技術(shù)特征：

1.一種瓦斯?jié)舛葯z測(cè)方法，其特征在于，采用KPCA算法用于鑒別“大數(shù)”，首先構(gòu)造兩種混合核函數(shù)，利用矢量的方法構(gòu)建核矩陣，并利用核主成分分析計(jì)算核矩陣的特征向量，該算法具有較高的識(shí)別率和較高的運(yùn)算速度；

該算法通過(guò)訓(xùn)練樣本在特征空間所張成的子空間的一組標(biāo)準(zhǔn)正交基，將訓(xùn)練集上的KPCA過(guò)程，轉(zhuǎn)化為所有核訓(xùn)練樣本在該組基下的坐標(biāo)為數(shù)據(jù)集的PCA過(guò)程，同時(shí)對(duì)訓(xùn)練樣本特征提取，能有效捕捉訓(xùn)練數(shù)據(jù)的非線性特征，在模式識(shí)別、回歸分析中受到廣泛重視和應(yīng)用。在KPCA的求解過(guò)程中，需要特征值分解一個(gè)M*M的核矩陣(M表示訓(xùn)練樣本數(shù))，對(duì)樣本特征提取時(shí)，只需計(jì)算該樣本與構(gòu)成這組基德樣本間的核函數(shù)，實(shí)驗(yàn)結(jié)果驗(yàn)證該算法是有效的；

利用瓦斯傳感器對(duì)井下瓦斯?jié)舛冗M(jìn)行數(shù)據(jù)采集，通過(guò)CAN總線將傳感器輸出數(shù)據(jù)經(jīng)過(guò)CAN/RS485總線轉(zhuǎn)換器轉(zhuǎn)換成RS485信號(hào)，RS485信號(hào)適合遠(yuǎn)距離傳輸，傳輸至地面上的RS485/RJ45總線轉(zhuǎn)換器轉(zhuǎn)換成PC機(jī)能接受的RJ45網(wǎng)口信號(hào)，實(shí)現(xiàn)遠(yuǎn)距離傳輸，最終上傳到上位機(jī)數(shù)據(jù)庫(kù)；

在MGCS監(jiān)控軟件中建立瓦斯預(yù)測(cè)畫(huà)面，創(chuàng)建報(bào)表組件，鏈接歷史數(shù)據(jù)庫(kù)，建立相應(yīng)的通道鏈接。上位機(jī)MGCS監(jiān)控軟件首先把歷史數(shù)據(jù)中工作面瓦斯?jié)舛葘懭霐?shù)據(jù)報(bào)表中，再將數(shù)據(jù)通過(guò)OPC方式傳入瓦斯MATLAB應(yīng)用程序中。瓦斯?jié)舛仍贙PCA算法程序中經(jīng)過(guò)處理后，再把去掉“脈沖干擾”的結(jié)果送回到MCGS畫(huà)面中，顯示出瓦斯?jié)舛龋?/p>

通過(guò)對(duì)原始樣本的矩陣進(jìn)行分解,選取前面M個(gè)最大特征值所對(duì)應(yīng)的特征向量組成最優(yōu)投影矩陣,通過(guò)將樣本數(shù)據(jù)在最優(yōu)投影矩陣上進(jìn)行投影,達(dá)到數(shù)據(jù)分離脈沖干擾的目的；

需要通過(guò)非線性映射將數(shù)據(jù)映射到線性可分的特征空間進(jìn)行主成分析,由于其計(jì)算過(guò)程中使用核函數(shù)來(lái)完成高維特征空間中矢量的內(nèi)積計(jì)算；

設(shè)x_i∈R^p(i＝1,2,3…,N)為p維輸入空間N個(gè)樣本點(diǎn)，假設(shè)通過(guò)非線性變換φ將R^p映射到特征空間F(R^f)，即φ:R^p→F(R^f),φ(x_i),(i＝1,2,3…,N)，為空間F中對(duì)應(yīng)的在高維特征空間進(jìn)行主成分分析的方法可以通過(guò)求解特征空間中樣本矩陣的特征值和特征向量實(shí)現(xiàn)，假設(shè)φ(x_i),(i＝1,2,3…,N)是已經(jīng)經(jīng)過(guò)中心化處理后的高維特征空間向量，特征空間的協(xié)方差矩陣為：

求解C_φ特征值特征向量的關(guān)系式為：

C_φv＝λv (2)

λ和v分別表示矩陣C_φ的特征值和對(duì)應(yīng)的特征向量，由于蟹放在矩陣是對(duì)稱的，因而可以找到r個(gè)標(biāo)準(zhǔn)正交特征向量，既式(2)存在r個(gè)非零解，但由于變換未知，矩陣C_φ無(wú)法獲得，因而無(wú)法直接求解(2)的特征向量，依據(jù)再生核理論，特征向量v可由空間F中的樣本張成，既可由φ(x_j),(j＝1,2,3…,N)的線性組合表示：

考慮等式：

φ(x)·C_φv＝λ(φ(x)·v) (4)

將式(1)、(3)代入式(4)，令矩陣K_N×N＝(φ(x_i)οφ(x_j)),(i,j＝1,2…N)

可得

Kα＝nλα (5)

矩陣K稱為核矩陣，上式既可以求解矩陣K的特征值和特征向量的方程，因?yàn)榍蠼馐?3)系數(shù)的問(wèn)題轉(zhuǎn)化為求解核矩陣的特征向量的問(wèn)題。核矩陣K需要通過(guò)計(jì)算高維特征空間中矢量的內(nèi)積形成，因而可采用支持向量機(jī)技術(shù)中的和函數(shù)來(lái)完成，核函數(shù)可以通過(guò)原屬性空間的計(jì)算變換實(shí)現(xiàn)高維特征空間內(nèi)積值得計(jì)算；

選擇合適的核函數(shù)，則可以求解核矩陣的特征值和特征向量，然后通過(guò)PCA的方法獲取特征空間中的主成方向矢量，假設(shè)取前m個(gè)特征值對(duì)應(yīng)的特征矢量組成主成方向矢量，則數(shù)據(jù)聚的主成方向矢量可以表示為

v＝λ₁v₁+λ₂v₂+…+λ_mv_m (6)

此處λ＝(λ₁,λ₂,…,λ_m)，表示歸一化的特征值，歸一化可保證主成方向矢量的單位性。

2.數(shù)據(jù)異常的度量

通過(guò)在高維特征空間進(jìn)行主成分析，可以認(rèn)為正常情況下數(shù)據(jù)的主成方向矢量應(yīng)該基本保持一致，因而可采用主成方向矢量的內(nèi)積來(lái)衡量不同數(shù)據(jù)之間的差異，即：

θ＝|<v₁,v₂>| (7)

此處僅采用第一個(gè)特征矢量作為數(shù)據(jù)的主成方向矢量，即取m＝1，此時(shí)數(shù)據(jù)集1和2主成方向矢量的內(nèi)積為：

上式可以看出，主成方向矢量之間的內(nèi)積計(jì)算同樣可以通過(guò)核函數(shù)的方法實(shí)現(xiàn)，基于異常度量方法，在異常瓦斯數(shù)據(jù)檢測(cè)過(guò)程中可將實(shí)際數(shù)據(jù)分為M段長(zhǎng)度為N的數(shù)據(jù)子矩陣，每個(gè)子矩陣對(duì)應(yīng)一個(gè)主成方向矢量，其平均主成方向矢量可以表示為：

(β₁，β₂，β₃…β_r)＝(φ(x_b1)，φ(x_b2)，φ(x_b3)，…φ(x_br))C (10)

上式中sum(v_i)表示向量之間的各元素之和，參數(shù)c用于確保的單位性。

3.瓦斯?jié)舛犬惓?shù)據(jù)檢測(cè)算法流程

算法可以劃分為兩個(gè)階段，訓(xùn)練階段和檢測(cè)階段，訓(xùn)練階段主要是通過(guò)歷史數(shù)據(jù)獲取數(shù)據(jù)分布的特征，估計(jì)分布模型參數(shù)；檢測(cè)階段主要是計(jì)算檢測(cè)數(shù)據(jù)集的主成方向矢量的分布概率，根據(jù)概率的大小判斷瓦斯?jié)舛葦?shù)據(jù)是否出現(xiàn)異常，其詳細(xì)的步驟如下：

訓(xùn)練階段

(1)將樣本數(shù)據(jù)進(jìn)行劃分為M段長(zhǎng)度為N的數(shù)據(jù)子矩陣D_j(j＝1,2…M)；

(2)選取合適的核函數(shù)用于高維特征空間的矢量?jī)?nèi)積；

(3)采用KPCA的方法獲取各數(shù)據(jù)子矩陣映射到高維特征空間后的主成方向矢量v_j；

(4)通過(guò)M個(gè)v_j計(jì)算整個(gè)訓(xùn)練數(shù)據(jù)子矩陣的平均方向矢量

(5)采用VMF分布模型描述歷史數(shù)據(jù)主成方向矢量的分布，并估計(jì)確定模型參數(shù)；

檢測(cè)階段

(1)求解數(shù)據(jù)子矩陣D_j+1的主成方向矢量v_j+1；

(2)求解主成方向單位矢量v_j+1與平均單位方向矢量的內(nèi)積η；

(3)使用下式計(jì)算分布概率并與預(yù)定義的門限值進(jìn)行比較，若，則認(rèn)為瓦斯數(shù)據(jù)異常。