基于DRN-BiLSTM模型的矿井涌水量预测

针对矿井涌水量预测中存在的深度学习模型预测精度不高和适用性不强的问题,提出了一种基于深度残差网络(Deep Residual Network,DRN)和双向长短记忆网络(Bidirectional short and long memory network,BiLSTM)的矿井涌水量预测方法。首先,将矿井涌水量数据进行小波分解和归一化处理,得到趋势项数据和细节项数据;其次,采用DRN网络方法对趋势项数据进行预测,采用BiLSTM网络方法对细节项数据进行预测;最后,将2部分预测结果进行重构得到矿井涌水量预测结果。研究结果表明:DRN-BiLSTM模型相比于单一模型预测精度更高,说明该模型具有更好的泛化性。

基于仿真平台的矿井突水淹没路径和逃生路径规划

井下环境错综复杂,与矿井水害不确定性及非线性等叠加,水害淹没情况千变万化,难以预测。针对如何获取矿井水灾发生时各个时间点巷道内的淹没情况,并根据淹没情况快速确定逃生路径的难点问题,采用“木桶原理”构建淹没路径树,确定巷道水流分岔方向,分析矿井突水淹没递进规律,模拟井下巷道内的水流状况,仿真直观展示实时水流变化、水位高度和逃生路径。研究表明:根据构建的淹没路径树,通过递归得到的水位等淹没参数,作为设计逃生路径的基础,微分积分递进动态设计逃生路径,解决了因井下复杂环境和不同时刻的突水状况不同而无法实时规划最优逃生路线的难题。

文本挖掘及其在信息内容安全中的应用

文本挖掘是数据挖掘的重要内容之一,对于信息的获取和知识的发现具有十分重要的意义,同时也是维护互联网信息内容安全的重要手段。对文本挖掘技术和信息内容安全的基本概念和理论进行系统地归纳并对相关前景进行了展望。研究分析了文本挖掘和信息内容安全的定义及文本挖掘与现有的数据挖掘和自然语言处理进行了对比;深入总结分析了文本挖掘的数据预处理、挖掘分析以及可视化过程中涉及到的关键技术和文本挖掘在信息内容安全领域的相关应用;研究新的文本特征表示模型、发展全新的非结构化的文本挖掘算法和构建融合大数据处理、自然语言处理、数据挖掘、图像处理、模式识别相集成的文本挖掘综合系统是提升文本挖掘性能的重要方向。