基于EEMD与PNN的煤岩界面识别方法.docx

基于EEMD与PNN的煤岩界面识别方法
基于EEMD与PNN的煤岩界面识别方法
摘要：随着煤炭资源的日益稀缺，煤矿开采对煤岩界面的准确识别和预测变得尤为重要。本论文提出了一种基于经验模态分解(EMD)与probabilisticneuralnetwork(PNN)的煤岩界面识别方法。首先，利用EMD对煤岩地震数据进行分解，得到多个固定频率的本征模态函数(IMF)。然后，针对每个IMF，计算其局部能量熵和时频能量集中度等特征，并结合地震反射参数，构建一个特征向量。最后，将特征向量输入到PNN中进行训练和预测，实现煤岩界面的准确识别。
关键词：经验模态分解；probabilisticneuralnetwork；煤岩界面识别；特征向量
1.引言
煤岩界面是指地层中煤层和非煤层之间的分界面，准确识别煤岩界面对于煤矿开采和资源评价具有重要意义。传统的煤岩界面识别方法存在着一些问题，如数据处理复杂、特征选择困难等。因此，本文提出了一种基于EEMD与PNN的煤岩界面识别方法，旨在解决传统方法存在的问题。
2.方法
2.1EEMD方法
EEMD是EMD的一种改进模型，其通过多次将噪声添加到原始信号中，实现了对信号中局部特征的提取。具体来说，首先将原始信号进行微分，并得到一系列的极值点。然后，在极值点之间插值，得到上下包络线。接下来，将原始信号减去上包络线，得到一次分量。重复以上过程，直至得到满足一定停止准则的IMF。最后，将所有的IMF相加得到EEMD分解结果。
2.2PNN方法
PNN是一种基于贝叶斯理论的神经网络模型，其具有良好的概率解释性和分类能力。PNN将特征向量作为输入，并通过定义一定的概率分布函数来计算输入向量在每个类别上的概率。然后，根据概率大小进行分类。
3.实验设计
为验证本文方法的有效性，本文采用了一组真实的煤岩地震数据进行实验。首先，将地震数据利用EEMD方法进行分解，得到多个IMF。然后，针对每个IMF，计算其局部能量熵和时频能量集中度等特征。接下来，结合地震反射参数，构建一个特征向量。最后，将特征向量输入到PNN中进行训练和预测，得到煤岩界面的识别结果。
4.结果与讨论
本文将实验结果与传统的煤岩界面识别方法进行对比。结果表明，本文方法能够更准确地识别煤岩界面，并且在数据处理复杂性和特征选择方面具有优势。此外，本文方法还具有较好的鲁棒性和泛化能力。
5.结论
综上所述，本文提出了一种基于EEMD与PNN的煤岩界面识别方法。通过利用EEMD分解煤岩地震数据，结合局部能量熵和时频能量集中度等特征，并利用PNN进行训练和预测，实现了煤岩界面的准确识别。实验证明，本文方法具有较好的性能和实用性，对于煤矿开采和资源评价具有重要意义。
参考文献：
[1]李小明,张华.基于机器学习的煤岩界面识别研究[J].煤炭学报,2018,43(9):2181-2187.
[2]韩冰,王立增,李建华.基于PSO-SVM的煤层底板疏散预测研究[J].煤炭学报,2019,44(4):997-1002.
[3]张勤,王英辉,李国庆.一种基于EEMD与PNN的超声波煤岩界面识别方法[J].化工新型材料,2020,48(9):187-191.