申请/专利权人：山东能源集团有限公司;煤炭科学研究总院有限公司

申请日：2024-03-13

公开（公告）日：2024-06-04

公开（公告）号：CN118133154A

主分类号：G06F18/2415

分类号：G06F18/2415;G06F18/214;G06F18/2411

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.25#实质审查的生效;2024.06.04#公开

摘要：本发明涉及矿井中冲击地压等危险灾害预报领域，具体为一种基于原型学习的冲击地压类型预报方法，用于确定未来将要发生的一次微震事件是何种类型的冲击地压，包括：确定冲击地压类型预报指标；建立冲击地压类型预报指标数据集；获取冲击地压类型预报向量；利用基于原型学习算法的分类器简化冲击地压类型预报向量；确定预报向量与原型的匹配程度；对原型以移动平均的方式进行更新；建立对预报向量的分布特征进行精确控制的损失函数；基于原型学习的冲击地压类型预报算法的循环训练；基于原型学习的冲击地压类型预报方法应用。与现有方法相比，本发明在没有增加训练量的情况下，可以大幅度提高预警准确性。

主权项：1.一种基于原型学习的冲击地压类型预报方法，用于确定未来将要发生的一次微震事件是何种类型的冲击地压，其特征在于，包括如下步骤：S1，确定冲击地压类型预报指标：所述预报指标包括时序集中度Q、时空扩散度d、地点集中度D和能量E，其中，时序集中度Q表示连续t次微震事件中相邻微震事件时间间隔的方差与平均值的比值，时空扩散度d表示连续t次微震事件中各微震事件发生地点与连续t次微震事件发生地点中心之间距离的平均值的平方再与连续t次微震事件中相邻微震事件时间间隔平均值的比值，空间密集度D表示连续t次微震事件中各微震事件发生地点与连续t次微震事件发生地点中心之间距离的方差与平均值的比值；S2，建立冲击地压类型预报指标数据集：自微震监测数据中提取连续M次微震事件，每个微震事件均包括其发生的时间、地点和能量，以第m次至第m+t次微震事件的监测数据作为数据集中一个样本的数据源，1≤m≤M-t，最多建立M-t个样本，每个样本包括预报指标和标签，其中每个样本的预报指标包括第m次至第m+t-1次微震事件的时序集中度Q、时空扩散度d、空间密集度D和第m+t-1次微震事件的能量E，每个样本的标签为第m+t次微震事件的冲击地压类型；S3，获取冲击地压类型预报向量：采用基于机器学习算法的解码器将数据集中每个样本的冲击地压类型预报指标一一映射为冲击地压类型预报向量，并根据每个样本的标签将冲击地压类型预报向量分为多个冲击地压类型预报向量集；每个预报向量集均采用表示，式中，Vc代表所有属于冲击地压类型c的预报向量集，vc,n表示第n个属于冲击地压类型c的预报向量，N为属于冲击地压类别c的预报向量的总数；S4，利用基于原型学习算法的分类器简化冲击地压类型预报向量：将所有冲击地压类型预报向量集中所有的预报向量输入基于原型学习算法的分类器，使每一种冲击地压类型对应的预报向量被基于原型学习算法的分类器中的多个原型分别共同描述；冲击地压类型c对应的全部预报向量由K个原型描述，则原型的集合为式中，pc,k为第k个用于描述冲击地压类型c对应预报向量的原型，K为描述冲击地压类型c对应预报向量的原型总数；S5，确定预报向量与原型的匹配程度：通过对比解码器输出的预报向量与分类器中原型的空间距离确定预报向量与原型的匹配关系，匹配关系的公式为： 式中，v为解码器输出的预报向量,pc,k为第k个用于描述冲击地压类型c对应预报向量的原型，冲击地压类型c对应的全部预报向量由K个原型描述；sc,v表示预报向量v与冲击地压类型c所属原型的空间距离最小值；min为集合中的最小值；C为冲击地压类型总数；S6，对原型以移动平均的方式进行更新，更新公式为： 式中，为冲击地压类型c对应的预报向量中所有与第k个原型匹配的预报向量的均值；μ为更新动量，一般取0.999；pc,k为更新前第k个用于描述冲击地压类型c对应预报向量的原型；p'c,k为更新后第k个用于描述冲击地压类型c对应预报向量的原型；S7，建立对预报向量的分布特征进行精确控制的损失函数，包括建立冲击地压类型预报概率与标签之间的交叉熵损失函数： 式中，为预报向量与正确匹配原型之间的距离；建立冲击地压类型c预报向量与不同原型之间的对比损失函数： 式中，vc为解码器输出属于冲击地压类型c的预报向量，为vc的转置；pc为与预报向量vc所匹配的原型，p-表示与预报向量vc不匹配的原型，P-表示所有与预报向量vc不匹配的原型集合；建立冲击地压类型预报向量与其所分配原型之间的类内损失函数： 确定对预报向量的分布特征进行精确控制的损失函数，即基于机器学习算法的解码器中的损失函数为：L＝lCE+0.05lVPC+0.05lPPDS8.基于原型学习的冲击地压类型预报算法的循环训练：利用S7确定的损失函数对S3中基于机器学习算法的解码器进行更新，然后不断循环执行步骤S3、S4、S5、S6、S8直至步骤S5确定预报向量与原型的匹配程度达到要求；S9.基于原型学习的冲击地压类型预报方法应用：获取最新监测到的连续t次微震事件，根据步骤S1-S2进行处理得到一个样本，这个样本包括预报指标，将这个样本的预报指标输入到经过循环训练后的解码器中得到预报向量，将预报向量根据步骤S4中公式匹配到最合适的原型，匹配到的原型所代表的冲击地压类别就是未来一次微震事件所发生的冲击地压类型。

全文数据：

权利要求：

百度查询： 山东能源集团有限公司;煤炭科学研究总院有限公司 一种基于原型学习的冲击地压类型预报方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD