[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

说明书

本发明涉及数据挖掘技术领域，具体涉及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，包括：读取煤矿瓦斯浓度数据集，进行预处理后分成训练集和测试集；计算特征间的互信息和特征与标签之间的互信息，得到关联矩阵；利用视图内特征间互信息之和分析视图的充分冗余性，利用典型相关分析技术分析视图间条件独立性，利用二者通过有监督的方式将单视图数据构造为多视图数据；在多视图构造结果上利用多视图集成学习算法融合各个视图上的结果，得到煤矿瓦斯浓度风险等级。本发明能够综合利用当前煤矿瓦斯浓度监测数据，提高预警准确度。

技术领域

本发明涉及数据挖掘技术领域，具体涉及一种基于多视图集成学习的煤矿瓦斯浓度预警方法。

背景技术

煤矿瓦斯浓度预测是实际生产环境中避免瓦斯爆炸事故的重要手段。目前，煤矿瓦斯浓度预测方法可以分为三类：一是基于统计学习的方法，该方法利用大量历史数据计算瓦斯浓度的经验分布函数，从而得出瓦斯浓度变化的统计特征参数；二是基于时间序列分析的方法，由于瓦斯浓度变化与时间相关，所以用时间序列模型预测瓦斯浓度也是有效的方法；三是基于传统机器学习的方法，该方法先从瓦斯浓度传感器的监测数据中提取特征，再使用相关机器学习算法在提取的特征上训练模型。

基于统计学习和基于时间序列分析的方法使用数据过于单一，没有充分提取传感器监测数据蕴含的信息，传统机器学习方法将提取的特征简单拼接到一起，没有考虑不同方面特征之间的关联性，预测结果精确度不高或者出现过拟合现象。

发明内容

为了解决上述问题，本发明提出一种基于多视图集成学习的煤矿瓦斯浓度预警方法，是对传统机器学习方法的改进。该方法在从传感器监测数据提取特征后，没有把这些特征简单拼接到一起，而是进一步考虑特征之间的关联性，将提取的特征构造为一个多视图数据集，进而训练出多视图集成学习模型，采用训练出的多视图集成学习模型进行瓦斯浓度风险检测，从而提高瓦斯浓度风险预警准确度。

一种基于多视图集成学习的煤矿瓦斯浓度预警方法，包括以下步骤：

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。

本发明的有益效果：

1.本发明利用特征与特征间和特征与标签间关联信息，以有监督的方式将单视图数据构造为多视图数据，使之能够满足多视图学习算法对数据的相关要求。

2.本发明将离线数据作为模型构建的训练集，并将生成的多视图集成学习模型应用于生产环境中的实时数据，能够综合利用各种煤矿瓦斯浓度监测数据，提高预测准确度及模型泛化能力。