一种矿山采空区上覆岩体移动时空规律预测系统及方法

1.本发明属于矿山开采技术领域，尤其涉及一种矿山采空区上覆岩体移动时空规律预测方法及系统。


背景技术：

2.目前，矿山地下开采、隧道开挖导致围岩三维应力平衡被破坏，易引起覆岩移动及地表沉陷甚至垮塌，采空区垮落对安全生产构成严重威胁，同时对地表建筑物及环境造成不良影响。对于地下采空区覆岩移动主要有岩层移动“三带”理论、关键层理论、托板理论、砌体梁理论等，在此基础上形成了一系列针对覆岩移动的预测方法，较常见的有概率积分法、数值模拟法、相似模型法、随机介质法、神经网络预测等。目前，针对煤矿的岩层移动的许多研究成果取得了较好的实际应用效果。导致矿山的覆岩移动沉陷具有突发性，多为不连续下沉，比如塌陷坑、筒状、管状或漏斗状陷落，不同于层状地层的煤矿沉陷具有缓变性。在矿山地下采空区上覆岩体内部进行现场实测或监测时安全隐患较大，上覆岩体的不稳定性随时有可能垮落对人员和设备造成巨大威胁。现有技术中暂无可以实现矿山采空区上覆岩体移动时空规律预测的方法，无法实现对矿山采空区上覆岩体移动的安全和准确的预测。
3.通过上述分析，现有技术存在的问题及缺陷为：现有技术中暂无可以实现矿山采空区上覆岩体移动时空规律预测的方法，无法实现对矿山采空区上覆岩体移动的安全和准确的预测。


技术实现要素：

4.针对现有技术存在的问题，本发明提供了一种矿山采空区上覆岩体移动时空规律预测方法及系统。随着深度学习，神经网络的发展，神经网络模型能够在有限数据样本的情况下取得更好的效果，运算的速度也得到了有利的保证。
5.本发明是基于设备信息的高斯超矢量特征来对设备源进行识别分类，提取平高斯矢量过程中首先使用的是mfcc特征。其次，使用ubm-gmm模型作为基准对录音设备信道进行建模，然后用map算法作自适应调整，即加快了特征提取的速度，也提高了特征的表征特性，同时也降低了数据量，克服了训练多元gmm模型需要大量数据的弊端。
6.本发明是这样实现的，一种矿山采空区上覆岩体移动时空规律预测方法，所述矿山采空区上覆岩体移动时空规律预测方法包括：提取训练矿山采空区上覆岩体移动时空规律片段的mfcc特征训练一个gmm-ubm模型；再基于特定的带异常信息的矿山采空区上覆岩体移动时空规律片段提取mfcc特征，进而调整gmm的参数；将提取到的特征训练卷积神经网络，进行自动识别分类。
7.进一步，所述矿山采空区上覆岩体移动时空规律预测方法具体包括：
步骤一：对训练矿山采空区上覆岩体移动时空规律信号预处理提取特征信息；步骤二：利用训练的矿山采空区上覆岩体移动时空规律训练gmm-ubm模型；步骤三：对目标矿山采空区上覆岩体移动时空规律信号预处理提取特征信息；步骤四：计算目标矿山采空区上覆岩体移动时空规律信号特定的gmm模型；步骤五：提取高斯分量；步骤六：训练卷积神经网络并测试模型。
8.进一步，步骤一具体包括：步骤1.1：对训练矿山采空区上覆岩体移动时空规律信号进行筛选；步骤1.2：对训练的矿山采空区上覆岩体移动时空规律信号进行短时傅里叶变换；步骤1.3：对步骤1.2中频域信号提取特征；步骤二具体包括；步骤2.1：用步骤1.3中得到的特征训练gmm-ubm模型；步骤三具体包括：步骤3.1：对目标矿山采空区上覆岩体移动时空规律进行短时傅里叶变换；步骤3.2：对步骤3.1中频域信号提取特征；步骤四具体包括：步骤4.1：将步骤3.2中得到的特征通过步骤1.3所训练好的gmm模型和map算法调整gmm模型参数；步骤五具体包括：步骤5.1：把步骤4.1中训练好的每一个gmm模型的均值参数提取出来作为特征信号；步骤六具体包括：步骤6.1：将特征数据分为训练数据和测试数据两类；步骤6.2：将特征数据分进行标注分类，标注使用one-hot编码；步骤6.3：将特征数据进行预处理；步骤6.4：将训练数据用来训练构建好的卷积神经网络；步骤6.5：使用测试数据对已训练好的网络进行测试评估。
9.进一步，步骤一进一步包括：对训练的矿山采空区上覆岩体移动时空规律信号加窗分帧进行预处理，然后进行短时傅里叶变换；加窗的窗长设为256，帧移为128，然后进行傅里叶变换；对中频域信号提取特征，首先提取矿山采空区上覆岩体移动时空规律信号的mfcc特征，选择12个系数再加上f0的能量，同时保留一阶和二阶的系数，总共39维数据；步骤二进一步包括：先训练最基本的录音gmm模型作为通用背景模型ubm；一个具有m个高斯，特征数据为d维的gmm模型表示为如下形式：；式中x为输入的n*d维的特征矢量；， 为高斯混合模型的权重，且
满足，最终得到的参数大小为d*1维；为每个高斯分量的均值，大小为m*d维； 为每个高斯分量的方差，大小为m*d维； 为每个高斯模型的概率密度，且满足，为的转置， 和 为的行列式和逆矩阵，使用em算法训练gmm-ubm模型。
10.进一步，步骤四进一步包括：混合高斯模型的均值矩阵的调整，具体有：；；；；；上式中用来调整参数满足，而、、是用来调整参数的自适应系数，且其中也为自适应系数；步骤五进一步包括：提取高斯分量；将经过map自适应调整后的混合高斯模型的均值参数提取出来作为矿山采空区上覆岩体移动时空规律信号的特征数据。经过map自适应训练后得到的gmm模型有三个，均值、方差和权值，而均值矩阵的大小d*l，d为高斯数量，l为帧数，最终需要将均值矩阵转换为{n1,n2,n3
……
}的一位矩阵；均值参数提取出来后，需要对数据进行归一化，采用标准差标准化，如下式所示，其中u为所有样本数据的均值，σ为所有样本数据的标准差。
11.。
12.本发明的另一目的在提供一种矿山采空区上覆岩体移动时空规律预测方法。
13.本发明的另一目的在提供一种终端，所述终端至少搭载实现所述矿山采空区上覆岩体移动时空规律预测方法的控制器。
14.本发明的另一目的在提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的矿山采空区上覆岩体移动时空规律预测方法。
15.本发明的另一目的在提供一种矿山采空区上覆岩体移动时空规律预测控制系统包括：特征信息提取模块，用于对训练矿山采空区上覆岩体移动时空规律信号预处理提取特征信息；gmm-ubm模型训练模块，用于利用训练的矿山采空区上覆岩体移动时空规律训练gmm-ubm模型；目标矿山采空区上覆岩体移动时空规律信号特征信息提取模块，用于对目标矿山采空区上覆岩体移动时空规律信号预处理提取特征信息；gmm模型计算模块，用于计算目标矿山采空区上覆岩体移动时空规律信号特定的gmm模型；高斯分量提取模块，用于提取高斯分量；卷积神经网络训练模块，用于训练卷积神经网络并测试模型。
16.本发明的另一目的在提供一种矿山采空区上覆岩体移动时空规律取证设备，所述矿山采空区上覆岩体移动时空规律取证设备至少搭载所述的矿山采空区上覆岩体移动时空规律预测控制系统。
17.综上所述，本发明的优点及积极效果为：(1)本发明在训练gmm-ubm模型时，根据矿山采空区上覆岩体移动时空规律数据音素和音调的特点对数据进行筛选，挑选出具有代表性的少量数据，即保证了模型的表征泛化性也降低了数据运算量，提高了建模效率。
18.(2)本发明首先训练一个gmm-ubm模型，然后再用map自适应算法来调整gmm的参数，克服了样本量少，无法训练gmm模型的问题，同时加快了运算速度。
19.(3)本发明通过卷积神经网络实现识别的效果，提高了其识别的准确率，在21个设备源的闭集实验里，最终测试取得了92.1%的识别精度，而现有移动设备源识别的精度只有82%。
20.(4)目前很多技术方法为了提高精确度，使用矿山采空区上覆岩体移动时空规律的非矿山采空区上覆岩体移动时空规律段（没有说话的矿山采空区上覆岩体移动时空规律段）提取特征信息然后进行分类识别，非矿山采空区上覆岩体移动时空规律段没有其它声音的干扰，只保留了设备异常信息，所以对设备源的表征性更高，但是在实际的运用过程，并没有很多的非矿山采空区上覆岩体移动时空规律段可以使用。在本方案中使用整个矿山采空区上覆岩体移动时空规律段提取特征，提高了泛化性。
21.附图说明
22.图1是本发明实施例提供的矿山采空区上覆岩体移动时空规律预测方法流程图。
23.图2是本发明实施例提供的矿山采空区上覆岩体移动时空规律预测控制系统示意图。
24.图中：1、特征信息提取模块； 2、gmm-ubm模型训练模块；3、目标矿山采空区上覆岩体移动时空规律信号特征信息提取模块；4、gmm模型计算模块；5、高斯分量提取模块；6、卷积神经网络训练模块。
25.具体实施方式
26.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
27.本发明是基于gmm-ubm通用背景模型和卷积神经网络的识别方法。先提取训练矿山采空区上覆岩体移动时空规律片段的mfcc特征训练一个gmm-ubm模型，然后再基于特定的带异常信息的矿山采空区上覆岩体移动时空规律片段提取mfcc特征，进而调整gmm的参数。最后将提取到的特征用来训练卷积神经网络，达到自动识别分类的要求。
28.如图1,本发明实施例提供的矿山采空区上覆岩体移动时空规律预测方法，具体包括：s101:对训练矿山采空区上覆岩体移动时空规律信号预处理提取特征信息；s102:利用训练的矿山采空区上覆岩体移动时空规律训练gmm-ubm模型；s103:对目标矿山采空区上覆岩体移动时空规律信号预处理提取特征信息；s104:计算目标矿山采空区上覆岩体移动时空规律信号特定的gmm模型；s105:提取高斯分量；s106:训练卷积神经网络并测试模型。
29.本发明实施例提供的矿山采空区上覆岩体移动时空规律预测方法，具体包括：步骤1：对训练矿山采空区上覆岩体移动时空规律信号预处理提取特征信息；步骤1.1：对训练的矿山采空区上覆岩体移动时空规律信号加窗分帧进行预处理，然后进行短时傅里叶变换。为了控制数据量，加窗的窗长设为256，帧移为128，然后进行傅里叶变换；步骤1.2：对步骤1.1中频域信号提取特征，首先提取矿山采空区上覆岩体移动时空规律信号的mfcc特征，选择12个系数再加上f0的能量，同时保留一阶和二阶的系数，所以总共39维数据。
30.步骤2：利用训练的矿山采空区上覆岩体移动时空规律训练gmm-ubm模型；步骤2.1：在上文中已说明6min的矿山采空区上覆岩体移动时空规律数据只能用于训练少于64个高斯的gmm模型，而在本发明中使用的是128个高斯树，所以样本量远远不够，因此要先训练一个通用背景模型。高斯混合模型（gmm）是通过多个加权后的高斯模型进
行组合的一个概率分布模型。在自然情况下，数据的分布通常是按照高斯模型分布的，但是，一个高斯模型往往无法拟合一个多维的数据，因此可以使用多个高斯进行加权的方式来表示一个数据样本的概率分布，当数据类型相同时，概率模型的样式也会大致相同，整体反应在模型的均值、方差和权值的参数上。因此使用gmm模型可以反应某一类数据的概率分布，进而用来进行特征的识别分类，当特征提取的适当既可以用来进行录音的设备源识别。但是训练一个gmm模型需要大量的数据，在现实情况下无法直接获取大量的数据，所以可以先训练一个最基本的录音gmm模型作为通用背景模型（ubm）。一个具有m个高斯，特征数据为d维的gmm模型可以表示为如下形式：；式中x为输入的n*d维的特征矢量；， 为高斯混合模型的权重，且满足，最终得到的参数大小为d*1维；为每个高斯分量的均值，大小为m*d维； 为每个高斯分量的方差，大小为m*d维； 为每个高斯模型的概率密度，且满足，为的转置， 和 为的行列式和逆矩阵。在实际的运算过程中，为了减少参数量，提高训练的速率，通常将使用对角化的协方差矩阵，通过实验证明，对角化后的协方差矩阵就足以近似表示了。
31.训练过程使用em算法，详细步骤为：1.初始化 ，，，并且初始化对数似然函数。
32.2.使用当前参数估计概率：；3.更新当前的参数：；；
；；4.计算对数似然函数：;比较对数似然函数或者限定条件，如果不满足条件，跳转到步骤2继续循环直到满足条件为止。
33.步骤3：对目标矿山采空区上覆岩体移动时空规律信号预处理提取特征信息；步骤3.1：对矿山采空区上覆岩体移动时空规律信号加窗、分帧，进行预处理，然后进行短时傅里叶变换。预处理方式和步骤1的同步，窗长设为256，帧移为128。然后进行短时傅里叶变换；步骤3.2：对步骤3.1中频域信号提取特征，参数选取同步骤1.2；步骤4：计算目标矿山采空区上覆岩体移动时空规律信号特定的gmm模型；步骤4.1：gmm-ubm训练好后只需要在原来的通用模型的基础上进行微调整，因为通用背景模型已经反应了录音设备的最基本的矿山采空区上覆岩体移动时空规律信息，对于目标设备，只需要使用少量的特征进行训练一个可以反映出每个模型之间的独特的相对差距就可以了。在这个过程中需要用到map（maximum a posteriori）最大后验概率的算法进行调整。
34.但是在研究中发现，权值和方差矩阵对混合高斯模型的影响并不是很大，最关键的是混合高斯模型的均值矩阵，因此为了提高训练的效率，在应用过程中只考虑对均值矩阵的调整。
35.；；；；
；上式中用来调整参数满足，而、、是用来调整参数的自适应系数，且其中也为自适应系数。
36.步骤5：提取高斯分量；步骤5.1：将经过map自适应调整后的混合高斯模型的均值参数提取出来作为矿山采空区上覆岩体移动时空规律信号的特征数据。经过map自适应训练后得到的gmm模型有三个，均值、方差和权值，而均值矩阵的大小d*l，d为高斯数量，l为帧数，最终需要将均值矩阵转换为{n1,n2,n3
……
}的一位矩阵。
37.步骤5.2：均值参数提取出来后还不可以直接使用，需要对数据进行归一化，本系统采用标准差标准化，如下式所示，其中u为所有样本数据的均值，σ为所有样本数据的标准差。
38.。
39.步骤6：训练卷积神经网络并测试模型；步骤6.1：将特征数据分为训练数据和测试数据两类，训练数据又分为训练样本和验证样本，训练样本用来训练卷积神经网络模型，然后用验证数据检验模型的好坏，同时调整网络模型的参数，最后的测试数据集就用来测试最终深度自编码模型的好坏；步骤6.2：将特征数据集进行one-hot编码分类，在分类模型中，最后做预测时使用的是交叉熵的方式，因此计算的是概率，使用每一个编码方式来表示一个类别将很方便的进行自动识别达到分类的目的，而one-hot编码对于每一个类别热编码只有一位是1其它为都使用0进行标注；步骤6.3：对训练数据预处理，使用0填充的方式将特征数据构建成符合cnn模型的方形数据大小，原始数据为128*39=4992填充为5041然后变为71*71的方阵。
40.步骤6.4：将训练数据用来训练构建好的卷积神经网络；卷积神经网络是一个基于卷积的深度学习神经网络。相较于全连接神经网络在参数数量上大大降低，使得神经网络在运行的速率上大大提高，不管是训练还是检验都更有效率。但是，神经网络从输入层到输出层的每一层传播中，都是通过对原数据特征进行数据的高层提取（特征的深度提取）得到的结果，卷积层相对于上一层数据而言，虽然减小了数据的大小，却增加了通道数量，是对输入数据特征的深层次提取，他通过对原数据的每一小块进行更加深入的分析从而得到了抽象层度更高的特征。
41.在卷积神经网络中包含输入层；卷积层；池化层；全连接层；输出层。
42.（一）输入层（或池化层）到卷积层不管输入层还是池化层，在传向卷积层的过程中，都是一个对特征局部区域进行
高度采样，增加通道数的过程。设通过过滤器将一个大小为（其中k为通道数， 也为二维卷积核大小）的特征数据传递到卷积层形成一个节点：；其中表示卷积层第i个通道，看k’表示在输入层（或池化层）k个通道中与该层卷积层相关的k’个通道（k’≤k）, 表示卷积层第所需的卷积核，它有k’个卷积核矩阵每个卷积核矩阵的大小为。输入层（或池化层）的第j个输入（取决于输入层或池化层的值以及步长）g（i，j）表示第i个通道的第j个值得具体值。
43.（二）卷积层到池化层池化层是为了减少参数的量而进行的相关采样操作。例如在一个下采样的例子中，满足如下关系：；其中表示对l-1层池化后的第j层特征映射，而在lenet-5模型中，池化层相关参数得到了特殊化， ，，f（.）是系数为1的线性函数，所以池化过程就变得相对简单只有这样的池化操作。
44.（三）全连接到输出层该层主要实现将输出结果进行分类或者归并的过程，在lenet-5模型中为一个分类问题，该层是经过一层softmax层形成一个和为1的分布列，通过反向传播调参形成长度为10的one-hot向量由此来判断分类情况。
45.在本系统中，特征数据大小为71*71，构建的网络为8层，首先对71*71的数据取5*5的卷积核进行卷积变为67*67*6的大小，第二步取2*2的池化核进行池化变为34*34*6的大小，第三步取5*5的卷积核进行卷积变为30*30*18，第四步取2*2的池化核池化变为15*15*18，第五步取5*5的卷积核进行卷积变为11*11*54，第六步取2*2的池化核池化变为6*6*54，第七步取6*6的卷积核进行卷积变为540个结点的全连接层，最后经过softmax输出为21维的概率数据。
46.步骤6.5：使用测试数据对已训练好的网络进行测试评估。
47.在模型训练好后，希望能够知道模型的好坏，因此需要对这个模型做测试。为了避免因参与网络结构训练而对模型最终的精度有影响，所以使用未参与训练的额外的数据对模型进行测试。
48.如图2所示，本发明实施例提供的矿山采空区上覆岩体移动时空规律预测控制系统包括：特征信息提取模块1，用于对训练矿山采空区上覆岩体移动时空规律信号预处理
state disk(ssd))等。
55.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。