煤矿水害预防：多传感器数据融合与神经网络应用

"这篇硕士学位论文探讨了多传感器数据融合技术在煤矿水害预防中的应用，旨在提高煤矿安全预警系统的效率和准确性。作者程珍珍在导师张英梅的指导下，研究了多传感器数据融合的一般原理、发展和应用，特别关注了D-S证据理论和BP神经网络融合算法在煤矿水害预测中的作用。论文提出了一种两级融合算法，结合D-S证据理论和神经网络，以克服传统方法的局限性，如D-S证据理论对证据源独立性的要求和基本概率分配函数获取的困难。通过使用BP神经网络（一种反向传播网络）进行信息融合，论文详细介绍了算法选择、学习过程和参数设定，并利用MATLAB进行实际数据训练。最后，论文还引入了改进型的D-S证据理论和BP神经网络算法，以优化融合结果的准确性，提供了一种更为有效的煤矿水害预测解决方案。" 在煤矿安全领域，尤其是水害预防，多传感器数据融合技术具有显著的重要性。传统的单一传感器系统可能无法全面捕捉复杂的环境信息，而数据融合技术能够整合来自不同传感器的数据，提供更全面、准确的态势感知。D-S证据理论是一种处理不确定信息的有效工具，它允许对不完全或模糊的信息进行融合，但要求证据源相互独立，这在实际环境中往往难以满足。BP神经网络则能通过自我调整权重来适应复杂的数据模式，其在许多预测任务中表现出色。 该研究通过对比分析决策级融合方法，选择了D-S证据理论作为主要融合算法，然后引入BP神经网络来解决D-S证据理论的局限。这种两级融合策略旨在提升预测的精确度，降低误报和漏报的风险，从而增强煤矿的安全管理，减少水害事故对矿工生命和企业经济的潜在威胁。通过改进型的算法，论文为煤矿水害预防提供了一个更为先进和实用的技术框架，为未来的研究和实践提供了新的思路。