基于健全邏輯的煤礦監測預警決策模型研究

陳佳林

（國家安全生產監督管理總局信息研究院北京100029）

基于健全邏輯的煤礦監測預警決策模型研究

陳佳林

（國家安全生產監督管理總局信息研究院北京100029）

煤礦監測圖像的準確識別對于預警決策意義重大。由于模糊推理方法的選擇很大程度地影響推理的性能和效果，基于健全邏輯建立了交互信息與廣義相關系數的相互關系，改進了模糊決策樹選擇匹配算子的算法。結合煤礦監測圖像數據特點，為了獲取最佳特征組合，根據圖樹轉換規則，提出了多目標部位提取特征的方法。通過對煤礦監測圖像數據的檢驗分析，對比傳統的針對整張圖像或感興趣區域進行特征提取的方法，該方法能獲得更高的預警決策正確率。

安全監測；健全邏輯；模糊決策樹；交互信息；特征提取

Class NumberTD76

1 引言

鑒于我國煤礦安全管理的研究現狀，煤礦安全監測數據對于煤礦的生產運行狀況、安全水平及災害預測預防具有重要的作用。為了有效利用監測數據，提高決策的科學性，本文以人工智能技術為基礎，基于泛組合運算改進模糊決策樹算子模型，對監測數據進行相關分析，找出隱藏的內部關系，提取隱含的規律和有用信息，根據監測數據參數的變化情況，及時了解危險源的狀態和趨勢，實現對各種危險源異常點的趨勢分析及隱患決策的有效預警，提高安全預警的效率和可靠性，從而避免或減少因決策失誤而造成的安全生產事故和經濟損失。

2 連續值邏輯譜與健全性

在人工智能領域實際應用中發現，很多非標準邏輯缺失了標準邏輯的一些重要性質。通過研究邏輯譜，我們發現，很多非標準邏輯從邏輯代數是具備“可靠性”和“完備性”，但在實際使用時會發生推理錯誤的現象，因此，在邏輯推理過程中缺失了“可信性”。健全邏輯的概念應用而生，引入廣義相關性，根據不同的應用條件，通過連續值代數驗證，確定正確的邏輯算子組，完善各種性邏輯命題邏輯系統。

2.1 健全邏輯的基本性質

在信息世界中，邏輯規律（包含有數學規律）是基本法則，何華燦教授在邏輯代數的驗證的基礎上，提出了健全邏輯的概念。通常，邏輯命題S可做為信息抽象的表示，在標準邏輯中，它滿足以下基本性質：

例如，邏輯中的命題P是信息的一種抽象表示，復雜信息的組織結構可用簡單信息的邏輯表達式來描述，信息運動過程可以用邏輯推理過程來表示，而標準邏輯的6條基本性質更反映了信息結構和信息運動的基本規律，它們應該是所有健全的邏輯系統必須具有的基本性質［1］：

L1）S∨S＝S信源可被多次分享。

L2）S∧S＝S信宿可被重復利用。

L3）～S∧S＝0命題與否命題不可同時為真。

L4）～S∨S＝1命題與否命題不可同時為假。

L5）～～S＝S 2次否定回到原命題。

L6）S，S→T╞T MP規則。

完全具備以上6條性質的邏輯系統稱為健全邏輯系統。

2.2 連續值邏輯的健全性

依據健全邏輯的6條性質，修正現有的模糊邏輯、概率邏輯和Luckasiewicz邏輯系統，如下：

健全的模糊邏輯系統Lh（x，y，h），x，y∈［0，1］，h＝1

與運算3T（x，y，1）＝min（x，y）

與運算1*T（x，y，0.5）＝max（0，x＋y－1）

或運算3S（x，y，1）＝max（x，y）

或運算1*S（x，y，0.5）＝min（1，x＋y）

健全的概率邏輯系統Lh（x，y，h），x，y∈［0，1］，h＝0.75

與運算3*T（x，y，1）＝min（x，y）

與運算2T（x，y，0.75）＝xy

與運算1*T（x，y，0.5）＝max（0，x＋y－1）

或運算3*S（x，y，1）＝max（x，y）

或運算2S（x，y，0.75）＝x＋y－xy

或運算1*S（x，y，0.5）＝min（1，x＋y）

健全的Luckasiewicz邏輯系統Lh（x，y，h），x，y∈［0，1］，h＝0.5

與運算3*T（x，y，1）＝min（x，y）

與運算1T（x，y，0.5）＝max（0，x＋y－1）

或運算3*S（x，y，1）＝max（x，y）

或運算1S（x，y，0.5）＝min（1，x＋y）

2.3 交互信息I（X；Y）與廣義相關系數h的相互關系

通常意義上，我們可以理解存在于模糊命題之間的互相關性，連續變化可用表示互相關程度用廣義相關系數h∈［0，1］來刻畫［10］，根據信息論中交互信息的概念很容易獲知，I（X；Y）=I（Y；X），兩個變量的不確定性是互為條件的，其不確定性的消除也是一致的。可以推理出，它們的交互信息就表示其相關程度，

兩個隨機變量越相關，它們之間的交互信息越大，當兩個變量獨立時，它們之間的交互信息等于零。

因此：

1）當X=Y，I（X；Y）=H（X）=H（Y），h=1，選擇算子對：T（x，y）=min（x，y），S（x，y）=max（x，y）；

2）當X，Y相互獨立時，I（X；Y）=0，h=0.5，選擇算子對：T（x，y）=max（0，x＋y－1），S（x，y）＝min（1，x＋y）；

3）當0.5

3 形狀特征提取

針對煤礦重大危險源的監測圖像信息特點，正常的監測圖像非常相似，異常的圖像由于突發原因的不同，其視覺信息數據會表現各異。結合圖像的形狀特征，根據圖樹轉換規則（如圖1），采用數據結構中樹型結構分析危險源監測圖像的目標輪廓，結合經典的圖像提取算法，進行圖像識別［5～11］。

本文實現了一種綜合考慮相鄰部位的形狀提取方法。

圖1 構造樹型結構

基本步驟：1）把煤礦重大危險源的監測圖像進行圖像初始處理，形成目標輪廓，如：圖1（a）；2）根據閉合的輪廓，分級形成樹型結構的根節點和葉子結點，構建數據結構比較容易處理的樹型，如圖1（b）所示。

依據經典的特征參數，如不變矩、節點個數與關系、轉動慣量等特征，在父子節點和兄弟節點的對比中將危險源圖像的目標部位的位置關系和結構充分反映出來，通過便利層次結構，結合目標部位的形狀、紋理和灰度特征進行分析，從而為計算機的輔助決策帶來了極大的便利。

具體算法為：

1）圖像預處理：包含分割、去噪和增強等

2）目標部位的層次區分，標記，

3）根據樹圖轉換規則進行轉換

4）特征提取和分析

（1）標準樹型結構父子節點和兄弟節點

（2）感興趣目標部位的特征分析

5）結束

4 模糊決策樹的算子匹配

本文利用決策樹原理進行試驗分析，根據健全邏輯的原理，選擇匹配算子進行數據分析，算法如圖所示2所示［2～4］。

圖2 匹配算法流程圖

5 實驗分析

圖3 特征數據分布

根據從煤礦截取的危險源正常的圖片203張，異常圖片209張，共有412張圖片。從實驗的結果可以看到其數據特點：正常運行情況下相關的數據分布比較集中，異常運行情況下相關的數據分布比較分散。如圖3所示。出現這一現象主要是因為正常運行情況下相關危險源圖片的視覺信息都比較相似，正常運行情況下相關危險源圖片因引發危險的原因的不同而差別較大。

實驗步驟：根據十字交叉規則，隨機生成10個數據子集，9個作為訓練子集，1個作為測試子集。

表1 特征提取的分類結果

表2 危險源圖片數據的分類結果

根據表1和表2，樹型結構的特征提取方法平均分類精度達到了86.3%，明顯高于通常的特征提取方法的57.5%，考慮到危險源誤判的代價非常大，要求對監測圖像的分類精度較高，對于提高危險源圖像識別的準確率是很有幫助的，可以幫助煤礦的管理者做輔助決策，具有一定的應用價值。

6 結語

通過引入廣義相關性，完善了邏輯算子的關系柔性，糾正了各種邏輯固定算子在推理過程中缺陷的影響，未造成信息畸變。交互信息與廣義相關系數h的相互關系提供了一個選擇匹配算子的準則。

根據危險源圖像異常點特點，通過對圖像異常點單一位置提取，結合樹圖轉換，進一步確定圖像中各目標部位的輪廓關系，從實驗的結果驗證分析可以看出，該算法與經典的形狀特征的組合能夠較充分的描述目標形狀，取得較好的分類效果，有助于提高預警決策正確率。本文的算法有一定的應用價值，為煤礦安全生產預警和決策提供重要的理論依據。

［1］He Hua-can.Principle of Universal logic［M］.Beijing：Science Press，2001：80-123.

［2］Luo Minxia，He Hua-can.Algebraic Method to Study Universal Logic［M］.Beijing：Science Press，2010：1-50.

［3］Chen Jia-lin，Li rui-fan.Fuzzy reasoning model based on universal combination operation model［J］.The journal of china university posts and telecommunications，2012（6）：89-93.

［4］Wang wansen.Research on Flexible Probability Logic Operator Based on Schweizer Operator［J］.Computer Science，2008（1）：178-180.

［5］邵荃，唐志星.基于視頻圖像分析的旅客群體性事件預警方法［J］.解放軍理工大學學報（自然科學版），2013（5）：501-506.

SHAO Quan，TANG Zhixing.Mass Events Warning in Terminal Based on Video Surveillance［J］.Journalof PLA University of Science and Technology（Nantural Science Edition），2013（5）：501-506.

［6］Chen Jia-lin，Liu cheng-xia.Image Classification Based on Universal Combination Operation Model［C］//2013 International Conference on Mechatronics and Industrial Informatics，Guangzhou China，2013（1）：1869-1872.

［7］Yang zhixiao，Fan yanfeng.Research of［0，∞）Value Flexible Logic Average Operation Model［J］.Computer Science，2013（1）：195-199.

［8］Jialin Chen，Huacan He，Chengxia Liu.Feature Extraction of Brain CT Image Based on Target Shape［C］//2009 Chinese Control and Decision Conference，June 2009，Guilin China：3553-3556.

［9］Huacan He，Zhitao He.Philosophical Significance of Universal Logic——On Second Revolution of Mathematical Logic［J］//Logica Universalis，2006（1）：29-37.

［10］C.E.Shannon.Mathematical Theory of Communication. Bell［J］.System，1948（1）：3-53.

［11］陳思漢，余建波.基于二維局部均值分解的圖像多尺度分析處理［J］.計算機輔助設計與圖形學學報，2015（10）：1843-1850.

CHEN Shan，YU Jianbo.Multiscale Image Analysis Based on Bidimensional Local Mean Decomposition［J］. Journal of-aided Design&Computer Graphics，2015（10）：1843-1850.

Monitoring and Early Warning Decision Model of Coal Mine Based on Sound Logic

CHEN Jialin
（National Institute for Occupational Safety，China Coal Information Institute，Beijing100029）

In the practical application of fuzzy decision tree in coal mine，model of matching operator in the fuzzy decision tree is improved about the relationship of mutual information and generalized correlative coefficient based on sound logic.In order to get the best combination of the features，the algorithm that extracts the shape feature considering the adjacent parts is proposed based on the idea of chart transferring tree in the tree structure comprehensively.Compared with the traditional extracting algorithms which aim at the whole picture or a single part，the experiments by examination and analysis of clinical cases show that the proposed algorithm can obtain a higher early warning accuracy.

safety monitoring，sound logic，fuzzy decision tree，mutual information，feature extraction

TD76

10.3969/j.issn.1672-9722.2017.06.026

2016年12月7日，

2017年1月28日

國家自然科學基金項目（編號：61302163）資助。

陳佳林，男，博士，高級工程師，研究方向：數據挖掘，機器學習。