CN113850185B 井下声发射源多分类方法、装置、终端、存储介质 （中南大学）

本发明公开了一种井下声发射源多分类方夫转移场输入预先训练好的井下声发射源识别声发射一维时间序列转换为辨识度高的二维图合深度学习中代表算法卷积神经网络对二维图2对待检测井下声发射波形时间序列进行马尔科夫转移场编码，得到将二维图像马尔科夫转移场输入预先训练好的井下声发射源识别分史井下声发射波形时间序列对应的历史二维图像马尔科夫转移场对卷积神经网络进行训所述对待检测井下声发射波形时间序列进行马尔科夫转移场编码，得沿时间轴以一阶马尔科夫链的方式计算待检测井下声发射波形时间序列各分位数区通过考虑时间位置，将包含幅度轴上的转移概率的加权马尔科夫转移矩阵W扩展到马;条件概率表示时间序列在a时处于区间qi的前提下，3.根据权利要求1至2任一项所述的井下声发射声发射源识别分类模型基于历史井下声发射波形时间序列对应的历史二维图像马尔科夫获取若干历史井下声发射波形时间序列及其各自对应的声发射将若干历史井下声发射波形时间序列进行马尔科夫转移场编码，得基于得到的历史二维图像马尔科夫转移场及其对应的声发射类3射源识别分类模型时采用随机梯度下降优化算法编码模块，用于对待检测井下声发射波形时间序列进行分类模块，用于将二维图像马尔科夫转移场输入预先类模型基于历史井下声发射波形时间序列对应的历史二维图像马尔科夫转移场对卷积神所述对待检测井下声发射波形时间序列进行马尔科夫转移场编码，得沿时间轴以一阶马尔科夫链的方式计算待检测井下声发射波形时间序列各分位数区通过考虑时间位置，将包含幅度轴上的转移概率的加权马尔科夫转移矩阵W扩展到马;条件概率表示时间序列在a时处于区间qi的前提下，所述存储器存储有可在所述处理器上运行的计算机程序，该计算机执行时实现如权利要求1至5任一项所述的井下声4器执行时实现如权利要求1至5任一项所述的井下声5[0002]声发射监测作为一种有效的地压监测手段之一，在国内外矿山得到较广泛应领域实现智能化提供了有力保障和基础。卷积神经网络作为一种代表性的深度学习算法，的以声发射波形图像和以声发射波形时间序列为对象进行声发射源分类方法准确率较低，于历史井下声发射波形时间序列对应的历史二维图像马尔科夫转移场对卷积神经网络进6行训练得到。声发射信号为矿山地压监测及时预警提供可靠的数据[0013]沿时间轴以一阶马尔科夫链的方式计算待检测井下声发射波形时间序列各分位[0014]通过考虑时间位置，将包含幅度轴上的转移概率的加权马尔科夫转移矩阵W扩展7别分类模型基于历史井下声发射波形时间序列对应的历史二维图像马尔科夫转移场对卷理器执行时实现如上所述的井下声发射源多被处理器执行时实现如上所述的井下声发射8[0050]本发明的目的在于基于马尔科夫转移场将井下声发射一维时间序列编码为特征[0051]在进行井下声发射源多分类之前，需预先训练得到井下式如表1所示，具体的数据长度根据监测系统参数设置而定，同一样本集中数据长度应相1234539[0058](2)通过沿时间轴以一阶马尔科夫链的方式计算该历史声发射波形时间序列各分阵W它对波形时间序列X的分布和时间尺度上的依赖性不敏感，摆脱时间依赖性会导致W中尔科夫转移矩阵扩展并提出马尔科夫转移场矩阵M，首先构建一个QxQ的马尔科夫转移矩上的转移概率的加权马尔科夫转移矩阵W扩展到马尔科夫转移场矩阵中，得到n×n马尔科[0062](4)通过将每个像素Mij处从时间步i的分位数区间到时间步j的角线代表每个分位数区间到自身的转移概率(自转移概率)。对于长度为n的井下声发射波类。Softmax分类器得到的结果是每个样本波形的马尔科夫转移场编码图属于不同标签的[0076]本实施例选取随机梯度下降优化算法(Stochasticgradientdescent,SGD)来训SGD的高震荡性使得迭代跳出当前局部最小值寻找更好的局部最小值，高震荡性也让收敛[0078]基于构建的训练样本集和测试样本集对卷积神经网络模型进行训练得到最终的[0079]基于预先构建的井下声发射源识别分类模型，即可进行井下声发射源的分类识[0084]S3：将二维图像马尔科夫转移场输入预先训练好的井下声发射源识别分类模型维图像马尔科夫转移场的具体过程可参见前述构建井下声发射源识别分类模型过程中的别分类模型基于历史井下声发射波形时间序列对应的历史二维图像马尔科夫转移场对卷理器执行时实现如实施例1所述的井下声发射源多被处理器执行时实现如实施例1所述的井下声发射现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0099]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一未详细说明的内容可以参见其他实施例中相反复试验调整相关超参数，最终得到模型结构的参数如表2所示。网络结构主要包括卷积[0116]将训练集及测试集分别输入上述网络结构中，迭代150次后得到的准确率曲线和[0118]图10所示波形分类混淆矩阵，通过混淆矩阵进一步分析CNN对马尔科夫转移场编噪声可以模拟受噪声干扰的各类波形分类的影响。信噪比(SNR)定义为信号功率与噪声功