基于半监督过采样非平衡学习的矿山微震信号识别

程健¹，杨凌凯¹，王全魁²，崔宁¹，郭一楠¹

1. 中国矿业大学信息与控制工程学院2. 华润电力控股有限公司华东大区运营部

摘 要：为准确实现冲击矿压灾害的预防预警,提出一种半监督过采样框架对煤矿微震数据进行模式识别,采用主成分分析、小波变换和Fisher判别对微震数据集样本的多个信号通道进行特征提取;并对提取到的特征数据进行半监督非平衡学习;最后训练分类器进行模式识别。通过在兖矿集团微震数据集进行试验,结果表明:针对微震数据的半监督过采样框架可以有效提高微震数据的识别准确率。与只进行过采样的方法相比,使用CPLE和SELF两种半监督学习的方法,在KNN、LR、FLD、RF、SVM和Adaboost这6个分类器上有5个分类器上识别效果更好,可以获得更好的回归率和F1的指标。此方法可以获得高维微震数据的压缩表达,解决不平衡微震数据集的识别问题。

关键词：非平衡学习;半监督学习;模式识别;矿山微震;