基于健全逻辑的煤矿监测预警决策模型研究

陈佳林

（国家安全生产监督管理总局信息研究院北京100029）

基于健全逻辑的煤矿监测预警决策模型研究

陈佳林

（国家安全生产监督管理总局信息研究院北京100029）

煤矿监测图像的准确识别对于预警决策意义重大。由于模糊推理方法的选择很大程度地影响推理的性能和效果，基于健全逻辑建立了交互信息与广义相关系数的相互关系，改进了模糊决策树选择匹配算子的算法。结合煤矿监测图像数据特点，为了获取最佳特征组合，根据图树转换规则，提出了多目标部位提取特征的方法。通过对煤矿监测图像数据的检验分析，对比传统的针对整张图像或感兴趣区域进行特征提取的方法，该方法能获得更高的预警决策正确率。

安全监测；健全逻辑；模糊决策树；交互信息；特征提取

Class NumberTD76

1 引言

鉴于我国煤矿安全管理的研究现状，煤矿安全监测数据对于煤矿的生产运行状况、安全水平及灾害预测预防具有重要的作用。为了有效利用监测数据，提高决策的科学性，本文以人工智能技术为基础，基于泛组合运算改进模糊决策树算子模型，对监测数据进行相关分析，找出隐藏的内部关系，提取隐含的规律和有用信息，根据监测数据参数的变化情况，及时了解危险源的状态和趋势，实现对各种危险源异常点的趋势分析及隐患决策的有效预警，提高安全预警的效率和可靠性，从而避免或减少因决策失误而造成的安全生产事故和经济损失。

2 连续值逻辑谱与健全性

在人工智能领域实际应用中发现，很多非标准逻辑缺失了标准逻辑的一些重要性质。通过研究逻辑谱，我们发现，很多非标准逻辑从逻辑代数是具备“可靠性”和“完备性”，但在实际使用时会发生推理错误的现象，因此，在逻辑推理过程中缺失了“可信性”。健全逻辑的概念应用而生，引入广义相关性，根据不同的应用条件，通过连续值代数验证，确定正确的逻辑算子组，完善各种性逻辑命题逻辑系统。

2.1 健全逻辑的基本性质

在信息世界中，逻辑规律（包含有数学规律）是基本法则，何华灿教授在逻辑代数的验证的基础上，提出了健全逻辑的概念。通常，逻辑命题S可做为信息抽象的表示，在标准逻辑中，它满足以下基本性质：

例如，逻辑中的命题P是信息的一种抽象表示，复杂信息的组织结构可用简单信息的逻辑表达式来描述，信息运动过程可以用逻辑推理过程来表示，而标准逻辑的6条基本性质更反映了信息结构和信息运动的基本规律，它们应该是所有健全的逻辑系统必须具有的基本性质［1］：

L1）S∨S＝S信源可被多次分享。

L2）S∧S＝S信宿可被重复利用。

L3）～S∧S＝0命题与否命题不可同时为真。

L4）～S∨S＝1命题与否命题不可同时为假。

L5）～～S＝S 2次否定回到原命题。

L6）S，S→T╞T MP规则。

完全具备以上6条性质的逻辑系统称为健全逻辑系统。

2.2 连续值逻辑的健全性

依据健全逻辑的6条性质，修正现有的模糊逻辑、概率逻辑和Luckasiewicz逻辑系统，如下：

健全的模糊逻辑系统Lh（x，y，h），x，y∈［0，1］，h＝1

与运算3T（x，y，1）＝min（x，y）

与运算1*T（x，y，0.5）＝max（0，x＋y－1）

或运算3S（x，y，1）＝max（x，y）

或运算1*S（x，y，0.5）＝min（1，x＋y）

健全的概率逻辑系统Lh（x，y，h），x，y∈［0，1］，h＝0.75

与运算3*T（x，y，1）＝min（x，y）

与运算2T（x，y，0.75）＝xy

与运算1*T（x，y，0.5）＝max（0，x＋y－1）

或运算3*S（x，y，1）＝max（x，y）

或运算2S（x，y，0.75）＝x＋y－xy

或运算1*S（x，y，0.5）＝min（1，x＋y）

健全的Luckasiewicz逻辑系统Lh（x，y，h），x，y∈［0，1］，h＝0.5

与运算3*T（x，y，1）＝min（x，y）

与运算1T（x，y，0.5）＝max（0，x＋y－1）

或运算3*S（x，y，1）＝max（x，y）

或运算1S（x，y，0.5）＝min（1，x＋y）

2.3 交互信息I（X；Y）与广义相关系数h的相互关系

通常意义上，我们可以理解存在于模糊命题之间的互相关性，连续变化可用表示互相关程度用广义相关系数h∈［0，1］来刻画［10］，根据信息论中交互信息的概念很容易获知，I（X；Y）=I（Y；X），两个变量的不确定性是互为条件的，其不确定性的消除也是一致的。可以推理出，它们的交互信息就表示其相关程度，

两个随机变量越相关，它们之间的交互信息越大，当两个变量独立时，它们之间的交互信息等于零。

因此：

1）当X=Y，I（X；Y）=H（X）=H（Y），h=1，选择算子对：T（x，y）=min（x，y），S（x，y）=max（x，y）；

2）当X，Y相互独立时，I（X；Y）=0，h=0.5，选择算子对：T（x，y）=max（0，x＋y－1），S（x，y）＝min（1，x＋y）；

3）当0.5

3 形状特征提取

针对煤矿重大危险源的监测图像信息特点，正常的监测图像非常相似，异常的图像由于突发原因的不同，其视觉信息数据会表现各异。结合图像的形状特征，根据图树转换规则（如图1），采用数据结构中树型结构分析危险源监测图像的目标轮廓，结合经典的图像提取算法，进行图像识别［5～11］。

本文实现了一种综合考虑相邻部位的形状提取方法。

图1 构造树型结构

基本步骤：1）把煤矿重大危险源的监测图像进行图像初始处理，形成目标轮廓，如：图1（a）；2）根据闭合的轮廓，分级形成树型结构的根节点和叶子结点，构建数据结构比较容易处理的树型，如图1（b）所示。

依据经典的特征参数，如不变矩、节点个数与关系、转动惯量等特征，在父子节点和兄弟节点的对比中将危险源图像的目标部位的位置关系和结构充分反映出来，通过便利层次结构，结合目标部位的形状、纹理和灰度特征进行分析，从而为计算机的辅助决策带来了极大的便利。

具体算法为：

1）图像预处理：包含分割、去噪和增强等

2）目标部位的层次区分，标记，

3）根据树图转换规则进行转换

4）特征提取和分析

（1）标准树型结构父子节点和兄弟节点

（2）感兴趣目标部位的特征分析

5）结束

4 模糊决策树的算子匹配

本文利用决策树原理进行试验分析，根据健全逻辑的原理，选择匹配算子进行数据分析，算法如图所示2所示［2～4］。

图2 匹配算法流程图

5 实验分析

图3 特征数据分布

根据从煤矿截取的危险源正常的图片203张，异常图片209张，共有412张图片。从实验的结果可以看到其数据特点：正常运行情况下相关的数据分布比较集中，异常运行情况下相关的数据分布比较分散。如图3所示。出现这一现象主要是因为正常运行情况下相关危险源图片的视觉信息都比较相似，正常运行情况下相关危险源图片因引发危险的原因的不同而差别较大。

实验步骤：根据十字交叉规则，随机生成10个数据子集，9个作为训练子集，1个作为测试子集。

表1 特征提取的分类结果

表2 危险源图片数据的分类结果

根据表1和表2，树型结构的特征提取方法平均分类精度达到了86.3%，明显高于通常的特征提取方法的57.5%，考虑到危险源误判的代价非常大，要求对监测图像的分类精度较高，对于提高危险源图像识别的准确率是很有帮助的，可以帮助煤矿的管理者做辅助决策，具有一定的应用价值。

6 结语

通过引入广义相关性，完善了逻辑算子的关系柔性，纠正了各种逻辑固定算子在推理过程中缺陷的影响，未造成信息畸变。交互信息与广义相关系数h的相互关系提供了一个选择匹配算子的准则。

根据危险源图像异常点特点，通过对图像异常点单一位置提取，结合树图转换，进一步确定图像中各目标部位的轮廓关系，从实验的结果验证分析可以看出，该算法与经典的形状特征的组合能够较充分的描述目标形状，取得较好的分类效果，有助于提高预警决策正确率。本文的算法有一定的应用价值，为煤矿安全生产预警和决策提供重要的理论依据。

［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.基于视频图像分析的旅客群体性事件预警方法［J］.解放军理工大学学报（自然科学版），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］陈思汉，余建波.基于二维局部均值分解的图像多尺度分析处理［J］.计算机辅助设计与图形学学报，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

国家自然科学基金项目（编号：61302163）资助。

陈佳林，男，博士，高级工程师，研究方向：数据挖掘，机器学习。