[发明专利]一种基于稀疏逆协方差的煤与瓦斯突出预测方法

摘要

本发明公开了一种基于稀疏逆协方差的煤与瓦斯突出预测方法，其步骤包括：1、将煤与瓦斯突出数据处理成多变量时间序列数据；2、构建一种基于模型的方法来表征多变量煤与瓦斯突出时间序列数据；3、使用Graphical Lasso方法初始化煤与瓦斯突出数据集中每个类别的稀疏逆协方差；4、使用LogDet散度优化稀疏逆协方差；5、选择契合该模型的分类器——最大似然分类器对煤与瓦斯突出测试数据进行分类预测。本发明解决了煤与瓦斯突出数据的表示问题以及代表煤与瓦斯突出每个类别的逆协方差的稀疏性问题，从而能够快速且准确地对煤与瓦斯突出数据进行分类。

主权项

1.一种基于稀疏逆协方差的煤与瓦斯突出预测方法，其特征是按如下步骤进行：步骤1：获取一组煤与瓦斯突出数据作为训练样本，所述训练样本是由煤与瓦斯突出特征数据T＝{T₁,T₂,…,T_i,…,T_N}和分类标签数据Y＝{y₁,y₂,…,y_i,···,y_N}组成，其中，T_i表示第i条煤与瓦斯突出特征数据，且T_i＝[T_i¹,T_i²,…,T_i^p...,T_i^D]，T_i^p表示所述第i条煤与瓦斯突出特征数据T_i中第p维特征向量，且为所述第i条煤与瓦斯突出特征数据T_i中第p维特征向量T_i^p的第q个特征值；y_i表示第i条煤与瓦斯突出特征数据T_i的分类标签，且y_i＝{j|j＝1,2,···,C}表示第j个分类标签，j∈[1,C]，C表示分类标签的个数，i∈[1,N]，N表示所述训练样本的个数，p∈[1,D]，D为所述煤与瓦斯突出特征数据的维度，q∈[1,m]，m为所述训练样本中第i条煤与瓦斯突出特征数据T_i中第p维特征向量T_i^p的长度；步骤2、对所述煤与瓦斯突出特征数据T按照分类标签进行划分，得到划分后的煤与瓦斯突出特征数据T″＝{XT₁,XT₂,…,XT_j,…,XT_C}，其中，XT_j表示第j类的所有煤与瓦斯突出特征数据集合，并有：为属于所述第j类的所有煤与瓦斯突出特征数据集合XT_j中第p维特征向量，并有：其中，是所述第p维特征向量的第q′个时间点数据，q′∈[1,m′]，m′为所述第p维特征向量的长度；步骤3：利用式(1)计算所述第j类的所有煤与瓦斯突出特征数据集合XT_j中第p维特征向量的均值μ_j,p，从而得到所述第j类的所有煤与瓦斯突出特征数据集合XT_j的均值矩阵u_j＝{μ_j,1,μ_j,2,…,μ_j,p,…μ_j,D}；进而得到划分后的煤与瓦斯突出特征数据T″的均值矩阵U＝{u₁,u₂,…,u_j,…,u_C}，步骤4：利用式(2)计算所述第j类的所有煤与瓦斯突出特征数据集合XT_j中第p维特征向量和第p′维特征向量的协方差从而得到所述第j类的所有煤与瓦斯突出特征数据集合XT_j的协方差矩阵进而得到划分后的煤与瓦斯突出特征数据T″的协方差矩阵集合COV＝{COV₁,COV₂,…,COV_j,…,COV_C}；步骤5：求解代表划分后的煤与瓦斯突出数据集T″中每个分类标签的稀疏逆协方差矩阵集合Θ：步骤5.1：定义当前迭代次数为k，并初始化k＝0，定义最大迭代次数为maxIter，目标边界为ρ以及正则化参数为η；步骤5.2：利用式(3)初始化第k代中第j类的稀疏逆协方差矩阵Θ_j,k，从而得到第k代稀疏逆协方差矩阵集合Θ_k＝{Θ_1,k,Θ_2,k,…,Θ_j,k,…,Θ_C,k}：Θ_j,k＝GraphicalLasso(COV_j)    (3)式(3)中：GraphicalLasso(·)表示图形套索Graphical Lasso的求解函数；步骤5.3：如果k＞maxIter，则将Θ_j,k赋值给Θ_j，从而得到稀疏逆协方差矩阵集合Θ＝{Θ₁,Θ₂,…,Θ_j,…,Θ_C}；否则，初始化i＝1；步骤5.4：如果i＞N，则将k+1赋值给k，并执行步骤5.3；否则，利用式(4)计算第k代中所述第i条煤与瓦斯突出特征数据T_i与第j类的稀疏逆协方差集合Θ_j,k以及均值矩阵u_j的对数似然ll_k,i,j(T_i,Θ_j,k,u_j)，从而得到第k代中所述第i条煤与瓦斯突出特征数据T_i与每个类的稀疏逆协方差集合Θ_k以及均值矩阵U的对数似然L_k,i＝{ll_k,i,j(T_i,Θ_j,k,u_j)|j＝1,2,…,C}；步骤5.5：对所述对数似然L_k,i降序排列，得到降序排列后的对数似然L′_k,i，并将降序排列后的对数似然L′_k,i中第一个值赋值给将降序排列后的对数似然L′_k,i中第二个值赋值给其中，表示第k次迭代中第i条煤与瓦斯突出特征数据T_i与第j′类的稀疏逆协方差Θ_j′,k计算得到的对数似然值；表示第k次迭代中第i条煤与瓦斯突出特征数据T_i与第j″类的稀疏逆协方差Θ_j″,k计算得到的对数似然值；步骤5.6：如果c_j′＝y_i，则执行步骤5.9；否则，执行步骤5.7；步骤5.7：将第k代中第y_i类的稀疏逆协方差矩阵赋值给第k代中第j类代表分类正确的逆协方差将第k代中第j′类的稀疏逆协方差矩阵Θ_j′,k赋值给第k代中第j类代表分类错误的逆协方差后，分别利用式(5)和式(6)计算更新后的第k代中第j类分类正确的逆协方差以及更新后的第k代中第j类分类错误的逆协方差步骤5.8：将更新后的第k代中第j类代表分类正确的逆协方差赋值给第k代中第y_i类逆协方差将第k代中第j类代表分类错误的逆协方差赋值给第k代中第j′类逆协方差Θ_j′,k，将i+1赋值给i，执行步骤5.4；步骤5.9：如果则将i+1赋值给i后，执行步骤5.4；否则，将第k代中第j′类逆协方差Θ_j′,k赋值给第k代中第j类代表分类正确的逆协方差将将第k代中第j″类逆协方差Θ_j″,k赋值给第k代中第j类分类错误的逆协方差后，执行步骤5.10；步骤5.10：利用式(7)计算更新后的第k代中第j类代表分类正确的逆协方差并赋值给Θ_j′,k，利用式(8)计算第k代中第j类代表分类错误的逆协方差并赋值给Θ_j″,k后，将i+1赋值给i，并执行步骤5.4；步骤6：对煤与瓦斯突出的测试样本进行预测：步骤6.1：获取另一组煤与瓦斯突出数据作为测试样本，所述测试样本是由煤与瓦斯突出特征数据T′＝{T₁′,T₂′,…,T_i′′,…,T_N′′}组成，其中，T_i′′表示所述测试样本中第i′条煤与瓦斯突出特征数据；i′∈[1,N′]，N′表示所述测试样本的个数；步骤6.2：利用式(7)计算所述测试样本中第i′条煤与瓦斯突出特征数据T_i′′中第j类的对数似然ll_i′,j(T_i′′,Θ_j,u_j)，从而得到T_i′′与所述测试样本中所有类别的对数似然集合L_i′＝{ll_i′,j(T_i′′,Θ_j,u_j)|j＝1,2,…,C}；步骤6.3：计算对数似然集合L_i′中最大的对数似然值所对应的类别j_max＝arg max{L_i′}，则j_max即为所述第i′条测试样本的分类标签。