计划项目（2012BAK04B06）；山东省自然科学基金项目（ZR2013EEM019）
作者简介作者简介：邱涛（1990-），男，山东青岛人，山东科技大学信息科学与工程学院硕士研究生，研究方向为人工智能；贾瑞生（1972-），男，山东青岛人，博士，山东科技大学信息科学与工程学院副教授，研究方向为矿山灾害监测预警理论、信息融合与智能系统；吴春芳（1987-），女，山东临沂人，山东科技大学信息科学与工程学院硕士研究生，研究方向为数据挖掘、冲击地压前兆信息辨识。
0 引言
随着开采范围的扩大和开采深度的增加，应力集中程度越来越高，防冲难度越来越大，预防冲击地压事故，已经成为煤矿安全生产的重中之重。目前，通过微震前兆信息辨识冲击地压主要根据经验来确定，部分矿井采用单一能量和频次的阈值法来监测冲击地压的发生，预警准确率不甚理想。原因在于煤层岩体自身性质及复杂多变的力学响应特征，且对矿山动力灾害的发生机制还没有完全掌握，并且影响冲击地压发生的类型和因素多，针对采掘工作面冲击地压的微震信号都会有较大差异。目前对微震监测信息的分析处理手段还有待细化和提高，且预测预警冲击危险性识别方法亦较简单。因此，预测和识别冲击地压危险都没能很好地分析利用监测时空序列提供的丰富频谱信息[12]。对此，通过机器学习算法将微震信号中的丰富频谱特征进行提取分析，来作为辨识冲击地压前兆信息的有效手段。由于冲击地压成因复杂，微震监测信号表现为非线性、非平稳特征，使得冲击矿压前兆信息特征难以提取。针对传统时频分析方法的缺点，寻找一种实时性、准确性高的前兆辨识方法称为首要目标法，主要克服算法本身自适应性差，以及传统人工神经网络方法通过反复迭代计算目标值耗时较长等劣势[34]。寻找一种准确高效的前兆辨识算法成为科研人员的研究目标。等距特征映射（Isometric feature mapping， ISOMA）是TENENBAUM等[5]提出来的一种流形学习方法，主要特点是通过发现高维数据空间中观测数据的低维光滑流形数据结构，将最有代表性的特征数据从高维数据集合和大规模海量数据流中提取出来。现阶段，ISOMAP主要用于高维数据非线性降维[68]。
支持矢量机（Support vector machine，SVM）以统计学习理论的VC理论和结构风险最小化理论（SRM）为理论基础，能够得到现有信息下的最优解和避免神经网络方法中的局部极值问题，并灵活地解决了维数灾难问题，使其算法复杂度与样本维数无关[1013]。本文基于微震监测信号在固定大小的滑动时间窗口内进行时频域特征提取，组成多维向量表示冲击地压前兆信息；通过流形学习进行低维特征提取，得到训练样本集；基于SVM理论对这些数据集进行训练形成分类器，并应用分类器实现冲击地压前兆信息的实时在线监测预警。
1 等距映射算法
ISOMAP方法是Tenenbaum等[1416]根据使用最近邻图中的最短路径得到近似测地线距离，代替内在流行结构的欧式距离提出的一种非线性降维处理方法。通过对位尺度分析（MDS）进行处理，进而发现嵌入在高维空间中的低维坐标，从而实现数据降维。其主要步骤如下：
3 数据处理及分析
微震技术作为一种有效的监测预警手段[1921]。在矿山生产中，微震发生的频率、能量等信息作为发生冲击地压的判别前兆已经被越来越多的专家所认可，并且取得了丰硕的成果。微震能量以应力波的形式释放并传播，用拾震检波器接收能量较大频率较低的微地震信号。本文通过滑动拾窗从接收波形信息中提取有用的时频域特征信息，作为多参量预警冲击地压灾害前兆特征指标体系。
3.1 原始特征空间构建
将通过滑动时间窗获得的监测数据样本，通过机器学习算法，包括小波分析、时频统计、傅里叶变换等，进行样本特征提取构建初始训练特征空间，主要作为特征选择的原始特征集。对于井下岩石破裂产生的微震事件所反映出的信号数据，需要选择物理意义明确、具有应用价值和敏感的时频域特征参数指标。通过滑动时间窗对原始数据进行分割，将分割数据段作为时频统计分析的输入，得到观测样本。
其中，时域指标采用文献[22]提供的b值、η值Mm值峰值因子、峭度；频域指标采用A（b）值、频率重心Pc、频段能量E。
b值作为时域计算指标，能够反映震源区应力及介质条件，是震级-频度关系（G-R）中与区域有关的经验常数，可作为地震活动和岩爆的重要指示指标。分析历史微震监测数据发现，天然地震和矿震、冲击地压之间在震级和频度的关系方面，都遵守G-R关系，因而关于b值的应用研究颇具价值。
3.2 数据分析
在数据分析过程中，选取某矿工作面2011年5月份微震监测数据，采用波兰EMAG公司的ARAMIS M/E微震监测系统，配套软件根据震动事件生成日志文件，每月生成一个目录存放这些日志文件，并按年打包保存。将冲击地压危险程度定义为二分类状态：正常（NOR）、危险（DAN）。本文采用一对一法构造二分类分类器，使用图1给出的多类SVM分类流程，得到最终辨识结果。
基于采用时间序列的微震监测系统，取滑动时间窗口=24h，时间窗口向前滑移的步距设为3min。对内的微震监测信号进行时频域分析，提取表1中的10个特征指标，滑动时间窗口每滑动一次，即可生成一组10维的特征向量，则每小时可提取20组特征向量，一个月共提取向量14 400组，选取其中的2/3作为训练集，剩余的作1/3为测试集。采用Matlab小波包对信号进行6层多尺度分解，分别用表1中频段能量E1、E2、E3来表示微震信号3个频段的能量积聚情况。
3.2.1 降维处理
对时间窗所采集数据的原始特征空间X应用ISOMAP降维得到一个低维空间Y，其中N、K、d作为可变参数，分别代表的含义为：数据长度、近邻点数、空间维数。其中N为9 600，K=3～15，间隔为1，d=3～10。对不同的K、d分别进行计算。
3.2.2 SVM诊断结果
构造识别分类器并进行类别分类，讨论诊断正确率η随近邻点数K以及维数d 在取不同值时的变化情况。图2表示的是当N=9 600时，总体的诊断正确率η随近邻点数K和d的变化曲线。从图2可以看出，诊断率在7 图3表示K的取值范围为3～15，N=9 600，d=6时，辨识准确率随输出维数K的变化曲线，K=10时准确率最高，作为最佳输出维数。 为验证ISOMAP算法更适合处理微震监测信号，与局部线性嵌入（Locally linear embedding， LLE）、保局投影（Locality preserving projections， LPP）两种基于流形学习的特征提取方法进行了比较。分类器均采用Gauss-SVM，由于样本选取具有随机性，为保证测试结果正确，表2中对应的数据均为程序运行10次后求取的平均值。表2结果显示，诊断率达85.37%，说明采用流行学习提取特征集及作为分类器进行训练能够得到较好的结果。 4 结语 本文提出了将ISOMAP和SVM相结合的微震前兆辨识方法。利用非线性降维算法的数据投影过程中保持数据内在属性的特点，提取微震监测信号中的前兆敏感特征。结果表明，ISOMAP适应于非线性微震前兆信息特征的提取。 但对于降维算法参数K、d的选取缺乏自适应性，如要建立通用、可靠的前兆辨识方法，仍需大量的统计分析与研究工作。 参考文献： [1]袁瑞甫，李化敏，李怀珍.煤柱型冲击地压微震信号分布特征及前兆信息判别[J].岩石力学与工程学报，2012（1）：8085. [2]吕进国，潘立.微震预警冲击地压的时间序列方法[J].煤炭学报，2010（12）： 20022005. [3]孙斌，薛广鑫.基于等距特征映射和支持矢量机的转子故障诊断方法[J].机械工程学报，2012（9）： 129135. [4]徐启华，师军.应用SVM的发动机故障诊断若干问题研究[J].航空学报，2005（6）： 686690. [5]TENENBAUM J B，SILVAVD，LANGFORD J C. A global geometric framework for nonlinear dimensionality reduction[J].Science，2000，290（5500）：23192323. [6]黎敏，徐金梧，阳建宏，等.一种基于流形拓扑结构的轴承故障分类方法[J].控制工程，2009（3）： 358362. [7]刘杏芳，郑晓东，徐光成，等.基于流形学习的地震属性特征提取方法及应用[C].兰州：2010年国际石油地球物理技术交流会，2010：144146. [8]侯晓宇.基于流形学习的特征提取方法研究[D].大连：大连理工大学，2009. [9]方瑞明.支持向量机理论及其应用分析[M].北京：中国电力出版社，2007：132135. [10]徐启华，耿帅，师军.基于大规模训练集SVM的发动机故障诊断[J].航空动力学报，2011，26（12）：28412848. [11]徐丽娜，李琳琳.遗传算法在非线性系统辨识中的应用研究[J].哈尔滨工业大学学报，1999（2）： 3942. [12]黄江涛，王明辉，李武劲，等.基于动态权值的多分类器故障诊断系统[J].电子学报，2012（4）： 734738. [13]马笑潇，黄席樾，柴毅.基于SVM的二叉树多类分类算法及其在故障诊断中的应用[J].控制与决策，2003（3）： 272276. [14]刘海涛，汪增福，曹洋.基于流形学习的三维步态鲁棒识别方法[J].模式识别与人工智能，2011（4）： 464472. [15]程起才，王洪元，吴小俊，等.一种基于ISOMAP的分类算法[J].控制与决策，2011（6）： 214122. [16]刘粉香.线性及非线性特征提取人脸识别方法的研究[D].南京：南京林业大学，2009. [17]张战成，王士同，邓赵红，等.一种支持向量机的快速分类算法[J].控制与决策，2012（3）： 459463. [18]丁世飞，齐丙娟，谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报，2011（1）：12811286. [19]赵善坤，李宏艳，刘军，等.深部冲击危险矿井多参量预测预报及解危技术研究[C].第十二届全国岩石动力学学术会议暨国际岩石动力学专题研讨会，2011：339345. [20]陆菜平，窦林名，郭晓强，等.顶板岩层破断诱发矿震的频谱特征[J].岩石力学与工程学报，2010，29（5）：10171022.
[21]赵毅鑫，姜耀东，王涛，等.“两硬”条件下冲击地压微震信号特征及前兆识别[J].煤炭学报，2012（12）： 19601966.
[22]夏永学，康立军，齐庆新，等.基于微震监测的5个指标及其在冲击地压预测中的应用[J].煤炭学报， 2010，35（12）：20112016.
责任编辑（责任编辑：孙 娟）
英文摘要Abstract：Aiming at the characteristic of microseismic signal by nonlinear and complexity， a method of Identification of seismic precursor based on Isometric feature map and SVM （Support vector machine） combination is proposed. For the advantages of ISOMAP that it can maintain the inner feature while projecting the high dimension data onto low dimension data space. To find embedded in highdimensional data spaces in the structure of lowdimensional manifolds ，which produced by ISOMAP from high dimension space of microseismic signal ， and consider them as feature vectors， adopting gauss kernel function SVM classifier to monitoring and early warning. Experimental results indicate that this method can effectively achieve the identification of seismic precursor of rock burst.
英文关键词Key Words： Rock Burst； Microseismic Monitoring； Manifold Learning；Isometric Feature mapping； Support Vector Machine