面向沖擊地壓微震前兆辨識的增量流形學習方法研究.pdf

1、微震作為監(jiān)測預警礦井重大動力災害的一種區(qū)域性監(jiān)測手段，具有譜成分豐富、頻帶較寬的特性。在沖擊地壓災害發(fā)生前有很多微震前兆信息，這些信息蘊含在災害發(fā)生前相當長一段時期內，很多因素如開采速度、地質構造等會影響這些前兆信息的顯現規(guī)律，使其呈現出非線性、復雜性等特點，使得沖擊地壓預警判據的確立變得十分困難。因此，開展微震前兆信息的辨識方法研究對于準確預警沖擊地壓災變具有重要意義。
　　針對微震信號固有的高噪聲、非線性、非平穩(wěn)等特征，對時序

2、微震觀測數據進行時、頻域特征分析，提取多維特征向量組成時序特征集合，引入增量流形學習算法實現特征降維，獲得沖擊地壓災變敏感特征，然后基于支持向量機構建沖擊地壓災變微震前兆辨識模型。主要研究內容如下:
　　(1)針對井下采集的微震信號包含各種噪聲，基于小波變換對含噪微震信號進行5層小波分解，采用非線性小波變化閾值法進行降噪處理，實現微震信號降噪。
　　(2)對降噪處理的信號數據采用5層小波分解，得到32個頻帶的頻率范圍。對各頻

3、帶由特征公式進行時域、頻域特征參數的計算，進行前兆特征提取，組成初始數據集。為減少模型訓練時間，通過ISOMAP流形學習算法進行數據降維操作，得到表征沖擊地壓的6維度敏感前兆信息，作為辨識模型的訓練集。
　　(3)針對數據集中正負樣本不平衡，造成機器學習中的小樣本問題，采用支持向量機（Support Vector Machine）方法構建微震辨識模型。其中采用Gauss核函數支持向量機作為分類器進行監(jiān)測預警。
　　仿真實驗以