数学建模竞赛CT3838416333819_修改.docxVIP

五一数学建模竞赛

承诺书

我们仔细阅读了五一数学建模竞赛的竞赛规则。

我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与本队以外的任何人（包括指导教师）研究、讨论与赛题有关的问题。

我们知道，抄袭别人的成果是违反竞赛规则的,如果引用别人的成果或其它公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。

我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们愿意承担由此引起的一切后果。

我们授权五一数学建模竞赛组委会，可将我们的论文以任何形式进行公开展示（包括进行网上公示，在书籍、期刊和其他媒体进行正式或非正式发表等）。

参赛题号（从A/B/C中选择一项填写）：C

参赛队号：T3838416333819

参赛组别（研究生、本科、专科、高中）：本科

所属学校（学校全称）：中国石油大学（北京）克拉玛依校区

参赛队员：队员1姓名：

队员2姓名：

队员3姓名：

联系方式：Email：cgn@st.cupk.edu.cn联系电话：

日期：2024年5月2日

（除本页外不允许出现学校及个人信息）

五一数学建模竞赛

题目：基于LSTM的煤矿深部冲击地压危险信号预测

关键词：信号识别；SVM；边界样例选择器；LSTM；实-复域联合；神经网络

摘要：

本文针对煤矿深部开采冲击地压危险预测的问题展开分析。基于支持向量机SVM和LSTM神经网络等方法；借助Python、SPSS等软件分析了电磁辐射和声发射中的干扰信号数据的特征及前兆特征数据的发展趋势，并测算了电磁辐射和声发射最早发生的5个干扰信号与前兆特征信号所在的时间区间，最后对附件3采集数据所在时刻出现前兆特征的概率进行了预测。

针对问题1，基于干扰信号提取及所在时间区间的识别问题。首先，应用支持向量机SVM构建信号筛选模型，该模型从信号潜在特征的几何分布出发，通过构造一个边界样例选择器，解决了决策边界附近的重要样例难以定位的问题，然后提取出电磁辐射和声发射信号中干扰信号数据的特征见图5-6和图5-7。其次，本文通过评估训练样本对模型训练重要性的筛选策略，即通过统计模型训练早期每个训练样本被边界样例选择器标注的次数，筛选出最具代表性的信号子集，得出电磁辐射和声发射最早发生的5个干扰信号所在的时间区间见表5-1和表5-2。

针对问题2，基于前兆特征信号提取及所在时间区间的识别问题。首先，采用实-复域联合提取的信号特征探究前兆特征信号的变化趋势。使用该方法构造的信号识别模型通过在空间信息提取模块中引入两个一维实卷积层和两个一维复卷积层来高效获取信号特征的有用信息，以提升信号识别模型对低信噪比信号的信息挖掘能力。然后提取出电磁辐射和声发射信号中前兆特征信号数据的发展趋势见图6-2和图6-3。其次，通过在实-复域联合约束下提取出更丰富的判别信息，有效增强了信号特征的可区分性和噪声鲁棒性，改善了低信噪比信号识别困难的现象。最后得出最早发生的5个前兆特征信号所在的时间区间见表6-1和表6-2。

针对问题3，基于前兆特征数据的危险预判问题。本文开展了基于未知信息推断与参数共享的前兆特征信号识别方法研究。该方法首先对原始训练集进行合理的未知信息推断，以向模型提供额外的判决信息来帮助其识别；然后，对原始训练集进行扩充，同时扩展识别模型的基本架构，即将这些合成替代品加入训练集，用于自适应学习已知类信号和前兆特征信号之间的决策边界；最后，考虑到信息推断和模型扩展将导致信号识别模型出现灾难性遗忘的现象，所提出的方法有针对性地在知识共享模块中引入了知识蒸馏损失来缓解这一问题。最后根据附件3对每次数据采集的时刻进行危险预判，得到采集数据所在时刻出现前兆特征的概率见表7-1。

PAGE2

问题重述

研究背景

随着煤炭资源的不断开采，煤矿深部开采已成为一种趋势。然而，深部开采环境复杂，地压问题日益严重，特别是冲击地压现象，它是一种突发性强、破坏性大的动力灾害，对矿工安全和生产效率构成了极大威胁。冲击地压的预测是深部煤矿安全生产的关键，而准确预测的