煤矿安全对煤炭工业的健康持续发展至关重要,而煤矿水灾又是煤矿事故的重大隐患,因此煤矿水源数据的处理对于预防矿井突水事故具有重要意义.实验在激光器的辅助下利用激光诱导荧光技术获取7种水源的数据信息,设定激光发射功率为100 mW,向被测水体发射波长405 nm激光,获取实验水样210组的荧光光谱数据,为了剔除光谱在采集过程受到的荧光背景、检测器噪声以及功率波动等影响,利用SG平滑、多元散射矫正(M S C)预处理对数据进行降噪以及提高光谱特异性,由于初始数据运算量过大并对数据压缩、消除冗余和数据噪音,利用主成分分析(PC A)分别对7种水样进行建模降维处理,从而得到小数据并且保持原有信息的数据特征.为了识别煤矿水源的突水类型,对于降维后的数据利用粒子群算法(PSO)优化BP神经网络,PSO算法通过对新粒子的适应度值和个体极值、群体极值适应度值的比较更新个体极值和群体极值的位置,将最优初始权值和阈值赋予BP神经网络,从而对待测水样的种类进行预测分析.普通的PSO优化BP神经网络,容易出现早熟收敛,故在改进的PSO算法中引入变异因子来提高模型寻找更优解的可能性.实验证明:SG,MSC以及Original三种预处理方式中,SG算法表现良好,提高了模型的相关性.在SG预处理的前提下,BP的决定系数R2为0.9845,平均相对误差M RE 7.39％,均方根误差为7.25％;PSO-BP的决定系数R2为0.9998,平均相对误差M RE 0.17％,均方根误差0.08％;IPSO-BP的决定系数R2达到0.9999,平均相对误差MRE和均方根误差RMSE皆为0.01％.结果表明:经SG预处理过后的光谱数据,比M SC预处理效果更精确,改进的粒子群优化算法更适用于该实验的矿井水源分类.
展开▼
