基于支持向量机集成算法的煤矿顶板状态检测

摘  要： 针对小样本、多类煤矿顶板的状态检测问题，提出了基于支持向量机集成的算法。采用深度优先搜索对支持向量机集成参数进行优化，并结合煤矿顶板敲击声信号的人耳听觉功率谱特征，对煤矿顶板中浮石、剥层等现象进行分类识别。实验表明，该算法能够对多类顶板状态进行有效分类，且识别率较高，能够作为安全开采的保障手段。
关键词： 支持向量机集成；人耳听觉功率谱；顶板状态检测；深度优先搜索

　我国是一个煤炭大国，煤炭资源丰富，且煤炭消费量逐年增加。为保证国民经济的持续健康发展，需要有计划地大规模开采煤炭资源。然而，我国在煤炭开采中的安全事故经常发生。其中，冒顶事故是最常见的安全事故之一，给国家和人民带来了巨大的损失。而要避免和减少冒顶事故的发生，关键就是要对顶板的安全性能进行及时、有效地检测，以便工程技术人员及时排除安全隐患。
　敲帮问顶（wall tapping and roof sounding）是依靠人耳极其灵敏的听觉系统和长期的实践经验来判断顶板的安全稳定性的，是目前被广泛沿用的对顶板进行安全检测的重要途径。但这种方法对工人自身技能要求较高，且对工人的人身安全有一定的安全隐患。因此，研究新的检测技术就显得非常迫切。其中，基于模式识别的检测是目前研究的重要方向之一。在应用现代模式识别技术对顶板进行状态监测和故障诊断中，功率特征提取和分类器模型设计是两个至关重要的因素。本文采用基于听觉模型和支持向量机集成算法。基于听觉模型的声信号特征提取、分类、识别的研究，近年来得到了国内外学者的高度重视，特别在语音信号处理方面。但是针对煤矿顶板敲击声音信号方面重视较少。支持向量机SVM（Support Vector Machines）是Vapnik等人根据统计学习理论中结构风险最小化原则提出的。而支持向量机集成SVME（Support Vector Machine Ensemble）可以提高支持向量机的分类性能[1-2]。
　本文正是基于以上原因，针对小样本、多类煤矿顶板，提出了基于支持向量机集成算法对煤矿顶板安全性能进行检测的方法。
1 人耳听觉功率谱特征提取
　人们通过对生理声学、心理声学和信号处理的研究和分析[3-4]，建立了人耳听觉模型，并且利用此模型来对声音信号进行听觉谱特征提取。该听觉谱特征[5]提取过程如图1所示。

　通过对模仿人的听觉感知机理进行分析，听觉谱特征提取算法主要有三个方面的处理：（1）临界频带段分析处理；（2）等响度级预处理；（3）等响度转换。利用临界频带分析，计算模型考虑了耳蜗的分频特性，由此可以反映人耳的掩蔽效应。

    在循环体中，首先从给出的训练样本集X中按照一定的概率抽取样本并获得新的训练样本Xt；然后，依据新获得的训练样本Xt来优化选择个体SVMC核函数参数，并训练SVM以获得分类超平面ft（Xt）；再次，计算出该分类超平面的加权分类错误率；最后，做出一个判断：即判断计算出的加权分类错误率是否≥0.5或=1。如果条件成立，则结束该循环，并运用加权多数投票法集成个体SVMC；反之，则改变加权系数，进行下一轮循环，直至条件成立，退出循环。
　要想获得一个高性能和高精度的支持向量机集成模型，就必需要对优化不敏感损失函数ε、惩罚系数c和核参数γ等参数进行优化处理，而这些参数之间相互影响。实际上，选择过程是一个优化搜索的过程，由于深度优先算法具有全局搜索性能力强、并行性和启发式等优点，所以本文采用深度优先算法对SVMC参数进行寻优。深度优先算法[6]是一种基于图论的优化算法，其基本思想：为了求得问题的解，先选择某一种可能情况向前（子结点）探索，在探索过程中，一旦发现原来的选择不符合要求，则回溯至父亲结点重新选择另一结点，继续向前探索。如此反复进行，直至求得最优解。深度优先搜索的实现方式可以采用递归或者栈来实现。
　采用深度优先搜索对SVMC参数c、γ和ε进行优化的具体步骤如下：
　（1）对SVMC中的参数c、γ和ε进行初始范围的确定，按照步长对参数c、γ和ε进行等量划分，以此获得离散数组。
　（2）首先利用LIBSVM软件采用交叉验证方法对参数c、γ和ε进行建立模型和预测；然后对每组均方根误差进行比较；最后选择最小的均方根误差所对应的参数为本次的SVMC最佳参数组合。
　（3）将本次最优参数和上一次最优参数的均方根误差进行比较，如果均方根误差小于上一次均方根误差，则跳转到步骤（4），否则跳转到步骤（5）。
　（4）根据上一次的最优参数，并且采用启发式方式在该参数附近进行参数范围修改，从而加快参数搜索速度；然后跳转到步骤（1），重新进行递归运算。
　（5）参数优化结束后，退出运算，取此时的参数c、γ和ε为SVMC的最优参数。
深度优先搜索参数优化流程图如图3所示。

3 实验及结果
3.1 实验数据集
　本文实验数据是从我国东北某大型煤矿井下顶板上采集的，共有4类目标：一类是安全顶板，另3类是3种危险顶板（浮石、剥层和断裂）。信号的采样频率是20 000 Hz，每个样本长度为4 096个点。安全顶板、浮石顶板、剥层顶板和断裂顶板的样本数目分别为2 000、200、500、150。由于受到实验数据采样频率（20 000 Hz）的限制，本文只在20～10 000 Hz频率范围内（即前22个临界频带内）提取了4类顶板的敲击声信号的听觉谱特征。
3.2 实验

　在分类实验中，训练样本数目和测试样本数目的比值是1﹕4，提取样本的听觉谱特征后，分别用SVME算法和单个SVMC对4类目标进行顶板状态诊断实验。为了避免样本选取的随机性对实验结果带来的误差，实验分别进行了20次，最终结果为20次实验结果的平均值。检测结果如表1所示。

    从表1可以看出，支持向量机集成算法可以有效识别安全顶板和危险顶板，并进行状态诊断，而且其识别4类目标的正确识别率都比单个SVMC要高。特别是本文所提出的算法对危险顶板的正确识别率比单个SVMC提高了2.57%~3.22%。实验结果证明，本文提出的支持向量机集成（SVME）算法是有效的，可以应用于煤矿顶板状态识别和故障诊断中。
　本文提出了支持向量机集成（SVME）算法，采用了深度优先搜索对支持向量机集成参数进行优化，并结合敲击声信号的人耳听觉谱特征用于顶板状态的分类识别。实验证明，本文所提出的SVME算法识别率较高，可以满足现场检测的要求，为煤矿顶板状态诊断提供了新的方法。
参考文献
[1] VAPNIK V. The nature of statistical learning theory[M]. New York： Springer-Verlag， 1999.
[2] 杨宏晖，孙进才.基于支持向量机集成的水下目标自动识别系统[J].测控技术， 2006， 25（12）.
[3] ZWICKER E， FASTL H. Psychoacoustics facts and models [M]. NewYork： Springer-Verlag，1999.
[4] HERMANSK H. Perceptual linear predictive（PLP） analysisof speech[J]. Journal of the Acoustical Society ofAmeri-ca， 1990， 87（4）： 1738-1751.
[5] 杨宏晖，侯宏，曾向阳.基于声信号人耳听觉谱特征的风机故障诊断[J].仪器仪表学报，2009，30（1）.
[6] 李立红，许元飞.深度优先搜索的支持向量机参数优化算法[J].计算机仿真，2011，28（7）：216-219.