[发明专利]煤矿瓦斯预测方法

摘要

本发明公开了一种瓦斯浓度检测方法，采用KPCA算法用于鉴别“大数”，首先构造两种混合核函数，利用矢量的方法构建核矩阵，并利用核主成分分析计算核矩阵的特征向量，该算法具有较高的识别率和较高的运算速度；该算法通过训练样本在特征空间所张成的子空间的一组标准正交基，将训练集上的KPCA过程，转化为所有核训练样本在该组基下的坐标为数据集的PCA过程，同时对训练样本特征提取，能有效捕捉训练数据的非线性特征，在模式识别、回归分析中受到广泛重视和应用。在KPCA的求解过程中，需要特征值分解一个M*M的核矩阵(M表示训练样本数)，对样本特征提取时，只需计算该样本与构成这组基德样本间的核函数，实验结果验证该算法是有效的。

主权项

一种瓦斯浓度检测方法，其特征在于，采用KPCA算法用于鉴别“大数”，首先构造两种混合核函数，利用矢量的方法构建核矩阵，并利用核主成分分析计算核矩阵的特征向量，该算法具有较高的识别率和较高的运算速度；该算法通过训练样本在特征空间所张成的子空间的一组标准正交基，将训练集上的KPCA过程，转化为所有核训练样本在该组基下的坐标为数据集的PCA过程，同时对训练样本特征提取，能有效捕捉训练数据的非线性特征，在模式识别、回归分析中受到广泛重视和应用。在KPCA的求解过程中，需要特征值分解一个M*M的核矩阵(M表示训练样本数)，对样本特征提取时，只需计算该样本与构成这组基德样本间的核函数，实验结果验证该算法是有效的；通过对原始样本的矩阵进行分解,选取前面M个最大特征值所对应的特征向量组成最优投影矩阵,通过将样本数据在最优投影矩阵上进行投影,达到数据分离脉冲干扰的目的；需要通过非线性映射将数据映射到线性可分的特征空间进行主成分析,由于其计算过程中使用核函数来完成高维特征空间中矢量的内积计算；设xi∈Rp(i＝1,2,3…,N)为p维输入空间N个样本点，假设通过非线性变换φ将Rp映射到特征空间F(Rf)，即φ:Rp→F(Rf),φ(xi),(i＝1,2,3…,N)，为空间F中对应的在高维特征空间进行主成分分析的方法可以通过求解特征空间中样本矩阵的特征值和特征向量实现，假设φ(xi),(i＝1,2,3…,N)是已经经过中心化处理后的高维特征空间向量，特征空间的协方差矩阵为：求解Cφ特征值特征向量的关系式为：Cφv＝λv     (2)λ和v分别表示矩阵Cφ的特征值和对应的特征向量，由于蟹放在矩阵是对称的，因而可以找到r个标准正交特征向量，既式(2)存在r个非零解，但由于变换未知，矩阵Cφ无法获得，因而无法直接求解(2)的特征向量，依据再生核理论，特征向量v可由空间F中的样本张成，既可由φ(xj),(j＝1,2,3…,N)的线性组合表示：考虑等式：φ(x)·Cφv＝λ(φ(x)·v)     (4)将式(1)、(3)代入式(4)，令矩阵KN×N＝(φ(xi)οφ(xj)),(i,j＝1,2…N)可得Kα＝nλα      (5)矩阵K称为核矩阵，上式既可以求解矩阵K的特征值和特征向量的方程，因为求解式(3)系数的问题转化为求解核矩阵的特征向量的问题。核矩阵K需要通过计算高维特征空间中矢量的内积形成，因而可采用支持向量机技术中的和函数来完成，核函数可以通过原属性空间的计算变换实现高维特征空间内积值得计算；选择合适的核函数，则可以求解核矩阵的特征值和特征向量，然后通过PCA的方法获取特征空间中的主成方向矢量，假设取前m个特征值对应的特征矢量组成主成方向矢量，则数据聚的主成方向矢量可以表示为v＝λ1v1+λ2v2+…+λmvm      (6)此处λ＝(λ1,λ2,…,λm)，表示归一化的特征值，归一化可保证主成方向矢量的单位性；2、数据异常的度量通过在高维特征空间进行主成分析，可以认为正常情况下数据的主成方向矢量应该基本保持一致，因而可采用主成方向矢量的内积来衡量不同数据之间的差异，即：θ＝|<v1,v2>|    (7)此处仅采用第一个特征矢量作为数据的主成方向矢量，即取m＝1，此时数据集1和2主成方向矢量的内积为：上式可以看出，主成方向矢量之间的内积计算同样可以通过核函数的方法实现，基于异常度量方法，在异常瓦斯数据检测过程中可将实际数据分为M段长度为N的数据子矩阵，每个子矩阵对应一个主成方向矢量，其平均主成方向矢量可以表示为：(β1，β2，β3…βr)＝(φ(xb1)，φ(xb2)，φ(xb3)，…，φ(xbr))C  (10)上式中sum(vi)表示向量之间的各元素之和，参数c用于确保的单位性；3、瓦斯浓度异常数据检测算法流程算法可以划分为两个阶段，训练阶段和检测阶段，训练阶段主要是通过历史数据获取数据分布的特征，估计分布模型参数；检测阶段主要是计算检测数据集的主成方向矢量的分布概率，根据概率的大小判断瓦斯浓度数据是否出现异常，其详细的步骤如下：训练阶段(1)将样本数据进行划分为M段长度为N的数据子矩阵Dj(j＝1,2…M)；(2)选取合适的核函数用于高维特征空间的矢量内积；(3)采用KPCA的方法获取各数据子矩阵映射到高维特征空间后的主成方向矢量vj；(4)通过M个vj计算整个训练数据子矩阵的平均方向矢量(5)采用VMF分布模型描述历史数据主成方向矢量的分布，并估计确定模型参数；检测阶段(1)求解数据子矩阵Dj+1的主成方向矢量vj+1；(2)求解主成方向单位矢量vj+1与平均单位方向矢量的内积η；(3)使用下式计算分布概率并与预定义的门限值进行比较，若，则认为瓦斯数据异常。瓦斯涌出预测，包括如下步骤：S001：考察计算工作面瓦斯预测基本数据，包括：围岩瓦斯涌出系数K1、工作面丢煤瓦斯涌出系数K2、原始煤层瓦斯含量X0、残存煤层瓦斯含量Xc、开采煤层的厚度m、与所述开采煤层相邻的第i个邻近煤层的厚度mi、所述开采煤层的开采厚度m0、与所述开采煤层相邻的第i个邻近煤层的瓦斯含量Xi、与所述开采煤层相邻的第i个邻近煤层的残存瓦斯含量Xic、与所述开采煤层相邻的第i个邻近煤层受采动影响的瓦斯排放率ζi、开采分层的高度M、所述开采煤层倾斜角度α、开采分层下部煤体采动影响深度h、开采煤层瓦斯含量梯度Xt、开采煤层瓦斯排放率梯度λt、开采分层下部煤体最大瓦斯排放率λmax；S002：计算出所述开采分层的瓦斯涌出量q1；S003：计算出回采工作面中与所述开采煤层相邻的邻近煤层的瓦斯涌出量q2；S004：计算出所述回采工作面的下部卸压瓦斯涌出量q3；S005：计算出开采工作面的瓦斯涌出量q采，其中，q采＝q1+q2+q3。进一步地，所述开采分层的瓦斯涌出量q1通过如下公式计算得出：所述邻近煤层的瓦斯涌出量q2通过如下公式计算得出：下部卸压瓦斯涌出量q3通过如下公式计算得出：