亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于支持向量機(jī)集成算法的煤礦頂板狀態(tài)檢測

        2012-08-15 02:01:46付家才張鐵山
        關(guān)鍵詞:訓(xùn)練樣本特征提取頂板

        付家才,張鐵山,任 眾

        (黑龍江科技學(xué)院,黑龍江 哈爾濱 150027)

        我國是一個煤炭大國,煤炭資源豐富,且煤炭消費(fèi)量逐年增加。為保證國民經(jīng)濟(jì)的持續(xù)健康發(fā)展,需要有計劃地大規(guī)模開采煤炭資源。然而,我國在煤炭開采中的安全事故經(jīng)常發(fā)生。其中,冒頂事故是最常見的安全事故之一,給國家和人民帶來了巨大的損失。而要避免和減少冒頂事故的發(fā)生,關(guān)鍵就是要對頂板的安全性能進(jìn)行及時、有效地檢測,以便工程技術(shù)人員及時排除安全隱患。

        敲幫問頂(wall tapping and roof sounding)是依靠人耳極其靈敏的聽覺系統(tǒng)和長期的實踐經(jīng)驗來判斷頂板的安全穩(wěn)定性的,是目前被廣泛沿用的對頂板進(jìn)行安全檢測的重要途徑。但這種方法對工人自身技能要求較高,且對工人的人身安全有一定的安全隱患。因此,研究新的檢測技術(shù)就顯得非常迫切。其中,基于模式識別的檢測是目前研究的重要方向之一。在應(yīng)用現(xiàn)代模式識別技術(shù)對頂板進(jìn)行狀態(tài)監(jiān)測和故障診斷中,功率特征提取和分類器模型設(shè)計是兩個至關(guān)重要的因素。本文采用基于聽覺模型和支持向量機(jī)集成算法?;诼犛X模型的聲信號特征提取、分類、識別的研究,近年來得到了國內(nèi)外學(xué)者的高度重視,特別在語音信號處理方面。但是針對煤礦頂板敲擊聲音信號方面重視較少。支持向量機(jī)SVM(Support Vector Machines)是Vapnik等人根據(jù)統(tǒng)計學(xué)習(xí)理論中結(jié)構(gòu)風(fēng)險最小化原則提出的。而支持向量機(jī)集成SVME(Support Vector Machine Ensemble)可以提高支持向量機(jī)的分類性能[1-2]。

        本文正是基于以上原因,針對小樣本、多類煤礦頂板,提出了基于支持向量機(jī)集成算法對煤礦頂板安全性能進(jìn)行檢測的方法。

        1 人耳聽覺功率譜特征提取

        人們通過對生理聲學(xué)、心理聲學(xué)和信號處理的研究和分析[3-4],建立了人耳聽覺模型,并且利用此模型來對聲音信號進(jìn)行聽覺譜特征提取。該聽覺譜特征[5]提取過程如圖1所示。

        通過對模仿人的聽覺感知機(jī)理進(jìn)行分析,聽覺譜特征提取算法主要有三個方面的處理:(1)臨界頻帶段分析處理;(2)等響度級預(yù)處理;(3)等響度轉(zhuǎn)換。利用臨界頻帶分析,計算模型考慮了耳蝸的分頻特性,由此可以反映人耳的掩蔽效應(yīng)。

        圖1 聽覺譜特征提取原理

        2 支持向量機(jī)集成算法

        頂板狀態(tài)模型為利用已知類別的頂板狀態(tài)樣本建立支持向量機(jī)分類器模型。首先給定n個獨(dú)立樣本,每個樣本xi有d個特征,樣本x分別屬于m類頂板狀態(tài)。

        X={(xi,yi)}|{xi∈Rd,yi∈{1,2,…,m},i=1,2,…,n}

        通過對給定的樣本集進(jìn)行訓(xùn)練得到一個分類器,利用此分類器對測試樣本集進(jìn)行分類的算法稱為機(jī)器學(xué)習(xí)算法。

        為了提高支持向量機(jī)的分類性能和分類精度,可以把多個分類器集成起來。針對小樣本、多類頂板狀態(tài)診斷問題,本文提出的支持向量機(jī)集成(SVME)算法,結(jié)合了敲擊聲音信號的人耳聽覺譜特征,對頂板狀態(tài)進(jìn)行診斷。

        SVME算法流程如圖2所示。

        圖2 支持向量機(jī)集成(SVME)算法流程

        如圖2所示,對于SVME算法而言,首先應(yīng)給定訓(xùn)練樣本集X和訓(xùn)練樣本的初始加權(quán)系數(shù)w1(i)=,i=1,2,…,n;然后,進(jìn)行一個循環(huán)函數(shù)以訓(xùn)練 T個個體SVMC。

        在循環(huán)體中,首先從給出的訓(xùn)練樣本集X中按照一定的概率抽取樣本并獲得新的訓(xùn)練樣本Xt;然后,依據(jù)新獲得的訓(xùn)練樣本Xt來優(yōu)化選擇個體SVMC核函數(shù)參數(shù),并訓(xùn)練 SVM以獲得分類超平面 ft(Xt);再次,計算出該分類超平面的加權(quán)分類錯誤率;最后,做出一個判斷:即判斷計算出的加權(quán)分類錯誤率是否≥0.5或=1。如果條件成立,則結(jié)束該循環(huán),并運(yùn)用加權(quán)多數(shù)投票法集成個體SVMC;反之,則改變加權(quán)系數(shù),進(jìn)行下一輪循環(huán),直至條件成立,退出循環(huán)。

        要想獲得一個高性能和高精度的支持向量機(jī)集成模型,就必需要對優(yōu)化不敏感損失函數(shù)ε、懲罰系數(shù)c和核參數(shù)γ等參數(shù)進(jìn)行優(yōu)化處理,而這些參數(shù)之間相互影響。實際上,選擇過程是一個優(yōu)化搜索的過程,由于深度優(yōu)先算法具有全局搜索性能力強(qiáng)、并行性和啟發(fā)式等優(yōu)點,所以本文采用深度優(yōu)先算法對SVMC參數(shù)進(jìn)行尋優(yōu)。深度優(yōu)先算法[6]是一種基于圖論的優(yōu)化算法,其基本思想:為了求得問題的解,先選擇某一種可能情況向前(子結(jié)點)探索,在探索過程中,一旦發(fā)現(xiàn)原來的選擇不符合要求,則回溯至父親結(jié)點重新選擇另一結(jié)點,繼續(xù)向前探索。如此反復(fù)進(jìn)行,直至求得最優(yōu)解。深度優(yōu)先搜索的實現(xiàn)方式可以采用遞歸或者棧來實現(xiàn)。

        采用深度優(yōu)先搜索對SVMC參數(shù)c、γ和ε進(jìn)行優(yōu)化的具體步驟如下:

        (1)對SVMC中的參數(shù) c、γ和ε進(jìn)行初始范圍的確定,按照步長對參數(shù)c、γ和ε進(jìn)行等量劃分,以此獲得離散數(shù)組。

        (2)首先利用LIBSVM軟件采用交叉驗證方法對參數(shù)c、γ和ε進(jìn)行建立模型和預(yù)測;然后對每組均方根誤差進(jìn)行比較;最后選擇最小的均方根誤差所對應(yīng)的參數(shù)為本次的SVMC最佳參數(shù)組合。

        (3)將本次最優(yōu)參數(shù)和上一次最優(yōu)參數(shù)的均方根誤差進(jìn)行比較,如果均方根誤差小于上一次均方根誤差,則跳轉(zhuǎn)到步驟(4),否則跳轉(zhuǎn)到步驟(5)。

        (4)根據(jù)上一次的最優(yōu)參數(shù),并且采用啟發(fā)式方式在該參數(shù)附近進(jìn)行參數(shù)范圍修改,從而加快參數(shù)搜索速度;然后跳轉(zhuǎn)到步驟(1),重新進(jìn)行遞歸運(yùn)算。

        (5)參數(shù)優(yōu)化結(jié)束后,退出運(yùn)算,取此時的參數(shù) c、γ和ε為SVMC的最優(yōu)參數(shù)。

        深度優(yōu)先搜索參數(shù)優(yōu)化流程圖如圖3所示。

        圖3 深度優(yōu)先搜索參數(shù)優(yōu)化流程

        3 實驗及結(jié)果

        3.1 實驗數(shù)據(jù)集

        本文實驗數(shù)據(jù)是從我國東北某大型煤礦井下頂板上采集的,共有4類目標(biāo):一類是安全頂板,另3類是3種危險頂板 (浮石、剝層和斷裂)。信號的采樣頻率是20 000 Hz,每個樣本長度為4 096個點。安全頂板、浮石頂板、剝層頂板和斷裂頂板的樣本數(shù)目分別為2 000、200、500、150。 由于受到實驗數(shù)據(jù)采樣頻率(20 000 Hz)的限制,本文只在20~10 000 Hz頻率范圍內(nèi) (即前 22個臨界頻帶內(nèi))提取了4類頂板的敲擊聲信號的聽覺譜特征。

        3.2 實驗

        在分類實驗中,訓(xùn)練樣本數(shù)目和測試樣本數(shù)目的比值是1﹕4,提取樣本的聽覺譜特征后,分別用SVME算法和單個SVMC對4類目標(biāo)進(jìn)行頂板狀態(tài)診斷實驗。為了避免樣本選取的隨機(jī)性對實驗結(jié)果帶來的誤差,實驗分別進(jìn)行了20次,最終結(jié)果為20次實驗結(jié)果的平均值。檢測結(jié)果如表1所示。

        從表1可以看出,支持向量機(jī)集成算法可以有效識別安全頂板和危險頂板,并進(jìn)行狀態(tài)診斷,而且其識別4類目標(biāo)的正確識別率都比單個SVMC要高。特別是本文所提出的算法對危險頂板的正確識別率比單個SVMC提高了2.57%~3.22%。實驗結(jié)果證明,本文提出的支持向量機(jī)集成(SVME)算法是有效的,可以應(yīng)用于煤礦頂板狀態(tài)識別和故障診斷中。

        表1 四類頂板檢測結(jié)果

        本文提出了支持向量機(jī)集成(SVME)算法,采用了深度優(yōu)先搜索對支持向量機(jī)集成參數(shù)進(jìn)行優(yōu)化,并結(jié)合敲擊聲信號的人耳聽覺譜特征用于頂板狀態(tài)的分類識別。實驗證明,本文所提出的SVME算法識別率較高,可以滿足現(xiàn)場檢測的要求,為煤礦頂板狀態(tài)診斷提供了新的方法。

        [1]VAPNIK V.The nature of statistical learning theory[M].New York: Springer-Verlag, 1999.

        [2]楊宏暉,孫進(jìn)才.基于支持向量機(jī)集成的水下目標(biāo)自動識別系統(tǒng)[J].測控技術(shù), 2006, 25(12).

        [3]ZWICKER E,F(xiàn)ASTL H.Psychoacoustics facts and models[M].NewYork: Springer-Verlag,1999.

        [4]HERMANSK H.Perceptual linear predictive(PLP)analysisof speech[J].Journal of the Acoustical Society ofAmeri-ca,1990, 87(4): 1738-1751.

        [5]楊宏暉,侯宏,曾向陽.基于聲信號人耳聽覺譜特征的風(fēng)機(jī)故障診斷[J].儀器儀表學(xué)報,2009,30(1).

        [6]李立紅,許元飛.深度優(yōu)先搜索的支持向量機(jī)參數(shù)優(yōu)化算法[J].計算機(jī)仿真,2011,28(7):216-219.

        猜你喜歡
        訓(xùn)練樣本特征提取頂板
        人工智能
        基于Daubechies(dbN)的飛行器音頻特征提取
        電子制作(2018年19期)2018-11-14 02:37:08
        Bagging RCSP腦電特征提取算法
        寬帶光譜成像系統(tǒng)最優(yōu)訓(xùn)練樣本選擇方法研究
        融合原始樣本和虛擬樣本的人臉識別算法
        基于稀疏重構(gòu)的機(jī)載雷達(dá)訓(xùn)練樣本挑選方法
        煤礦頂板錨固體失穩(wěn)模式探測儀的研發(fā)與應(yīng)用
        中國煤炭(2016年9期)2016-06-15 20:29:54
        基于MED和循環(huán)域解調(diào)的多故障特征提取
        一種新型頂板位移傳感器的設(shè)計
        煤礦井下巷道掘進(jìn)頂板支護(hù)探析
        河南科技(2014年1期)2014-02-27 14:04:12
        91亚洲精品福利在线播放| 青青草精品在线视频观看| 精品亚洲麻豆1区2区3区| 国产影片免费一级内射| 日本美女在线一区二区| 91久久国产香蕉熟女线看| 国产乱淫h侵犯在线观看| 国产色av一区二区三区| 午夜视频在线观看一区二区小| 真实夫妻露脸自拍视频在线播放 | 熟女人妻中文字幕一区 | 无码精品国产一区二区三区免费| 啦啦啦www在线观看免费视频| 99久久er这里只有精品18| 亚洲依依成人综合在线网址| 午夜不卡亚洲视频| 美女丝袜诱惑在线播放蜜桃| 青青草小视频在线播放| 中国无码人妻丰满熟妇啪啪软件 | 九九99国产精品视频| 亚洲AV乱码毛片在线播放| 久草视频在线视频手机在线观看| 日韩有码在线一区二区三区合集 | 成人一区二区免费视频| 精品午夜久久网成年网| 无码国产精品一区二区免费式芒果| 99在线无码精品秘 入口九色| 国产剧情亚洲一区二区三区| 国产精品国产三级国产av18 | 亚洲av无码xxx麻豆艾秋| 国产精品污www一区二区三区| 亚洲 欧美 国产 日韩 精品| 久久免费精品国产72精品剧情| 久久亚洲精品成人av观看| 日韩人妻系列在线观看| 国内精品久久久久影院薰衣草| 97久久精品午夜一区二区| 少妇高潮惨叫久久久久久| 久久久精品电影| 亚洲一区二区三区熟妇| 无套内内射视频网站|