典型文献
LIF结合LSTM神经网络的矿井水源识别
文献摘要：
矿井水害对煤矿安全生产存在巨大威胁,所以快速识别矿井突水水源,对煤矿水灾预警及灾后救援工作开展都有重大意义.激光诱导荧光(LIF)技术具有快速、高效、灵敏度高等特点,克服了传统水化学方法识别时间长的缺点.循环神经网络(RNN)在解决长序列训练过程中产生的梯度消失、梯度爆炸等问题上存在明显不足,而特殊变体RNN即长短期记忆(LSTM)神经网络很好地弥补了RNN的短板及缺陷.提出了将LIF技术与LSTM算法相结合,应用在矿井突水水源快速识别中.实验样本采自淮南矿区,以砂岩水和老空水为原始样本,并将砂岩水和老空水按照不同比例混合配置成5种混合水样,共7种待测水样进行实验.首先采用最大最小值归一化(MinMaxScaler)、平滑滤波(SG)以及标准正态变量变换(SNV)三种预处理方法对原始光谱数据进行预处理,减少原始光谱数据存在的噪声和干扰信息.之后为防止数据量过大,维度过高,将包括原始光谱数据在内的四组数据再进行LDA降维至3维.最后分别搭建LSTM识别模型,从测试集预测准确率、训练集准确率变化趋势以及训练集损失函数变化趋势三个方面进行比较,选择最优模型.其中SG+LDA+LSTM和Original+LDA+LSTM在测试集预测准确率上都能达到100％,MinMaxScaler+LDA+LSTM测试集预测准确率在98.57％,SNV+LDA+LSTM准确率最低,只有87.14％;在训练集准确率变化趋势表现上,SG+LDA+LSTM能够保持良好的学习,很快达到100％,O-riginal+LDA+LSTM和MinMaxScaler+LDA+LSTM也能达到100％ 的准确率,但在前几次训练过程中会有准确率下降的情况出现,SNV+LDA+LSTM训练集准确率在训练次数内并未达到100％;SG+LDA+LSTM损失函数变化趋势也具有很好的收敛性和稳定性,Original+LDA+LSTM,MinMaxScaler+LDA+LSTM以及SNV+LDA+LSTM在损失函数变化趋势上表现并不出色.结果表明,4组模型中,SG+LDA+LSTM模型是最适合应用于矿井突水识别,该方法补充了矿井突水水源识别工作的内容,为矿井突水识别提供了新的思路.
文献关键词：
水源识别;激光诱导荧光光谱;预处理;LDA;LSTM
中图分类号：
作者姓名：
闫鹏程;张孝飞;尚松行;张超银
作者机构：
安徽理工大学,深部煤矿采动响应与灾害防控国家重点实验室,安徽 淮南 232001;安徽理工大学电气与信息工程学院,安徽 淮南 232001
文献出处：
引用格式：
[1]闫鹏程;张孝飞;尚松行;张超银-.LIF结合LSTM神经网络的矿井水源识别)[J].光谱学与光谱分析,2022(10):3091-3096
A类：
MinMaxScaler,SG+LDA+LSTM,Original+LDA+LSTM,MinMaxScaler+LDA+LSTM,SNV+LDA+LSTM,riginal+LDA+LSTM
B类：
LIF,矿井水害,煤矿安全生产,大威,快速识别,矿井突水水源,水灾,灾后救援,救援工作,灵敏度高,水化学方法,方法识别,循环神经网络,RNN,序列训练,训练过程,梯度消失,变体,长短期记忆,淮南矿区,砂岩水,老空水,混合水,水样,最小值,平滑滤波,标准正态变量变换,预处理方法,光谱数据,数据量,量过大,四组,识别模型,测试集,预测准确率,训练集,损失函数,最优模型,保持良好,很快,前几次,收敛性,不出,出色,突水水源识别,激光诱导荧光光谱
AB值：
0.22809
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
