项目来源

江苏省基础研究计划（自然科学基金）

项目主持人

赵志凯

项目受资助机构

中国矿业大学

项目编号

BK20140216

立项年度

2014

立项时间

未公开

研究期限

未知 / 未知

项目级别

省级

受资助金额

20.00万元

学科

电子信息

学科代码

未公开

基金类别

未公开

关键词

深度学习 ; DBN ; ELM ; LSTM ; 特征提取 ; 瓦斯预警 ;

参与者

修伟杰

参与机构

未公开

项目标书摘要：煤矿瓦斯灾害是制约安全生产的严重自然灾害之一，从海量瓦斯数据中提取有效的特征，及早识别瓦斯灾害隐患是进行事故预警的有效方法。现有的灾害预测模型以浅层学习为主，缺乏对瓦斯数据的深度特征表示，同时，由于样本数据标注困难，有标签样本数少，导致模型泛化能力差，难以适应煤矿复杂环境下高维异构的监测数据。针对该问题，本研究以煤矿瓦斯数据深度特征提取为出发点，以煤矿瓦斯灾害预测为目标，采用深度学习技术，建立煤矿瓦斯数据特征提取算法和灾害预警模型。(1)本研究第一部分就是利用深层学习网络模型DBN进行瓦斯数据特征提取和分类，实验结果表明，深层模型DBN比浅层模型SVM和KNN在分类精度上取得了进步。利用深层网络进行煤矿瓦斯数据特征提取，会获得更利用分类的特征，与传统浅层学习方法相比，在分类精度上有所提高。(2)结合ELM的优势，对第一部分研究部分提出DBN进行了改进，提出的混合深度学习模型DBN-ELM在煤矿瓦斯数据分类上的结果又得到了改良。(3)传统神经网络模型，缺乏对样本间时域相关性的考虑，而煤矿瓦斯传感器数据是典型的时间序列数据，因此，提出了LSTM模型，在网络训练过程中考虑了样本的相关性，与DBN-ELM相比，分类准确率又得到了提高。通过本研究表明，采用深度学习进行煤矿瓦斯数据的特征提取和分类研究是一个很好的方向，对于减少和防止安全事故的发生，科学开展矿井煤矿瓦斯灾害识别，摆脱事故带来的不利局面，具有很好的意义和应用前景。

项目受资助省

江苏省