·1006 工程科学学报，第43卷，第7期 01 Input Convolution Convolution Convolution Convolution Convolution Fully Output data layer 1 layer 2 layer 3 layer 4 layer 5 connected data layer 图1一维卷积神经网络微震能级时序预测模型结构 Fig.1 Structure of the prediction model of the microseismic energy level time series based on the one-dimensional convolution neural network 表1各卷积层超参数 发生的，因而有必要提高模型对10能级微震事件 Table 1 Hyperparametric table of each convolution layer 的预测准确率 Convolution layer Convolution kemel Convolution kemel 3.1微震数据类间不平衡特征及解决方法 number number length ’ 通过分析发现，模型对10能级微震事件预测 32 3 2 64 J 正确率低的原因是微震事件各个能量级别的数量 3 128 3 不平衡，其他能级事件数量远远多于10°能级微震 4 64 3 事件数量.本次用于模型训练和测试的数据中， 5 32 2 102、103、10级别的微震上千次，10级别微震9 次，如图2所示 表2250202工作面微震能量级别测试结果 6000 5421 Table 2 Test results of the microseismic energy level of the 250202 三5000 working face % Class Test accuracy 4000 3492 10,103,10心 98.7 3000 10 98.3 105 0 2000 Total 97.9 1066 1000 353 但需要注意的是，模型预测结果中对10°级别 2 4 6 的高能级微震事件的预测正确率为0，有必要进一 Microseismic energy level 步对模型进行讨论、研究以提高对该级别微震事 图2微震各能量级别数量 件的预测正确率 Fig.2 Number of each microseismic energy level 3改进的基于一维卷积神经网络的微震能 因此，解决模型对10能级微震事件预测准确率 级时序预测模型 低的问题，需从微震事件各能级数据的不平衡特征入 手.在机器学习领域的分类问题中，样本量较多的类 虽然模型在测试集中预测正确率较高，但对 别称为负样本，样本量较少的类别称为正样本.用存 10级别微震的预测正确率为0，通过分析发现模 在正、负样本的数据集训练的模型会倾向于将正样本 型将10级别微震全部预测为10级别的微震.砚 分类为负样本，导致正样本事件分类正确率降低 北煤矿250202工作面记录的2017年1月至2018年 目前处理正负样本类间不平衡问题的主要方法 10月的10343次微震中，10级别的微震353次， 有欠采样、过采样和混合采样2刃欠采样会丢弃有 冲击地压引起或伴随的微震只有11次，而10级 价值的样本点，导致人工神经网络无法学习到有 别的微震有9次，但全部是冲击地压引起或伴随 效的特征：过采样会放大正样本中噪声的影响，容但需要注意的是，模型预测结果中对 106 级别 的高能级微震事件的预测正确率为 0，有必要进一 步对模型进行讨论、研究以提高对该级别微震事 件的预测正确率. 3    改进的基于一维卷积神经网络的微震能 级时序预测模型 虽然模型在测试集中预测正确率较高，但对 106 级别微震的预测正确率为 0，通过分析发现模 型将 106 级别微震全部预测为 105 级别的微震. 砚 北煤矿 250202 工作面记录的 2017 年 1 月至 2018 年 10 月的 10343 次微震中， 105 级别的微震 353 次 ， 冲击地压引起或伴随的微震只有 11 次，而 106 级 别的微震有 9 次，但全部是冲击地压引起或伴随 发生的，因而有必要提高模型对 106 能级微震事件 的预测准确率. 3.1    微震数据类间不平衡特征及解决方法 通过分析发现，模型对 106 能级微震事件预测 正确率低的原因是微震事件各个能量级别的数量 不平衡，其他能级事件数量远远多于 106 能级微震 事件数量. 本次用于模型训练和测试的数据中， 102、103、104 级别的微震上千次， 106 级别微震 9 次，如图 2 所示. 因此，解决模型对 106 能级微震事件预测准确率 低的问题，需从微震事件各能级数据的不平衡特征入 手. 在机器学习领域的分类问题中，样本量较多的类 别称为负样本，样本量较少的类别称为正样本. 用存 在正、负样本的数据集训练的模型会倾向于将正样本 分类为负样本，导致正样本事件分类正确率降低. 目前处理正负样本类间不平衡问题的主要方法 有欠采样、过采样和混合采样[27] . 欠采样会丢弃有 价值的样本点，导致人工神经网络无法学习到有 效的特征；过采样会放大正样本中噪声的影响，容 表 1    各卷积层超参数 Table 1    Hyperparametric table of each convolution layer Convolution layer number Convolution kernel number Convolution kernel length 1 32 3 2 64 3 3 128 3 4 64 3 5 32 2 表 2    250202 工作面微震能量级别测试结果 Table 2    Test results of the microseismic energy level of the 250202 working face % Class Test accuracy 102 , 103 , 104 98.7 105 98.3 106 0 Total 97.9 0 0 0 1 0 0 Input data Convolution layer 1 Convolution layer 2 Convolution layer 3 Convolution layer 4 Convolution layer 5 Fully connected layer Output data 图 1    一维卷积神经网络微震能级时序预测模型结构 Fig.1    Structure of the prediction model of the microseismic energy level time series based on the one-dimensional convolution neural network 6000 5000 4000 3000 2000 Microseismic energy level Numbers of microseismic event 1000 0 1 2 3 4 5 6 2 1066 5421 3492 353 9 图 2    微震各能量级别数量 Fig.2    Number of each microseismic energy level · 1006 · 工程科学学报，第 43 卷，第 7 期