[发明专利]一种基于MVO改进的DBSCAN矿井突水光谱识别方法

摘要

本发明公开了一种基于MVO改进的DBSCAN矿井突水光谱识别方法，将先进的多元宇宙优化(Multi‑Verse Optimizer,MVO)算法用于改进无监督聚类算法DBSCAN，实现DBSCAN算法的参数Eps自寻优，最后将寻得的最优参数结合DBSCAN算法用于煤矿突水的激光诱导荧光光谱识别；在改进算法的参数寻优过程中，MVO算法的宇宙位置的取值区间依据水样光谱数据的空间距离自设定，最大可能的减少人工输入参数。本发明提供的基于MVO改进的DBSCAN算法，不仅省去繁琐的人工参数寻优过程，并且能输出最优识别率所对应的参数Eps的取值区间；此外，井无监督学习算法用于识别煤矿突水光谱，能最大可能的降低对未知水源的误识别。

主权项

1.一种基于MVO改进的DBSCAN矿井突水光谱识别方法，其特征在于：将多元宇宙优化算法(Multi‑Verse Optimizer,MVO)用于改进无监督学习算法DBSCAN，实现参数自寻优，并将改进算法用于煤矿突水的激光诱导荧光光谱识别，包括以下步骤：步骤1：设置多元宇宙优化算法的宇宙U数、最大迭代数Max_iteration，设置无监督学习算法DBSCAN的参数MinPts；步骤2：依据被聚类样本间的距离，自动设置变量距离[xL,xU]，初始化多元优化算法的宇宙位置，初始化无监督聚类算法参数核心对象集合ψ，聚类簇数Q，簇划分C，未聚类样本集合Φ；步骤3：根据宇宙膨胀率排列宇宙并通过轮盘赌机制选择一个白洞，其选择规则如公式所示；为第i个宇宙的第j个参数；U_i为第i个宇宙；N_i(U_i)为第i个宇宙归一化膨胀率；r₁为在[0，1]之间的随机数；为轮盘赌机制选出的第k个宇宙的第j个参数。步骤4：根据下列公式更新虫洞存在概率WEP和旅行距离率TDR，并进行边界检查：上式中，α为WEP的最小取值，β为其最大取值，m为当前迭代次数，M为最大迭代次数，R为输入参数，一般取整数值。步骤5：计算当前宇宙膨胀率，若宇宙膨胀率优于当前宇宙膨胀率，则更新当前宇宙保存膨胀率，否则，保持当前宇宙；上式中，P为待聚类数据集，MinPts为DBSCAN算法的核心对象数；为第m次迭代的第i个宇宙空间，为其对应的膨胀率，M_inflation为第m次迭代中最优膨胀率，Best_inflation_m为前m次迭代中，全局最优膨胀率；DBSCAN为无监督聚类算法，实现方式如下：步骤5.1：将MVO的宇宙位置赋值给DBSCAN的邻域距离Eps，即步骤5.2：找出DBSCAN算法的所有核心对象，令i＝1,2,3,…,Q；计算各样本空间距离，找出pi对应的NEps(pi)，若|NEps(xi)|≥MinPts，将样本pi加入到核心对象集合，ψ＝ψ∪{pi}；步骤5.3：判断核心对象集合是否为空，若为空，转到步骤6；步骤5.4：在核心对象集合中随机选择一核心更新当前簇核心队列更新类别号q＝q+1，更新当前簇样本集合C_q，更新未访问样本集步骤5.5：当前簇核心对象队列ψ′的一个核心对象pi，找出其NEps(pi)的子集，更新当前簇样本集合Cq＝Cq∪(NEps(pi)∩Φ)，更新Φ＝Φ‑NEps(pi)∩Φ，更新ψ′＝ψ′‑NEps(pi)∩Φ；步骤5.6：若当前核心对象队列ψ′为空，当前簇Cq的样本寻找完成，更新簇集C＝{C1,C2,C3,L,Cq}更新核心对象集ψ＝ψ‑Cq，跳入步骤5.3；步骤5.7：输出聚类结果：C＝{C1,C2,C3,…,CQ}，计算聚类准确率，结果既是多元优化算法的膨胀率。步骤6：更新宇宙位置，并根据下列公式式最优宇宙中寻找最优个体，其中r2、r3、r4为随机数，取值在0到1内；步骤7：终止条件判定，若满足条件(足够好的宇宙或者达到最大迭代次数)，则输出对应结果，否则迭代次数加1，返回执行步骤2。