[发明专利]一种基于多视图集成学习的煤矿瓦斯浓度预警方法

权利要求书

1.一种基于多视图集成学习的煤矿瓦斯浓度预警方法，检测当前煤矿瓦斯浓度风险等级，若当前煤矿瓦斯浓度风险等级大于事故阈值，则进行预警提示，其特征在于，所述检测当前煤矿瓦斯浓度风险等级，包括：

步骤1、读取煤矿瓦斯浓度数据集，采用归一化和离散化方法处理数据集，构建训练集和测试集，将离线数据集作为训练集，实时数据集作为测试集；

步骤2、计算特征与特征间互信息、特征与标签间互信息，生成特征集合的关联矩阵；

步骤3、初始化视图，定义视图个数，并随机为每个视图加入一个特征，将这些特征从特征集合中删除，从剩下的特征中随机选择一个特征依次遍历所有加入特征后的视图，利用特征集合的关联矩阵计算最终评价指标值，将特征加到最终评价指标值最大的视图上，最终得到瓦斯浓度数据集的多视图构造结果；

步骤4、根据多视图构造结果将训练集分割为多个训练集视图，在每个训练集视图上单独训练一个弱学习器来预测煤矿瓦斯浓度；

步骤5、将煤矿瓦斯浓度按照设定的阈值转换为风险等级，再根据融合策略融合各个训练集视图上的结果，生成多视图集成学习模型；

步骤6、根据多视图构造结果将测试集分割为多个测试集视图，利用测试集视图测试生成的多视图集成学习模型性能，最终得到训练好的多视图集成学习模型；

步骤7、从煤矿瓦斯浓度监测系统中采集煤矿瓦斯浓度实时数据，将煤矿瓦斯浓度实时数据输入到训练好的多视图集成学习模型中，得到当前煤矿瓦斯浓度风险等级。

2.根据权利要求1所述的一种基于多视图集成学习的煤矿瓦斯浓度预警方法，其特征在于，所述计算特征与特征间的互信息、特征与标签间的互信息，生成特征集合的关联矩阵，具体包括：将每个特征和标签看作一个随机变量，计算特征A_i与特征A_j间互信息I(A_i；A_j)和特征A_i与标签C间互信息I(A_i；C)，生成特征集合的关联矩阵Corr_Matrix，关联矩阵的表达式如下：

其中，I(A₁；A₁)表示特征A₁与特征A₁间互信息，I(A₁；C)表示特征A₁与标签C间互信息，n表示数据集中的特征个数。

3.根据权利要求1所述的一种基于多视图集成学习的煤矿瓦斯浓度预警方法，其特征在于，所述利用特征集合的关联矩阵计算最终评价指标值，包括以下步骤：

步骤301、计算视图内各个特征间互信息和特征与标签的互信息之和，得到视图内充分冗余性指标；

步骤302、利用典型相关分析CCA方法计算两个视图间的关联系数，再计算加入特征后的视图与其他视图的关联系数之和的均值，得到视图间条件独立性指标；

步骤303、将视图内充分冗余性指标和视图间条件独立性指标之差作为最终评价指标值。

4.根据权利要求3所述的一种基于多视图集成学习的煤矿瓦斯浓度预警方法，其特征在于，视图内充分冗余性的计算方式包括：

其中，Score_{intra_view}表示视图内充分冗余性指标，m表示视图中的特征个数，I(A_i；A_j)表示特征A_i与特征A_j间互信息，A_i表示第i个特征，A_j表示第j个特征，I(A_r；C)表示特征A_r与标签C间互信息，r表示第r个特征在特征集合中的索引。

5.根据权利要求3所述的一种基于多视图集成学习的煤矿瓦斯浓度预警方法，其特征在于，视图间条件独立性指标的计算方式包括：

其中，Score_{inter_view}为第q个视图与剩下所有视图的关联系数之和的均值，表示视图间条件独立性指标，V表示视图个数，k表示两个视图的关联系数个数，l表示利用CCA方法计算出的第l个关联系数，表示第p个视图和第q个视图利用典型相关分析CCA方法计算出的第l个关联系数。