摘  要： 針對(duì)小樣本、多類煤礦頂板的狀態(tài)檢測(cè)問題，提出了基于支持向量機(jī)集成的算法。采用深度優(yōu)先搜索對(duì)支持向量機(jī)集成參數(shù)進(jìn)行優(yōu)化，并結(jié)合煤礦頂板敲擊聲信號(hào)的人耳聽覺功率譜特征，對(duì)煤礦頂板中浮石、剝層等現(xiàn)象進(jìn)行分類識(shí)別。實(shí)驗(yàn)表明，該算法能夠?qū)Χ囝愴敯鍫顟B(tài)進(jìn)行有效分類，且識(shí)別率較高，能夠作為安全開采的保障手段。
關(guān)鍵詞： 支持向量機(jī)集成；人耳聽覺功率譜；頂板狀態(tài)檢測(cè)；深度優(yōu)先搜索

　我國(guó)是一個(gè)煤炭大國(guó)，煤炭資源豐富，且煤炭消費(fèi)量逐年增加。為保證國(guó)民經(jīng)濟(jì)的持續(xù)健康發(fā)展，需要有計(jì)劃地大規(guī)模開采煤炭資源。然而，我國(guó)在煤炭開采中的安全事故經(jīng)常發(fā)生。其中，冒頂事故是最常見的安全事故之一，給國(guó)家和人民帶來了巨大的損失。而要避免和減少冒頂事故的發(fā)生，關(guān)鍵就是要對(duì)頂板的安全性能進(jìn)行及時(shí)、有效地檢測(cè)，以便工程技術(shù)人員及時(shí)排除安全隱患。
　敲幫問頂（wall tapping and roof sounding）是依靠人耳極其靈敏的聽覺系統(tǒng)和長(zhǎng)期的實(shí)踐經(jīng)驗(yàn)來判斷頂板的安全穩(wěn)定性的，是目前被廣泛沿用的對(duì)頂板進(jìn)行安全檢測(cè)的重要途徑。但這種方法對(duì)工人自身技能要求較高，且對(duì)工人的人身安全有一定的安全隱患。因此，研究新的檢測(cè)技術(shù)就顯得非常迫切。其中，基于模式識(shí)別的檢測(cè)是目前研究的重要方向之一。在應(yīng)用現(xiàn)代模式識(shí)別技術(shù)對(duì)頂板進(jìn)行狀態(tài)監(jiān)測(cè)和故障診斷中，功率特征提取和分類器模型設(shè)計(jì)是兩個(gè)至關(guān)重要的因素。本文采用基于聽覺模型和支持向量機(jī)集成算法?；诼犛X模型的聲信號(hào)特征提取、分類、識(shí)別的研究，近年來得到了國(guó)內(nèi)外學(xué)者的高度重視，特別在語音信號(hào)處理方面。但是針對(duì)煤礦頂板敲擊聲音信號(hào)方面重視較少。支持向量機(jī)SVM（Support Vector Machines）是Vapnik等人根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論中結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則提出的。而支持向量機(jī)集成SVME（Support Vector Machine Ensemble）可以提高支持向量機(jī)的分類性能[1-2]。
　本文正是基于以上原因，針對(duì)小樣本、多類煤礦頂板，提出了基于支持向量機(jī)集成算法對(duì)煤礦頂板安全性能進(jìn)行檢測(cè)的方法。
1 人耳聽覺功率譜特征提取
　人們通過對(duì)生理聲學(xué)、心理聲學(xué)和信號(hào)處理的研究和分析[3-4]，建立了人耳聽覺模型，并且利用此模型來對(duì)聲音信號(hào)進(jìn)行聽覺譜特征提取。該聽覺譜特征[5]提取過程如圖1所示。

　通過對(duì)模仿人的聽覺感知機(jī)理進(jìn)行分析，聽覺譜特征提取算法主要有三個(gè)方面的處理：（1）臨界頻帶段分析處理；（2）等響度級(jí)預(yù)處理；（3）等響度轉(zhuǎn)換。利用臨界頻帶分析，計(jì)算模型考慮了耳蝸的分頻特性，由此可以反映人耳的掩蔽效應(yīng)。

    在循環(huán)體中，首先從給出的訓(xùn)練樣本集X中按照一定的概率抽取樣本并獲得新的訓(xùn)練樣本Xt；然后，依據(jù)新獲得的訓(xùn)練樣本Xt來優(yōu)化選擇個(gè)體SVMC核函數(shù)參數(shù)，并訓(xùn)練SVM以獲得分類超平面ft（Xt）；再次，計(jì)算出該分類超平面的加權(quán)分類錯(cuò)誤率；最后，做出一個(gè)判斷：即判斷計(jì)算出的加權(quán)分類錯(cuò)誤率是否≥0.5或=1。如果條件成立，則結(jié)束該循環(huán)，并運(yùn)用加權(quán)多數(shù)投票法集成個(gè)體SVMC；反之，則改變加權(quán)系數(shù)，進(jìn)行下一輪循環(huán)，直至條件成立，退出循環(huán)。
　要想獲得一個(gè)高性能和高精度的支持向量機(jī)集成模型，就必需要對(duì)優(yōu)化不敏感損失函數(shù)ε、懲罰系數(shù)c和核參數(shù)γ等參數(shù)進(jìn)行優(yōu)化處理，而這些參數(shù)之間相互影響。實(shí)際上，選擇過程是一個(gè)優(yōu)化搜索的過程，由于深度優(yōu)先算法具有全局搜索性能力強(qiáng)、并行性和啟發(fā)式等優(yōu)點(diǎn)，所以本文采用深度優(yōu)先算法對(duì)SVMC參數(shù)進(jìn)行尋優(yōu)。深度優(yōu)先算法[6]是一種基于圖論的優(yōu)化算法，其基本思想：為了求得問題的解，先選擇某一種可能情況向前（子結(jié)點(diǎn)）探索，在探索過程中，一旦發(fā)現(xiàn)原來的選擇不符合要求，則回溯至父親結(jié)點(diǎn)重新選擇另一結(jié)點(diǎn)，繼續(xù)向前探索。如此反復(fù)進(jìn)行，直至求得最優(yōu)解。深度優(yōu)先搜索的實(shí)現(xiàn)方式可以采用遞歸或者棧來實(shí)現(xiàn)。
　采用深度優(yōu)先搜索對(duì)SVMC參數(shù)c、γ和ε進(jìn)行優(yōu)化的具體步驟如下：
?。?）對(duì)SVMC中的參數(shù)c、γ和ε進(jìn)行初始范圍的確定，按照步長(zhǎng)對(duì)參數(shù)c、γ和ε進(jìn)行等量劃分，以此獲得離散數(shù)組。
　（2）首先利用LIBSVM軟件采用交叉驗(yàn)證方法對(duì)參數(shù)c、γ和ε進(jìn)行建立模型和預(yù)測(cè)；然后對(duì)每組均方根誤差進(jìn)行比較；最后選擇最小的均方根誤差所對(duì)應(yīng)的參數(shù)為本次的SVMC最佳參數(shù)組合。
?。?）將本次最優(yōu)參數(shù)和上一次最優(yōu)參數(shù)的均方根誤差進(jìn)行比較，如果均方根誤差小于上一次均方根誤差，則跳轉(zhuǎn)到步驟（4），否則跳轉(zhuǎn)到步驟（5）。
?。?）根據(jù)上一次的最優(yōu)參數(shù)，并且采用啟發(fā)式方式在該參數(shù)附近進(jìn)行參數(shù)范圍修改，從而加快參數(shù)搜索速度；然后跳轉(zhuǎn)到步驟（1），重新進(jìn)行遞歸運(yùn)算。
?。?）參數(shù)優(yōu)化結(jié)束后，退出運(yùn)算，取此時(shí)的參數(shù)c、γ和ε為SVMC的最優(yōu)參數(shù)。
深度優(yōu)先搜索參數(shù)優(yōu)化流程圖如圖3所示。

3 實(shí)驗(yàn)及結(jié)果
3.1 實(shí)驗(yàn)數(shù)據(jù)集
　本文實(shí)驗(yàn)數(shù)據(jù)是從我國(guó)東北某大型煤礦井下頂板上采集的，共有4類目標(biāo)：一類是安全頂板，另3類是3種危險(xiǎn)頂板（浮石、剝層和斷裂）。信號(hào)的采樣頻率是20 000 Hz，每個(gè)樣本長(zhǎng)度為4 096個(gè)點(diǎn)。安全頂板、浮石頂板、剝層頂板和斷裂頂板的樣本數(shù)目分別為2 000、200、500、150。由于受到實(shí)驗(yàn)數(shù)據(jù)采樣頻率（20 000 Hz）的限制，本文只在20～10 000 Hz頻率范圍內(nèi)（即前22個(gè)臨界頻帶內(nèi)）提取了4類頂板的敲擊聲信號(hào)的聽覺譜特征。
3.2 實(shí)驗(yàn)

　在分類實(shí)驗(yàn)中，訓(xùn)練樣本數(shù)目和測(cè)試樣本數(shù)目的比值是1﹕4，提取樣本的聽覺譜特征后，分別用SVME算法和單個(gè)SVMC對(duì)4類目標(biāo)進(jìn)行頂板狀態(tài)診斷實(shí)驗(yàn)。為了避免樣本選取的隨機(jī)性對(duì)實(shí)驗(yàn)結(jié)果帶來的誤差，實(shí)驗(yàn)分別進(jìn)行了20次，最終結(jié)果為20次實(shí)驗(yàn)結(jié)果的平均值。檢測(cè)結(jié)果如表1所示。

    從表1可以看出，支持向量機(jī)集成算法可以有效識(shí)別安全頂板和危險(xiǎn)頂板，并進(jìn)行狀態(tài)診斷，而且其識(shí)別4類目標(biāo)的正確識(shí)別率都比單個(gè)SVMC要高。特別是本文所提出的算法對(duì)危險(xiǎn)頂板的正確識(shí)別率比單個(gè)SVMC提高了2.57%~3.22%。實(shí)驗(yàn)結(jié)果證明，本文提出的支持向量機(jī)集成（SVME）算法是有效的，可以應(yīng)用于煤礦頂板狀態(tài)識(shí)別和故障診斷中。
　本文提出了支持向量機(jī)集成（SVME）算法，采用了深度優(yōu)先搜索對(duì)支持向量機(jī)集成參數(shù)進(jìn)行優(yōu)化，并結(jié)合敲擊聲信號(hào)的人耳聽覺譜特征用于頂板狀態(tài)的分類識(shí)別。實(shí)驗(yàn)證明，本文所提出的SVME算法識(shí)別率較高，可以滿足現(xiàn)場(chǎng)檢測(cè)的要求，為煤礦頂板狀態(tài)診斷提供了新的方法。
參考文獻(xiàn)
[1] VAPNIK V. The nature of statistical learning theory[M]. New York： Springer-Verlag， 1999.
[2] 楊宏暉，孫進(jìn)才.基于支持向量機(jī)集成的水下目標(biāo)自動(dòng)識(shí)別系統(tǒng)[J].測(cè)控技術(shù)， 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] 楊宏暉，侯宏，曾向陽.基于聲信號(hào)人耳聽覺譜特征的風(fēng)機(jī)故障診斷[J].儀器儀表學(xué)報(bào)，2009，30（1）.
[6] 李立紅，許元飛.深度優(yōu)先搜索的支持向量機(jī)參數(shù)優(yōu)化算法[J].計(jì)算機(jī)仿真，2011，28（7）：216-219.