的数据集时ꎬ生成的小类样本的准确性难 以保证ꎮ 即在非线性分布的工业数据集上ꎬ通过 ＳＭＯＴＥ 生成的小类样本也许并不满足真实小类的数 据特征ꎮ 因此在过采样之后ꎬ使用半监督方法给新生 成的数据添加更加准确的标签ꎮ 使用 Ｃｏｎｔｒａｓｔｉｖｅ Ｐｅｓｓｉｍｉｓｔｉｃ Ｌｉｋｅｌｉｈｏｏｄ Ｅｓｔｉｍａｔｉｏｎ ＣＰＬＥ[１７]和 Ｓｅｌｆ ｌｅａｒｎｉｎｇ 两种半监督方法[１８]ꎮ ２􀆱 ４ 训练分类器 测试了 ６ 个不同的分类器分类结果ꎬ这 ６ 个分 类器分别是 ｋ 近邻ｋ Ｎｅａｒｅｓｔ ＮｅｉｇｈｂｏｒｓꎬｋＮＮ [１９]、 逻辑回归Ｌｏｇｉｓｔｉｃ ＲｅｇｒｅｓｓｉｏｎꎬＬＲ [２０]、 线性判别分 析ＦＬＤ、随机森林Ｒａｎｄｏｍ ＦｏｒｅｓｔꎬＲＦ [２１]、Ｌｉｎｅａｒ ＳＶＭ[２２]和 Ａｄａｂｏｏｓｔ[２３]ꎮ ３ 试验结果分析 首先介绍非平衡数据集常用的评价指标ꎻ展示 了无微震数据和有微震数据的特征提取结果ꎻ最后 分析了基于微震信号识别的半监督过采样框架 ＳＳＯＳＦ的效果ꎮ ３􀆱 １ 非平衡问题的评价指标 非平衡问题常用的评价指标有总体准确率 ＯＡ、 精 确 率 Ｐｒｅｃｉｓｉｏｎ、 回 归 率 Ｒｅｃａｌｌ 和 Ｆ１ 值[ ２４]ꎮ ３􀆱 ２ 特征提取 １原始空间数据ꎮ 为了验证本文方法的可行 性ꎬ使用兖矿集团的部分微震数据进行试验ꎮ 该数 据集是利用 ＳＯＳ 微震监测系统进行采集的ꎬＳＯＳ 微 震监测系统在矿井下布置了 ２０ 个微震速度传感器 ２０ 个通道ꎬ用来采集不同方位地震波通过传感器 的速度ꎬ传感器采样频率为 ５００ Ｈｚꎮ 此次试验共选 取 ２３５ 个样本数据ꎬ每个样本包含 ２０ 个通道的数 据ꎬ每个通道采集时间约为 ４ ｈꎬ含有 １０ ２４０ 个离散 点ꎮ 其中ꎬ具有冲击危险的样本数据有 ３５ 个ꎬ无危 险的样本数据有 ２００ 个ꎮ 一组无微震信号波形和微 震信号波形如图 ２ 所示ꎮ 对比图 ２ａ、图 ２ｂ 可知ꎬ当 有微震现象发生时监测到的震动幅度是正常情况下 的 １０ 倍左右ꎮ ２ＰＣＡ 特征提取ꎮ 原始数据共有 ２０ 个微震传 ５１２ 中国煤炭期刊网 w w w . c h in a c a j . n et ２０１８ 年第 ２ 期煤 炭 科 学 技 术第 ４６ 卷 感器信号ꎬ如果不对数据加以处理直接使用ꎬ会增加 计算成本ꎬ也会有数据的冗余ꎮ 因此ꎬ使用 ＰＣＡ 提 取 ２０ 个通道的主要特征ꎬ来提高计算速度并去除冗 余ꎮ 由于 ＰＣＡ 是一种有损的信息压缩方法ꎬ在特征 提取时不可避免地会造成信息丢失ꎮ 因此对 ＰＣＡ 的特征提取维度进行了试验ꎬ在保证整体信息基本 不丢失的情况下尽可能降低数据维度ꎬ试验效果如 图 ３ 所示ꎮ 图 ２ 原始信号波形 Ｆｉｇ􀆱 ２ Ｏｒｉｇｉｎａｌ ｓｉｇｎａｌ 图 ３ ＰＣＡ 不同维度信息保存率 Ｆｉｇ􀆱 ３ Ｉｎｆｏｒｍａｔｉｏｎ ｐｒｅｓｅｒｖａｔｉｏｎ ｒａｔｅ ｏｆ ＰＣＡ 统计了 ＰＣＡ 将原始数据压缩到 １４ 维时的原 始数据集信息的保存率ꎮ 通过观察ꎬ可以很直观地 发现当把数据压缩到 １ 维时ꎬ会造成原始数据集信 息的大量丢失ꎬ信息保存率只有 ７０％左右ꎬ当增加 保留维度后ꎬ信息保存率显著提升ꎮ 当提取 ４ 维数 据时ꎬ基本可以保留 ９８％左右的原始信息ꎬ此时认 为特征提取出的数据可以很好地代表总体数据ꎮ 提 取更高维数据时ꎬ保存率增加极其缓慢ꎬ反而会增加 计算成本ꎬ所以选择将 ２０ 个通道的数据压缩至 ４ 维ꎮ 相比 ２０ 个通道的数据ꎬ用 ４ 维度的数据不仅可 以简化计算ꎬ而且可以更好地表达整体数据特点ꎮ ３小波特征提取ꎮ 利用小波变换将时间序列 排列的数据转换到频率域ꎮ 因为频域数据能更好地 表达微震数据的特征信息ꎮ 选用尺度为 ６ 的小波进 行特征分解ꎬ对于单一通道数据ꎬ经过变换后ꎬ原本 １０ ２４０ 维度的数据转换成了 ６４ 行 １６０ 列的 １ 个矩 阵ꎬ其中 ６４ 代表 ６４ 个子频带ꎬ１６０ 代表每个频带下 的数据点数ꎮ 经过小波变换ꎬ将时序数据转换成了 频域数据ꎮ 将无微震信号和微震信号进行小波变换的结果 如图 ４、图 ５ 所示ꎬ包括 ＳＯＳ 微震监测系统采集的原 始信号和序列为６ꎬ１的小波信号ꎮ 比较图 ４ 和图 ５ 可知ꎬ小波变换后ꎬ时序数据转变为频域数据ꎬ微 地震速度波形的低频部分被有效地放大ꎬ微地震波 中包含的有价值信息也被有效表达出来ꎮ 图 ４ 无微震信号小波变换效果 Ｆｉｇ􀆱 ４ Ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ ｅｆｆｅｃｔ ｏｎ ｎｏｎ－ｍｉｃｒｏｓｅｉｓｍｉｃ ｓｉｇｎａｌ ４Ｆｉｓｈｅｒ 特征提取ꎮ 经过小波特征提取后ꎬ现 在已经获得了包含微震大部分信息的多维数据集ꎮ 如果此时对该数据集进行分类识别ꎬ由于数据的维 度过高ꎬ计算起来会显得很复杂ꎻ另外ꎬ小波变换后 的数据也存在特征相对集中在一些子频率带里ꎬ而 其中有一些子频带对于识别是没有价值的ꎬ反而会 增加计算量ꎮ 所以ꎬ使用 ＦＬＤ 对小波变换后的数据 进行特征提取ꎮ ＦＬＤ 可以找到一个最好的投影方向ꎬ使样本在 这个方向上的投影能最大程度地分开ꎮ 这样不仅能 有效降低数据维数ꎬ而且数据在低维按类别最大程 度地分开ꎬ有利于后续使用合适的分类器对数据进 ６１２ 中国煤炭期刊网 w w w . c h in a c a j . n et 程 健等基于半监督过采样非平衡学习的矿山微震信号识别２０１８ 年第 ２ 期 图 ５ 微震信号小波变换效果 Ｆｉｇ􀆱 ５ Ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ ｅｆｆｅｃｔ ｏｎ ｍｉｃｒｏｓｅｉｓｍｉｃ ｓｉｇｎａｌ 行分类识别ꎮ 试验中ꎬ将经过小波变换的单一通道数据由 ６４ 行 １６０ 列的矩阵转换为 １ 行 ６４ 列的矩阵ꎮ 至此ꎬ通 过使用 ３ 种特征提取方法ꎬ将单个原始样本数据结 构由２０ 行１０ ２４０ 列组成的数据转变为４ 行６４ 列的 数据ꎬ数据维度和数据量大幅降低ꎮ 综上ꎬ在使用 ＰＣＡ、Ｗａｖｅｌｅｔ 和 ＦＬＤ 三种特征提 取方法之后ꎬ将原始的 ２０ 通道ꎬ每个通道 ２３５ 个 １０ ２４０维度的数据提取成 ４ 通道ꎬ单通道 ２３５ 个 ６４ 维度的数据ꎮ 这大幅减少了数据量ꎬ且获得了原始 高维时序数据的低维频率特征表达ꎮ 之后的试验 中ꎬ把 ４ 个通道的数据视为 ４ 组独立的数据ꎬ分别训 练 ４ 个模型ꎬ最终 ４ 个模型投票确定最终的分类结 果ꎮ 只要超过 ２ 个模型判断是微震数据ꎬ这个数据 就被标记为微震数据ꎮ ３􀆱 ３ 半监督过采样框架识别效果 对原始高维时序数据集进行特征提取之后ꎬ 进行无微震和微震信号的模式识别ꎮ 因为原始数 据集中无微震数据只有 ３５ 个ꎬ微震数据 ２００ 个ꎬ 存在明显的非平衡问题ꎮ 在这种非平衡情况下ꎬ 传统的分类算法普遍表现较差ꎬ所以ꎬ对经过特征 提取的数据进行半监督过采样学习ꎬ期望获得较 好的分类性能ꎮ 在特征空间数据集上ꎬ随机抽取 １８０ 个无微震 的样本和 ２５ 个微震样本组成训练集ꎮ 剩下的 ２０ 个 安全样本和 １０ 个微震样本组成测试集ꎮ 对比了经过 ＳＭＯＴＥ 过采样形成的数据集直接 分类和经过 ＣＰＬＥ、ＳＥＬＦ 半监督重新添加标签后分 类的效果ꎬ试验了半监督方法的有效性ꎻ同时对比了 ６ 种不同分类器的分类性能ꎮ 试验结果见表 １ꎮ 表 １ 半监督过采样框架微震信号模式识别效果 Ｔａｂｌｅ １ Ｒｅｃｏｇｎｉｔｉｏｎ ｅｆｆｅｃｔ ｏｆ ｍｉｃｒｏｓｅｉｓｍｉｃ ｓｉｇｎａｌ ｂａｓｅｄ ｏｎ ｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄ ｏｖｅｒ－ｓａｍｐｌｉｎｇ ｆｒａｍｅｗｏｒｋ 方法分类器总正确率精确率回归率 评价指标Ｆ１值 ＳＭＯＴＥ ＫＮＮ０.７３３ ３１.００.２０.３３３ ３ ＬＲ０.８００ ０１.００.４０.５７１ ４ ＦＬＤ０.８６６ ６１.００.６０.７５０ ０ ＲＦ０.８３３ ３１.００.５０.６６６ ７ ＳＶＭ０.７６６ ６１.００.３０.４６１ ５ Ａｄａｂｏｏｓｔ０.８６６ ６１.００.６０.７５０ ０ ＣＰＬＥ ＫＮＮ０.７６６ ６１.００.３０.４６１ ５ ＬＲ０.８３３ ３１.００.５０.６６６ ７ ＦＬＤ０.９００ ０１.００.７０.８２３ ５ ＲＦ０.８６６ ６１.００.６０.７５０ ０ ＳＶＭ０.７６６ ６１.００.３０.４６１ ５ Ａｄａｂｏｏｓｔ０.９３３ ３１.００.８０.８８８ ９ ＳＥＬＦ ＫＮＮ０.８００ ０１.００.４０.５７１ ４ ＬＲ０.８６６ ６１.００.６０.７５０ ０ ＦＬＤ０.８３３ ３１.００.５０.６６６ ７ ＲＦ０.９００ ０１.００.７０.８２３ ５ ＳＶＭ０.８００ ０１.００.４０.５７１ ４ Ａｄａｂｏｏｓｔ０.９００ ０１.００.７０.８２３ ５ 观察表 １ 可知ꎬ所有模型预测结果的精确率都 是 １ꎬ这说明一个数据如果被预测为微震ꎬ那么这个 数据一定是微震数据ꎮ 但是回归率不为 １ꎬ有些模 型的回归率甚至在 ０.５ 以下ꎬ这意味着ꎬ对于一个真 实的微震数据ꎬ有很大的概率会被模型预判成无危 险数据ꎬ这对煤矿安全是非常危险的ꎮ 由于精确率 相同ꎬ因此总正确率和 Ｆ１ 的值也是由回归率决定 的ꎬ因此着重分析回归率这一指标ꎮ １通过有无半监督方法的对比可以发现ꎬ不管 是 ＣＰＬＥ 还是 ＳＥＬＦꎬ相比于 ＳＭＯＴＥ 直接分类的方 法ꎬ回归率指标都有较为明显的提升ꎮ 对于 ＣＰＬＥꎬ 除了 ＳＶＭ 的效果差于 ＳＭＯＴＥ 外ꎬ其余的模型准确 率均有提升ꎮ ＳＥＬＦ 方法中ꎬ只有 ＦＬＤ 差于 ＳＭＯＴＥꎮ 这表明了半监督方法确实可以通过为过采样数据添 加更加准确的标签来提高最终分类器的性能ꎮ ２通过不同分类器的对比可以发现ꎬ基于简单 统计规律的 ＫＮＮ 效果最差ꎻＦＬＤ、ＬＲ 和 ＳＶＭ 表现较 ７１２ 中国煤炭期刊网 w w w . c h in a c a j . n et ２０１８ 年第 ２ 期煤 炭 科 学 技 术第 ４６ 卷 好ꎻ Ａｄａｂｏｏｓｔ 和随机森林这 ２ 种集成学习的方法可 以取得最好的效果ꎮ 这可能是因为集成学习的鲁棒 性和适应性更好ꎮ 因此在微震数据监测的半监督过 采样框架中使用集成学习作为分类器最为合理ꎮ ４ 结 语 提出一种半监督过采样的框架ＳＳＯＳＦ来对煤 矿微震数据进行模式识别ꎬ实现冲击矿压灾害的预 防预警ꎮ 试验结果表明ꎬ在对原始数据进行 ＰＣＡ 特 征提取时ꎬ提取 ４ 维特征可以最大程度保留原始数 据的信息ꎮ 利用小波变换对 ＰＣＡ 提取的低维特征 数据进行时频分析ꎬ将数据转换到频率域进行分析ꎮ 使用 ＦＬＤ 对 ６４ 个子频带进行特征提取ꎮ 特征提取 之后ꎬ使用半监督过采样分类器来进行微震信号的 模式识别ꎮ 一方面ꎬ使用多种特征提取方法来提取 微震数据集的特征ꎬ可以更好地表达微震数据集ꎬ在 此基础上可以提高算法的处理速度ꎬ并获得更好地 模式识别效果ꎮ 另一方面ꎬ使用过采样的方法来处 理微震数据集中存在的微震数据样本不足的问题ꎬ 并使用半监督学习的方式来提高过采样数据的标注 准确度ꎮ 但是在试验过程中ꎬ没有对 ＦＬＤ 特征提取进 行提取维度的研究ꎬ只是简单地将高维数据降到 了 １ 维ꎬ这是欠考虑的ꎬ因为可能存在一个合适的 低维结构可以更好地代表原始高维数据信息ꎬ而 不是 １ 维特征ꎬ这样也许可以提高模式识别的准 确率ꎮ 参考文献Ｒｅｆｅｒｅｎｃｅｓ [１] 曹安业ꎬ井广成ꎬ窦林名ꎬ等.孤岛面开采强矿震异常区的被动 声波探测技术及应用[Ｊ].采矿与安全工程学报ꎬ ２０１５ꎬ３２１ ２０－２７. ＣＡＯ ＡｎｙｅꎬＪＩＮＧ ＧｕａｎｇｃｈｅｎｇꎬＤｏｕ Ｌｉｎｍｉｎｇꎬｅｔ ａｌ.Ｓｅｉｓｍｉｃ ｈａｚａｒｄ ａｓｓｅｓｓｍｅｎｔ ｉｎ ｃｏｍｐｌｅｘ ｉｓｌａｎｄ ｃｏａｌｆａｃｅ ｂｙ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ [Ｊ].Ｊｏｕｒｎａｌ ｏｆ Ｍｉｎｉｎｇ ＆ Ｓａｆｅｔｙ Ｅｎｇｉｎｅｅｒｉｎｇꎬ２０１５ꎬ３２１２０－２７. [２] 杨纯东ꎬ巩思园ꎬ马小平ꎬ等.基于微震法的煤矿冲击危险性监 测研究[Ｊ].采矿与安全工程学报ꎬ ２０１４ꎬ３１６８６３－８６８. ＹＡＮＧ ＣｈｕｎｄｏｎｇꎬＧＯＮＧ ＳｉｙｕａｎꎬＭＡ Ｘｉａｏｐｉｎｇꎬｅｔ ａｌ.Ｒｏｃｋ ｂｕｒｓｔ ｄａｎｇｅｒ ｍｏｎｉｔｏｒｉｎｇ ｂａｓｅｄ ｏｎ ｍｉｃｒｏｓｅｉ－ ｓｍｉｃ ｍｅｔｈｏｄ[Ｊ].Ｊｏｕｒｎａｌ ｏｆ Ｍｉｎｉｎｇ ＆ Ｓａｆｅｔｙ Ｅｎｇｉｎｅｅｒｉｎｇꎬ２０１４ꎬ３１６８６３－８６８. [３] 李 健ꎬ吴顺川ꎬ高永涛ꎬ等.露天矿边坡微地震监测研究综述 [Ｊ].岩石力学与工程学报ꎬ２０１４ꎬ ３３Ｓ２３９９８－４０１３. ＬＩ ＪｉａｎꎬＷＵ ＳｈｕｎｃｈｕａｎꎬＧＡＯ Ｙｏｎｇｔａｏꎬｅｔ ａｌ.Ｒｅｖｉｅｗ ｏｆ ｓｌｏｐｅ ｍｉｃｒｏ－ ｓｅｉｓｍｉｃ ｍｏｎｉｔｏｒｉｎｇ ｉｎ ｏｐｅｎ－ｐｉｔ ｍｉｎｅ[Ｊ].Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｒｏｃｋ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇꎬ２０１４ꎬ３３Ｓ２３９９８－４０１３. [４] 柳云龙ꎬ田 有ꎬ冯 晅ꎬ等.微震技术与应用研究综述[Ｊ].地 球物理学进展ꎬ２０１３ꎬ２８４１８０１－１８０８. ＬＩＵ ＹｕｎｌｏｎｇꎬＴＩＡＮ ＹｏｕꎬＦＥＮＧ Ｘｕａｎꎬｅｔ ａｌ.Ｒｅｖｉｅｗ ｏｆ ｍｉｃｒｏｓｅｉｓｍ ｔｅｃｈｎｏｌｏｇｙ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ[Ｊ].Ｐｒｏｇｒｅｓｓ ｉｎ Ｇｅｏｐｈｙｓｉｃｓꎬ２０１３ꎬ２８ ４１８０１－１８０８. [５] ＤＥＢＮＡＴＨ Ｌ. Ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍｓ ａｎｄ ｔｈｅｉｒ ａｐｐｌｉｃａｔｉｏｎｓ [ Ｊ]. Ｐｈｙｓｉｃｓ Ｔｏｄａｙꎬ ２００３ꎬ ５６４６８－６８. [６] 曹安业ꎬ窦林名ꎬ秦玉红ꎬ等.高应力区微震监测信号特征分析 [Ｊ].采矿与安全工程学报ꎬ ２００７ꎬ ２４２１４６－１４９. ＣＡＯ ＡｎｙｅꎬＤＯＵ ＬｉｎｍｉｎｇꎬＱＩＮ Ｙｕｈｏｎｇꎬｅｔ ａｌ.Ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｏｆ ｍｉ￣ ｃｒｏｓｅｉｓｍｉｃ ｍｏｎｉｔｏｒｉｎｇ ｓｉｇｎａｌ ｉｎ ｈｉｇｈ ｓｔｒｅｓｓｅｄ ｚｏｎｅ[Ｊ].Ｊｏｕｒｎａｌ ｏｆ Ｍｉｎｉｎｇ ＆ Ｓａｆｅｔｙ Ｅｎｇｉｎｅｅｒｉｎｇꎬ２００７ꎬ２４２１４６－１４９. [７] 唐守锋ꎬ童敏明ꎬ潘玉祥ꎬ等.煤岩破裂微震信号的小波特征能 谱系数分析法[Ｊ].仪器仪表学报ꎬ ２０１１ꎬ ３２７１５２１－１５２７. ＴＡＮＧ Ｓｈｏｕｆｅｎｇꎬ ＴＯＮＧ Ｍｉｎｍｉｎｇꎬ ＰＡＮ Ｙｕｘｉａｎｇꎬ ｅｔ ａｌ. Ｅｎｅｒｇｙ ｓｐｅｃｔｒｕｍ ｃｏｅｆｆｉｃｉｅｎｔ ａｎａｌｙｓｉｓ ｏｆ ｗａｖｅｌｅｔ ｆｅａｔｕｒｅｓ ｆｏｒ ｃｏａｌ ｒｕｐｔｕｒｅ ｍｉｃｒｏｓｅｉｓｍｉｃ ｓｉｇｎａｌ[Ｊ].Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｓｃｉｅｎｔｉｆｉｃ Ｉｎｓｔｒｕｍｅｎｔꎬ ２０１１ꎬ ３２７１５２１－１５２７. [８] 赵国彦ꎬ邓青林ꎬ马 举.基于 ＦＳＷＴ 时频分析的矿山微震信号 分析与识别[Ｊ].岩土工程学报ꎬ２０１５ꎬ ３７２３０６－３１２. ＺＨＡＯ ＧｕｏｙａｎꎬＤＥＮＧ ＱｉｎｇｌｉｎꎬＭＡ Ｊｕ.Ｒｅｃｏｇｎｉｔｉｏｎ ｏｆ ｍｉｎｅ ｍｉｃｒｏ￣ ｓｅｉｓｍｉｃ ｓｉｇｎａｌｓ ｂａｓｅｄ ｏｎ ＦＳＷＴ ｔｉｍｅ－ｆｒｅｑｕｅｎｃｙ ａｎａｌｙｓｉｓ[Ｊ].Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏｔｅｃｈｎｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇꎬ２０１５ꎬ３７ꎬ２３０６－３１２. [９] 朱权洁ꎬ姜福兴ꎬ尹永明ꎬ等.基于小波分形特征与模式识别的 矿山微震波形识别研究[Ｊ].岩土工程学报ꎬ２０１２ꎬ３４１１ ２０３６－２０４２. ＺＨＵ ＱｕａｎｊｉｅꎬＪＩＡＮＧ ＦｕｘｉｎｇꎬＹＩＮ Ｙｏｎｇｍｉｎｇꎬｅｔ ａｌ.Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｍｉｎｅ ｍｉｃｒｏｓｅｉｓｍｉｃ ｅｖｅｎｔｓ ｂａｓｅｄ ｏｎ ｗａｖｅｌｅｔ － ｆｒａｃｔａｌ ｍｅｔｈｏｄ ａｎｄ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ.[Ｊ].Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｇｅｏｔｅｃｈｎｉｃａｌ Ｅｎｇｉｎｅｅｒ￣ ｉｎｇꎬ２０１２ꎬ３４１１２０３６－２０４２. [１０] ＶＡＬＬＥＪＯＳ Ｊ Ａꎬ ＭＣＫＩＮＮＯＮ Ｓ Ｄ.Ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ ａｎｄ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｓｅｉｓｍｉｃ ｒｅｃｏｒｄｓ[Ｊ].Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｏｃｋ Ｍｅｃｈａｎｉｃｓ ＆ Ｍｉｎｉｎｇ Ｓｃｉｅｎｃｅｓꎬ２０１３ꎬ６２９８６－９５. [１１] ＤＯＮＧ Ｌꎬ ＷＥＳＳＥＬＯＯ Ｊꎬ ＰＯＴＶＩＮ Ｙꎬ ｅｔ ａｌ.Ｄｉｓｃｒｉｍｉｎａｔｉｏｎ ｏｆ ｍｉｎｅ ｓｅｉｓｍｉｃ ｅｖｅｎｔｓ ａｎｄ ｂｌａｓｔｓ ｕｓｉｎｇ ｔｈｅ ｆｉｓｈｅｒ ｃｌａｓｓｉｆｉｅｒꎬ ｎａｉｖｅ ｂａｙｅｓｉａｎ ｃｌａｓｓｉｆｉｅｒ ａｎｄ ｌｏｇｉｓｔｉｃ ｒｅｇｒｅｓｓｉｏｎ [ Ｊ]. Ｒｏｃｋ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｒｏｃｋ Ｅｎｇｉｎｅｅｒｉｎｇꎬ２０１６ꎬ４９１ １８３－２１１. [１２] ＤＩＮＧ Ｓꎬ ＺＨＵ Ｈꎬ ＪＩＡ Ｗꎬ ｅｔ ａｌ.Ａ ｓｕｒｖｅｙ ｏｎ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｆｏｒ ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ[Ｊ]. Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ｒｅｖｉｅｗꎬ２０１２ꎬ３７ ３１６９－１８０. [１３] ＡＢＤＩ Ｈꎬ ＷＩＬＬＩＡＭＳ Ｌ Ｊ.Ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ[Ｊ].Ｗｉｌｅｙ Ｉｎｔｅｒｄｉｓｃｉｐｌｉｎａｒｙ Ｒｅｖｉｅｗｓ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｓｔａｔｉｓｔｉｃｓꎬ２０１０ꎬ２４ ４３３－４５９. [１４] ＧＩＬＬＥＳ Ｊ.Ｅｍｐｉｒｉｃａｌ ｗａｖｅｌｅｔ ｔｒａｎｓｆｏｒｍ[Ｊ].ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｉｎｇꎬ２０１３ꎬ６１１６３９９９－４０１０. [１５] ＹＡＮＧ Ｊꎬ ＹＡＮＧ Ｊ Ｙꎬ ＹＥ Ｈ.Ｔｈｅｏｒｙ ｏｆ ｆｉｓｈｅｒ ｌｉｎｅａｒ ｄｉｓｃｒｉｍｉｎａｎｔ ａｎａｌｙｓｉｓ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ[Ｊ].Ａｃｔａ Ａｕｔｏｍａｔｉｃａ Ｓｉｎｉｃａꎬ２００３ꎬ２９ ４４８１－４９３. [１６] ＣＨＡＷＬＡ Ｎ Ｖꎬ ＢＯＷＹＥＲ Ｋ Ｗꎬ ＨＡＬＬ Ｌ Ｏꎬ ｅｔ ａｌ.ＳＭＯＴＥ ｓｙｎｔｈｅｔｉｃ ｍｉｎｏｒｉｔｙ ｏｖｅｒ－ｓａｍｐｌｉｎｇ ｔｅｃｈｎｉｑｕｅ[Ｊ].Ｊｏｕｒｎａｌ ｏｆ 下转第 ２０２ 页 ８１２ 中国煤炭期刊网 w w w . c h in a c a j . n et ２０１８ 年第 ２ 期煤 炭 科 学 技 术第 ４６ 卷 参考文献Ｒｅｆｅｒｅｎｃｅｓ [１] 陈 世 建. 煤 矿 风 井 防 爆 门 改 进 [ Ｊ]. 煤 矿 机 械ꎬ ２００７ꎬ ２８ ６１４０－１４１. ＣＨＥＮ Ｓｈｉｊｉａｎ. Ｉｍｐｒｏｖｅｍｅｎｔ ｏｆ ｃｏａｌ ｍｉｎｅ ｅｘｐｌｏｓｉｏｎ － ｐｒｏｏｆ ｄｏｏｒ [Ｊ].Ｃｏａｌ Ｍａｃｈｉｎｅｒｙꎬ２００７ꎬ２８６１４０－１４１. [２] 王德明.矿井通风与安全[Ｍ].徐州中国矿业大学出版社ꎬ ２０１２５６－２８０. [３] 荀洪菲.关于煤矿现有回风立井防爆盖存在问题的改进[Ｊ].中 国煤炭ꎬ２０１１ꎬ３７１０６８－６９. ＸＵＮ Ｈｏｎｇｆｅｉ.Ｉｍｐｒｏｖｅｍｅｎｔ ｏｆ ｅｘｐｌｏｓｉｏｎ－ｐｒｏｏｆ ｄｏｏｒ ｆｏｒ ｒｅｔｕｒｎ ｓｈａｆｔ ｉｎ ｃｏａｌ ｍｉｎｅ[Ｊ].Ｃｈｉｎａ Ｃｏａｌꎬ２０１１ꎬ３７１０６８－６９. [４] 王忠龙.可快速更换的立井防爆盖及其配套设备设计研究 [Ｄ].徐州中国矿业大学ꎬ２０１４１－８０. [５] 荀洪菲ꎬ白宏峰ꎬ王克智ꎬ等.煤矿自复式防爆盖的设计[Ｊ].煤ꎬ ２０１１ꎬ１２１２５９－６０. ＸＵＮ ＨｏｎｇｆｅｉꎬＢＡＩ ＨｏｎｇｆｅｎｇꎬＷＡＮＧ Ｋｅｚｈｉꎬｅｔ ａｌ.Ｄｅｓｉｇｎ ｏｆ ｃｏａｌ ｍｉ