论文部分内容阅读
为了快速而准确地判别煤矿突水水源类型，提出了一种构建多层正则极限学习机(M-RELM)模型的方法，该模型融合了非线性特征提取和分类学习。以激光诱导荧光(LIF)技术获取水样荧光光谱，作为模型的输入；以改进的自动编码器(AE)提取荧光光谱特征，形成模型隐含层的特征空间。为了减少光谱中噪声和异常对分类结果的影响，对极限学习机(ELM)算法进行了正则化优化，根据是否利用未知样本构造训练集，进行L2范数正则极限学习机(L2-RELM)或基于图的流形正则极限学习机(GM-RELM)优化，实现监督或半监督的分类学习。通过不同功能的隐含层之间进行传播，构建了多层正则化模型，完成了预训练和训练两个过程的融合。以淮南区域煤矿突水水样为实验对象，与支持向量机(SVM)和单隐含层极限学习机进行性能比较。在含有混合水的样集上，该模型的平均测试准确率可达到94%以上，训练时间为0.2 s左右。在含有未知样本的所有水样集上，相比于L2-RELM模型，采用基于图的流形正则优化的GM-RELM模型的测试准确率可提升2%左右。实验结果表明，M-RELM模型更能适应煤矿突水水源的判别要求。