快速准确的识别突水类型和突水来源对煤矿安全开采具有重要意义, 激光诱导荧光(LIF)技术在检测中具有快速性和灵敏性, 将LIF应用于煤矿突水的检测, 再结合模式识别算法, 可快速识别出突水来源。 目前用于识别水样光谱的算法过于依赖预先建立的水样光谱数据库, 当突水水源不在该库中时, 易引发误识别。 无监督学习算法DBSCAN在聚类时不需样本集的标签和类别信息, 能降低对未知类别的误识别, 因此把DBSCAN算法用于突水的激光诱导荧光光谱识别, 并将MVO用于DBSCAN的参数寻优, 省去繁琐的人工参数寻优过程。 实验中, 从谢桥煤矿采水点获取四个水样, 利用像素为2 048的USB2000+光谱仪采集水样的荧光光谱, 每种水样采集30组光谱数据。 首先, 利用无监督学习算法自动编码器(AE)对原始光谱数据降维, 以减少光谱数据中冗余信息对聚类的影响, 设计的AE的结构是介于浅层和深层之间的多层网络模型, 可将原始光谱数据降到2维; 为使降维模型具有稀疏性, 在传统的AE算法中加入一个Dropout层, 由实验可知, 加入Dropout层后的降维模型具有较快的收敛速度。 将多元宇宙优化(MVO)算法用于DBSCAN参数寻优, 在参数寻优过程中, DBSCAN对降维后的水样光谱识别率最高为97.5%, 此时参数所对应的取值范围为［0.023 66 0.040 65］; 为验证AE对水样光谱数据降维的有效性, 把归一化后的未降维的光谱数据用于DBSCAN聚类识别, DBSCAN对原始水样光谱的识别率最高为95%, 比降维后的后水样光谱识别率低了2.5%, 结果表明, 使用AE降维光谱数据, 可提高DBSCAN对不同光谱的识别率。 最后, 用监督学习算法K最近邻(KNN)识别降维后的水样光谱, 将识别结果和无监督学习算法DBSCAN的识别结果对比, 其中训练集选用三种水样, 测试集使用四种水样; 在测试集中, 监督学习算法只能准确地识别训练集所包含的水样类别, 但把训练集没有的类别全部识别错误, 而DBSCAN能准确的识别出训练集中没有的水样光谱。 非线性降维算法AE能实现对高维的水样光谱数据降维, 把MVO-DBSCAN用于煤矿突水水源的LIF光谱识别, 可有效降低因矿井水源光谱数据库建立不完备而引起的误识别。

矿井突水是影响矿井安全生产的重要因素之一, 如果矿井发生突水, 能够快速、 准确地判别突水水源类型是治理矿井突水灾害保证生产安全的重要环节, 因此, 建立一个能够快速识别矿井突水水源的模型具有重要的意义。 水化学分析法作为在传统的矿井突水水源类型识别方法里应用最为广泛的识别方法, 通过获得相应的pH值、 离子浓度、 电导率等参数, 然后利用这些参数来建立突水水源的类型识别模型对矿井突水的类型进行判别。 针对这种传统矿井突水水源识别方法在判别时间上耗时长和识别准确率低等不足, 鉴于LIF技术具有分析速度快、 灵敏度高等优点, 提出了将线性判别分析(LDA) 算法作为弱分类器的自适应提升(AdaBoost) 算法用于激光诱导荧光(LIF) 光谱识别矿井突水水源的新方法。 用于实验的九种水样(每种水样各取50个样本) 由淮南地区某矿的老空水、 灰岩水以及按不同比例混合的老空水与灰岩水的七种混合水构成。 将405 nm激光器发射的激光打入被测水体并采集荧光光谱数据, 然后对采集到450组荧光光谱数据进行分析, 取其中360组光谱数据(每种水样各40组) 用作训练集, 取剩余90组光谱数据用作测试集。 分别选取三种算法针对水样的激光诱导荧光光谱的分类进行了建模并将三种结果进行对比。 首先利用决策树算法对光谱进行分类识别, 在节点个数为8时决策树对测试集的分类效果最好, 分类准确率达到91.11%。 然后针对决策树算法分类效果的不足, 利用决策树算法作为弱分类器的AdaBoost算法, 当选取节点个数为9的决策树作为弱分类器的时, 对训练集的分类准确率为97.78%。 最后针对基于决策树的AdaBoost算法的泛化性能不足和为了获得更好的分类效果, 提出了基于LDA算法作为弱分类器的AdaBoost算法, 在设置迭代次数为150后对水样光谱数据分类准确率可以达到100%。 通过实验结果可以发现, 集成学习算法的分类能力比传统的分类算法对水样的光谱的分类识别能力更强, 相较于同为九个节点的决策树算法, 采用节点数为9的决策树作为弱学习器的AdaBoost算法对测试集的分类准确率从88.89%提升到了97.78%, 对训练集的分类准确率从99.72%提升到了100%; 然后可以发现相对于使用决策树作为弱分类器的AdaBoost算法, 采用LDA算法作为AdaBoost算法的弱分类器对水样的光谱的测试集的分类准确率从97.78%提升到了100%, 对训练集的分类准确率达到100%, 具有更好的识别效果, 并且具有更好的泛化性能。 实验结果证明采用Adaboost-LDA算法为激光荧光光谱的模式分类用于矿井突水水源的判别和预警是可行且有效的。

假酒的快速识别在食品安全领域具有重要意义,但现有的白酒检测技术无法既快速又准确地识别市售假酒。提出一种快速辨识白酒真假的方法,即利用激光诱导荧光技术获取待测白酒的荧光光谱,调整其大小后输入深度学习算法,进而辨识其真假。实验酒样选取4个样本,包括3个品牌的2种度数的白酒,每种酒样采集100个荧光光谱,然后从每种酒样的100个光谱中随机选取80个用于深度学习算法模型的训练,剩余20个用于测试训练好的模型。结果表明:品牌不同、度数不同的白酒,其荧光光谱都存在明显差异。在模型测试中,4种酒样荧光光谱的识别率为98.44%。激光诱导荧光技术结合深度学习能准确识别出白酒的品牌与度数。

煤矿突水类型的快速识别在矿井安全生产中意义重大, 煤矿突水激光诱导荧光(LIF)光谱的识别方法, 需要对光谱曲线进行预处理和特征提取, 其过程较复杂, 对此, 提出了一种卷积神经网络(CNN)快速识别矿井突水类别的方法。 根据煤矿矿井水层的分布特点和最常见煤矿突水类型, 选取三种原始水样以及由原始水样混合的两种混合水为实验材料, 利用LIF技术快速获取五种水样的200组荧光光谱曲线图, 灰度化后输入CNN算法, 其中150组光谱曲线图用于CNN的训练, 剩余50组用于训练好的模型测试。 模型测试中, CNN算法对实验水样光谱曲线图的识别率为100%, 实验结果表明, CNN算法不仅能省去煤矿突水光谱图像识别中的数据处理和特征提取工作, 而且还能快速有效的识别矿井突水类型。