一种基于深度学习的综采工作面多源异构数据融合方法

本发明涉及一种综采工作面多源异构数据融合方法，尤其适用于煤矿智能化开采技术领域使用的基于深度学习的综采工作面多源异构数据融合方法。

煤矿智能化开采是国际煤炭开采领域共同追求的前沿技术，是减少人员伤亡、保障安全生产的重要手段也是我国煤矿实现安全、高效、绿开采的有效途径。为了实现煤矿智能化开采，需要在综采工作面开采过程中采集大量多源异构数据，如槽波探测数据、激光扫描仪数据、矿井地测数据、探地雷达数据、三维地震数据和开采过程中的实测生产数据等。由于这些数据获取的途径、时间及使用传感器不同，因此，在空间基准、数据属性和要素关系等方面均存在着不统一的问题。而现有的多源异构数据处理方法多采用“各自为战”处理方式，即分别建立各自传感器测量的数据库，且各个数据库之间不关联，导致不能准确反映开采过程中作业对象和开采环境之间的对应关系。

技术问题：针对上述技术的不足之处，提供了一种步骤简单，执行效率高，能快速高效的为煤矿智能化开采提供精准的多源异构数据融合信息，同时节省人力的融合综采工作面在开采过程中各种模式异构数据的方法

技术方案：为了实现上述目的，本发明的基于深度学习的综采工作面多源异构数据融合方法，根据综采工作面在开采过程中多源异构数据信息，建立综采工作面多源异构数据的深度学习融合模型，具体步骤包括：

根据综采工作面在开采过程中多源异构数据信息，建立综采工作面多源异构数据的深度学习融合模型；具体步骤包括：

a在综采工作面开采过程中采集多源异构数据信息，包括：工作面槽波探测数据、激光扫描仪数据、矿井地测数据、探地雷达数据、三维地震数据，并对上述所有多源异构数据信息进行优化处理，包括：采用弦高差方法去除噪声点、均值滤波方法进行平滑滤波、三次样条插值进行数据修补，建立综采工作面多源异构数据模型；

b利用莫洛金斯基七参数坐标转换模型将多源异构数据信息转化为综采工作面多源异构数据模型，并将综采工作面多源异构数据模型中的空间基准、数据属性和要素关系进行统一化处理；

c利用逐点插入法生成综采工作面多源异构数据模型的不规则三角网；

d提取不规则三角网的特征参数，包括三角网的层数、节点数和训练代数，校验三角网的层数、节点数和训练代数的绝对值线性收敛从而判断是否满足深度学习算法的迭代条件，如不满足迭代条件，通过调整三角网的层数多少、节点的数量和训练代数的大小来实现综采工作面多源异构数据模型满足深度学习算法的迭代条件要求；

e如满足深度学习算法的迭代条件，则利用深度学习训练样本进行特征训练，之后利用深度学习验证样本验证综采工作面多源异构数据模型性能，

f在步骤e中在深度学习训练样本完成特征训练以及深度学习验证样本完成模型性能验证，利用通用卷积神经网络方法建立综采工作面多源异构数据的深度学习融合模型。

空间基准的统一化处理过程包括：采用莫洛金斯基七参数坐标转换模型把获取的多源异构数据转换到中国大地坐标系(CGCS2000)下，

式中，XCGCS，YCGCS，ZCGCS是中国大地坐标系下坐标值，XM，YM，ZM是多源异构数据测量传感器坐标系下坐标值，ΔX，ΔY，ΔZ是两个坐标原点之间的平移参数，RX，RY，RZ是3个坐标轴旋转参数，ε是尺度参数；

所述数据属性的统一化处理过程包括：采用多级描述方法对多源异构数据属性进行统一化处理，设异构数据A和B的数据属性分别为：(μA,sA)和(μB,sB)，判断A和B的数据属性是否满足下式：

式中，sim()是数据属性一致性函数，μ和s分别表示坐标相似度和方向相似度，是异构数据的总数，ω1和ω2是权参数；

所述要素关系的统一化处理过程包括：采用9-交集模型并计算异构数据A和B如下拓扑关系方程：

式中，R()是数据拓扑关系函数，A0，和A-分别表示数据A内部拓扑关系，边界拓扑关系和外部拓扑关系，B0，和B-分别表示数据A内部拓扑关系，边界拓扑关系和外部拓扑关系。

利用逐点插入法生成综采工作面多源异构数据模型的不规则三角网具体步骤为：

c1定义一个包含所有综采工作面多源异构数据点集的初始多边形；

c2从综采工作面多源异构数据点集中任意选择一个点，插入到初始多边形重心点处建立初始三角网；

c3进行迭代计算，直到所有数据点均被处理，即首先插入一个离散采样点在初始三角网内部，在初始三角网中出包含该点的三角形，把点与三角形三个顶点连接，生成三个新的小三角形；然后用LOP(Local Optimization Procedure)算法从里到外优化三角网，确保新的小三角形符合不规则三角形的要求；

c4删除包含初始多边形点的三角形，形成最终不规则三角网。

步骤d中深度学习算法的迭代条件要满足如下方程式：

式中，P表示深度学习隐含层与输入层的联合概率分布函数，为不规则三角网的层数h， v为不规则三角网的层数节点数，sigm为深度学习条件概率激励函数，wij表示深度学习输入层第i个神经元与隐含层第j个神经元间的权值矩阵，aj为输入层第j个神经元的偏置， bi为隐藏层第i个神经元的偏置，nv nh分别表示输入层和隐藏层的数量。

验证样本验证模型性能步骤为：

根据综采工作面多源异构数据模型建立一个训练集S＝{x(1),x(2),…,x()},进行深度学习训练：s(k)＝f(x(k))＝f(σ(wx(k)+b))，式中：表示为多源异构数据的总数，x表示为要训练的多源异构数据，σ表示深度学习激活函数，w表示输入层到隐层的权值矩阵，b 为隐藏层的偏置，s为x的训练特征表达式；

利用公式：y(k)＝g(s(k))＝g(σ(wTs(k)+bT))进行深度学习验证，式中：wT表示w的转置矩阵，bT表示b的转置矩阵，y为s的验证特征表达式；

保证多源异构数据融合的最小误差值ξ在深度学习训练过程中满足：

有益效果：本发明与现有技术相比具有如下优点：

1)本发明提供的一种基于深度学习的综采工作面多源异构数据融合方法，能快速融合综采工作面在开采过程中多种异构数据，包括槽波探测数据、激光扫描仪数据、矿井地测数据、探地雷达数据、三维地震数据和开采过程中的实测生产数据，并有效提升数据融合的效率与准确度。

2)本发明提供的融合方法，可有效的将综采工作面多源异构数据融合在一起，且能有效保证所建立模型的准确性和可靠性，同时为综采工作面无人化开采提供精确的多源异构数据。

图1是本发明的基于深度学习的综采工作面多源异构数据融合方法流程图。

图2(a)是本发明的利用逐点插入法生成多源异构数据模型不规则三角网的定义初始多边形示意图。

图2(b)是本发明的利用逐点插入法生成多源异构数据模型不规则三角网的初始三角网示意图。

图2(c)是本发明的利用逐点插入法生成多源异构数据模型不规则三角网插入第二个点后的示意图。

图2(d)是本发明的利用逐点插入法生成多源异构数据模型不规则三角网插入第三个点后的示意图。

图2(e)是本发明的利用逐点插入法生成多源异构数据模型不规则三角网的迭代完成后的示意图。

图2(f)是本发明的利用逐点插入法生成多源异构数据模型不规则三角网最终生成的不规则三角网示意图。

下面结合附图中的实施例对本发明作进一步的描述：

如图1所示，本发明的一种基于深度学习的综采工作面多源异构数据融合方法，根据综采工作面在开采过程中多源异构数据信息，建立综采工作面多源异构数据的深度学习融合模型，具体步骤包括：

a在综采工作面开采过程中采集多源异构数据信息，包括：工作面槽波探测数据、激光扫描仪数据、矿井地测数据、探地雷达数据、三维地震数据，并对上述所有多源异构数据信息进行优化处理，包括：采用弦高差方法去除噪声点、均值滤波方法进行平滑滤波、三次样条插值进行数据修补，建立综采工作面多源异构数据模型；

b利用莫洛金斯基七参数坐标转换模型将多源异构数据信息转化为综采工作面多源异构数据模型，并将综采工作面多源异构数据模型中的空间基准、数据属性和要素关系进行统一化处理；

所述空间基准的统一化处理过程包括：采用莫洛金斯基七参数坐标转换模型把获取的多源异构数据转换到中国大地坐标系(CGCS2000)下，

式中，XCGCS，YCGCS，ZCGCS是中国大地坐标系下坐标值，XM，YM，ZM是多源异构数据测量传感器坐标系下坐标值，ΔX，ΔY，ΔZ是两个坐标原点之间的平移参数，RX，RY，RZ是3个坐标轴旋转参数，ε是尺度参数；

所述数据属性的统一化处理过程包括：采用多级描述方法对多源异构数据属性进行统一化处理，设异构数据A和B的数据属性分别为：(μA,sA)和(μB,sB)，判断A和B的数据属性是否满足下式：

式中，sim()是数据属性一致性函数，μ和s分别表示坐标相似度和方向相似度，是异构数据的总数，ω1和ω2是权参数；

所述要素关系的统一化处理过程包括：采用9-交集模型并计算异构数据A和B如下拓扑关系方程：

式中，R()是数据拓扑关系函数，A0，和A-分别表示数据A内部拓扑关系，边界拓扑关系和外部拓扑关系，B0，和B-分别表示数据A内部拓扑关系，边界拓扑关系和外部拓扑关系；

c如图2(a)所示，利用逐点插入法生成综采工作面多源异构数据模型的不规则三角网，具体步骤为：

c1如图2(b)所示，定义一个包含所有综采工作面多源异构数据点集的初始多边形；

c2从c1定义的数据点集中任意选择一个点，插入到初始多边形重心点处建立初始三角网；

c3进行迭代计算，直到所有数据点均被处理，如图2(c)所示是插入第二个点后的示意图，图2(d)是插入第三个点后的示意图，即首先插入一个离散采样点在初始三角网内部，在初始三角网中出包含该点的三角形，把点与三角形三个顶点连接，生成三个新的小三角形；然后用LOP(Local Optimization Procedure)算法从里到外优化三角网，确保新的小三角形符合不规则三角形的要求，其中

c4删除包含初始多边形点的三角形，形成最终不规则三角网，如图2(f)所示；

d提取不规则三角网的特征参数，包括三角网的层数、节点数和训练代数，校验是否满足深度学习算法的迭代条件，即三角网的层数、节点数和训练代数的绝对值线性收敛，如不满足迭代条件，通过调整三角网的层数多少、节点的数量和训练代数的大小来实现综采工作面多源异构数据模型满足深度学习算法的迭代条件要求；

所述深度学习算法的迭代条件要满足如下方程式：

式中，P表示深度学习隐含层与输入层的联合概率分布函数，为不规则三角网的层数h， v为不规则三角网的层数节点数，sigm为深度学习条件概率激励函数，wij表示深度学习输入层第i个神经元与隐含层第j个神经元间的权值矩阵，aj为输入层第j个神经元的偏置， bi为隐藏层第i个神经元的偏置，nv nh分别表示输入层和隐藏层的数量，如图2(e)为迭代完成后的三角网示意图；

e如满足深度学习算法的迭代条件，则利用深度学习训练样本进行特征训练，之后利用深度学习验证样本验证综采工作面多源异构数据模型性能，具体步骤为：

根据综采工作面多源异构数据模型建立一个训练集S＝{x(1),x(2),…,x()},进行深度学习训练：s(k)＝f(x(k))＝f(σ(wx(k)+b))，式中：表示为多源异构数据的总数，x表示为要训练的多源异构数据，σ表示深度学习激活函数，w表示输入层到隐层的权值矩阵，b 为隐藏层的偏置，s为x的训练特征表达式；

利用公式：y(k)＝g(s(k))＝g(σ(wTs(k)+bT))进行深度学习验证，式中：wT表示w的转置矩阵，bT表示b的转置矩阵，y为s的验证特征表达式；

保证多源异构数据融合的最小误差值ξ在深度学习训练过程中满足：

f在步骤e中在深度学习训练样本完成特征训练以及深度学习验证样本完成模型性能验证，利用通用卷积神经网络方法建立综采工作面多源异构数据的深度学习融合模型。