裴艳宇等：一维卷积神经网络特征提取下微震能级时序预测 ·1007· 易造成过拟合.考虑前二者的缺点和混合采样优 Train 势，采用一种混合采样方法2对模型进行训练，即 随机将负样本分成若干份并分别和仅有的一份正 0- Submodel Combin 样本组合，得到若干训练集后分别训练若干个子 Submodel 模型，最后再将每一个子模型的结果集成得到最 终结果.混合采样的训练集建立过程如图3所示 3.2改进模型的构建 ubmodel 由于微震能级各类别数据的极端不平衡特 征，在前文模型的基础上，前置一个预判模型，该 因3混合采样训练集建立过程 模型对高、低能级微震事件进行预测，当预测结果 Fig.3 Building process of the hybrid sampling training set 为低能级事件，直接输出预测结果：当预测为高能 事件；102、103、10级别微震划分为低能级微震事 级事件，送入后续的若干个续判模型群进一步预 件.续判模型的训练集采用混合采样方法建立且 测，各个续判模型的预测结果加权平均作为最终 训练集仅包括10、10°两种级别的微震事件.改进 输出结果.预判模型的训练集分为高能级、低能 的一维卷积神经网络微震能级时序预测模型框架 级两种类别，105、10级别微震划分为高能级微震 如图4所示 Continued judgment model I Microseismic events of high Continued judgment Input Prejudgment energy level model 2 Average Output model Continued Microseismic judgment events of low model n energy level 图4改进的基于一维卷积神经网络的微震能级时序预测模型总体框架 Fig.4 General framework of improved prediction model of microseismic energy level time series based on the one-dimensional convolution neural network 预判模型与续判模型的内部结构与前文已经 表3250202工作面微震能量级别测试结果 建立的基于一维卷积神经网络的微震能级时序预 Table 3 Test results of the microseismic energy level of the 250202 测模型结构一致，不再赘述 working face % 3.3改进模型的训练及测试结果 Class Test accuracy before Test accuracy after improvement improvement 根据前期测试，针对砚北煤矿微震数据集所 102,103,10 98.7 98.7 建模型的续判模型最佳数量为20个.对续判模型 10 98.3 93.3 群，将10级别微震中的前240次微震随机分成20 105 0 99.0 份，10°级别微震中的前6次复制20份，二者随机 Total 97.9 98.4 组合得到20个子训练集.10级别的微震中后113次 和10°级别的微震中的后3次组合作为测试集 改进后的模型对10°微震能量级别事件的 对预判模型的训练集、测试集划分，与前文基 预测正确率由原来的0提升至99.0%，而10级 于一维卷积神经网络的微震能级时序预测模型的 别微震仅下降了5%，总体预测正确率较之前 训练集、测试集划分方法相同，但10、10级别微 增加了0.5%，为984%.可以认为，改进后的模 震分类时记为同一个类，即具有相同的分类标签 型一定程度上解决了样本数据间不平衡导致 最后，对改进的预测模型进行测试，测试结果如 的模型对10微震能量级别预测正确率低的 表3所示. 问题.易造成过拟合. 考虑前二者的缺点和混合采样优 势，采用一种混合采样方法[28] 对模型进行训练，即 随机将负样本分成若干份并分别和仅有的一份正 样本组合，得到若干训练集后分别训练若干个子 模型，最后再将每一个子模型的结果集成得到最 终结果. 混合采样的训练集建立过程如图 3 所示. 3.2    改进模型的构建 由于微震能级各类别数据的极端不平衡特 征，在前文模型的基础上，前置一个预判模型，该 模型对高、低能级微震事件进行预测，当预测结果 为低能级事件，直接输出预测结果；当预测为高能 级事件，送入后续的若干个续判模型群进一步预 测，各个续判模型的预测结果加权平均作为最终 输出结果. 预判模型的训练集分为高能级、低能 级两种类别，105、106 级别微震划分为高能级微震 事件；102、103、104 级别微震划分为低能级微震事 件. 续判模型的训练集采用混合采样方法建立且 训练集仅包括 105、106 两种级别的微震事件. 改进 的一维卷积神经网络微震能级时序预测模型框架 如图 4 所示. Continued judgment model 1 Continued judgment model 2 Continued judgment model n … Microseismic events of high Prejudgment energy level model Average Output Microseismic events of low energy level Input 图 4    改进的基于一维卷积神经网络的微震能级时序预测模型总体框架 Fig.4     General  framework  of  improved  prediction  model  of  microseismic  energy  level  time  series  based  on  the  one-dimensional  convolution  neural network 预判模型与续判模型的内部结构与前文已经 建立的基于一维卷积神经网络的微震能级时序预 测模型结构一致，不再赘述. 3.3    改进模型的训练及测试结果 根据前期测试，针对砚北煤矿微震数据集所 建模型的续判模型最佳数量为 20 个. 对续判模型 群，将 105 级别微震中的前 240 次微震随机分成 20 份，106 级别微震中的前 6 次复制 20 份，二者随机 组合得到 20 个子训练集. 105 级别的微震中后 113 次 和 106 级别的微震中的后 3 次组合作为测试集. 对预判模型的训练集、测试集划分，与前文基 于一维卷积神经网络的微震能级时序预测模型的 训练集、测试集划分方法相同，但 105、106 级别微 震分类时记为同一个类，即具有相同的分类标签. 最后，对改进的预测模型进行测试，测试结果如 表 3 所示. 表 3 250202 工作面微震能量级别测试结果 Table 3 Test results of the microseismic energy level of the 250202 working face                                                                                     % Class Test accuracy before improvement Test accuracy after improvement 102 , 103 , 104 98.7 98.7 105 98.3 93.3 106 0 99.0 Total 97.9 98.4 改进后的模型 对 106 微震能量级别事件的 预测正确率由原来 的 0 提 升 至 99.0%， 而 105 级 别微震仅下降 了 5%，总体预测正确率较之前 增 加 了 0.5%， 为 98.4%. 可以认为，改进后的模 型一定程度上解决了样本数据间不平衡导致 的模型 对 106 微震能量级别预测正确率低的 问题. Randomly divide Duplicate Combine Submodel 1 Train Train Train Submodel 2 Submodel n … … … 图 3    混合采样训练集建立过程 Fig.3    Building process of the hybrid sampling training set 裴艳宇等： 一维卷积神经网络特征提取下微震能级时序预测 · 1007 ·