多层正则极限学习机：煤矿突水光谱判别的高效方法

本文主要探讨了"基于多层正则极限学习机的煤矿突水光谱判别方法"这一主题，针对煤矿突水水源类型的快速准确判别提出了创新性的解决方案。研究的核心是构建多层正则极限学习机（M-RELM）模型，它结合了非线性特征提取和分类学习的能力。在实际应用中，利用激光诱导荧光（LIF）技术获取水样的荧光光谱，这些光谱数据被用作模型的输入，体现了现代光谱学在矿产探测中的重要作用。 关键组件是改进的自动编码器（AE），它负责从原始的荧光光谱中提取特征，形成模型的隐含层特征空间，从而提高模型的表达能力和区分能力。为了进一步提高模型的鲁棒性，针对极限学习机（ELM）算法，研究人员进行了正则化优化。具体来说，他们区分了两种策略：L2范数正则极限学习机（L2-RELM），适用于已知样本训练，以及基于图的流形正则极限学习机（GM-RELM），用于半监督学习，这有助于减少噪声和异常对分类结果的影响。 实验部分以淮南地区的煤矿突水水样为对象，M-RELM模型与传统的支持向量机（SVM）和单隐含层极限学习机进行了性能对比。结果显示，M-RELM在含有混合水的样本集上的平均测试准确率高达94%以上，且训练时间相对较短，仅需约0.2秒。在包含未知样本的情况下，GM-RELM模型相比于L2-RELM，其测试准确率有显著提升，大约提升了2%。这表明，M-RELM模型在适应复杂环境下的煤矿突水水源判别任务时表现出色，对于提升煤矿安全管理和应急响应具有重要意义。 论文作者王亚博士和她的团队，包括周孟然教授等，在光谱技术检测、模式识别等领域进行了深入研究，他们的工作不仅提升了煤矿突水水源识别的精度，也为矿产开采过程中的安全管理提供了科学依据。同时，这项工作也展示了多层正则极限学习机作为一种有效的数据分析工具在实际工业应用中的潜力。