【技术实现步骤摘要】
本专利技术属于智慧矿山中的矿山数字化领域，具体涉及一种基于相关熵的矿井图像深度模糊聚类方法。
技术介绍
1、随着技术的发展，煤矿井下正逐渐引入智能化和机器人技术来提高安全生产水平。在智能化监控系统中，用于各种设备实时监测煤矿井下的各种场景、设备运行状态和人员活动，及时发现异常情况并采取措施，这减少了人工操作，提高了生产效率和安全性。
2、近年来，随着深度学习技术的快速发展，深度学习技术在智慧矿山中的矿山数字化领域得到了应用。编码器和解码器是深度学习中的重要研究内容。编码器是一个神经网络，用于学习输入数据的压缩表示，也称为编码或潜在空间的表示。编码器通常将输入数据映射到一个低维空间，同时保留输入数据中的重要信息。这样，编码器就能够捕捉输入数据的本质特征，并去除冗余信息。解码器是编码器的对称部分，它负责将编码器生成的压缩表示还原为原始输入数据或尽可能接近原始输入数据的重构。解码器的作用是将编码器学习到的潜在空间表示映射回原始数据空间，从而实现对输入数据的重构或生成。然而，将编码器和解码器应用于矿井图像聚类分析仍面临一些挑战。首先，矿井图像包含的矿井场景十分复杂，如何构建一个有效的深度编码器和解码器来充分提取矿井图像的深度特征是一个重要的问题。其次，由于煤矿井下场景的多样性，对收集的矿井图像进行聚类，其目的将矿井图像集划分为若干个不相交的子集，即形成多个簇，每个簇可能对应于一些相似的矿井场景，这实现矿井场景的自动划分。另外，矿井场景包含异常情况，如塌陷等，摄像机能捕捉到这些异常情况，将这种场景下的图像当作矿井图像集中的离群
技术实现思路
1、技术问题：本专利技术的目的是要克服现有矿井图像聚类算法的不足，提供一种基于相关熵的矿井图像深度模糊聚类方法，利用相关熵抑制矿井图像数据集中的离群点，并采用编码器取得矿井图像的深度特征，从而提高矿井图像聚类的准确性。
2、技术方案：为实现上述技术目的，本专利技术公开一种基于相关熵的矿井图像深度模糊聚类方法，对矿井图像数据集，基于相关熵定义簇内距离和解码器的输出能量，根据簇内距离和解码器的输出能量构建深度模糊聚类的目标函数，利用分式规划算法优化目标函数；所述聚类模型中的编码器和解码器为各种形式的神经网络，以增加聚类模型的灵活性，利于抽取矿井复杂场景下图像的深度特征；具体执行步骤如下：
3、步骤1、收集煤矿井下场景的视频或图像，建立矿井图像数据集；
4、步骤2、利用相关熵定义簇内距离和解码器的输出能量：构建编码器，将矿井图像数据集输入编码器取得矿井图像数的深度特征，在编码空间，基于深度特征和聚类中心的相关熵定义簇内距离；构建解码器，将深度特征输入解码器取得重建的矿井图像，在解码器的基础上，定义基于相关熵的解码器的输出能量；
5、步骤3、根据簇内距离和解码器的输出能量构建深度模糊聚类的目标函数：所述深度模糊聚类的目标是最小化簇内距离以维数相似矿井图像的聚合性，并同时最大化解码器的输出能量以维持解码器的重建矿井图像的能力；
6、步骤4、深度模糊聚类目标函数的优化：结合分式规划算法，根据目标函数的指导，以目标函数的最小值作为优化目标，迭代优化深度模糊聚类方法的参数；通过不断迭代优化，更新深度模糊聚类方法的参数，取得深度模糊聚类方法的最优参数，即编码器和解码器的参数，模糊隶属度和聚类中心；
7、步骤5、深度模糊聚类方法的测试：利用矿井图像测试深度模糊聚类方法的聚类性能。
8、进一步，收集矿井视频或图像构建矿井图像数据集，利用相关熵定义簇内距离和解码器的输出能量，其描述如下：
9、收集煤矿井下场景的视频或图像：从视频抽取一帧帧图像组成矿井图像数据集；令x1,…,xn表示矿井图像数据集中的n幅矿井图像，其中xi∈rm1×m2×3表示第i幅彩色矿井图像,m1和m2分别表示图像的高度和宽度；编码器把矿井图像xi映射成深度特征或低维特征zi，表示为zi＝fθ(xi),其中fθ()表示参数为θ的编码器，zi∈rd,d为编码空间的维数；解码器把特征zi映射为xi的一个近似表示，表示为其中表示参数为的解码器，重建的矿井图像与原矿井图像具有相同的维数；令vj(j＝1,…,c)为深度特征z1,…,zn在编码空间的聚类中心，c为聚类的数目；矿井图像数据集包含离群点，利用相关熵抑制离群点，定义fθ(xi)和vj的相关熵如下：
10、
11、其中||.||表示向量范数，α为正的超参数，通过调整超参数α抑制矿井图像数据集中的离群点；
12、在编码空间定义基于相关熵的簇内距离f1(θ,{vj},{μij})如下：
13、
14、其中m为模糊指数，取值为2，μij表示第i幅矿井图像属于第j簇的模糊隶属度，函数f1(θ,{vi},{μij})的值越小，每一簇内的矿井图像在编码空间越接近聚类中心；
15、为了度量解码器的输出图像与编码器的输入图像之间的差别，定义第k幅矿井图像关于编码器和解码器参数θ和的函数表示为：
16、
17、其中β是正的超参数，|‖‖|f表示frobenius范数(f-范数),它是一种矩阵或张量范数,即矩阵或张量中每项的平方和的开方值；在中，表示第k幅矿井图像的能量，表示差分图像，即编码器输入图像xk和解码器重建图像的差；表示差分图像
18、的能量；表示第k幅矿井图像通过解码器的输出能量；为了维持能量的非负性，根据定义解码器的n幅矿井图像的输出能量，表示如下：
19、
20、函数表示矿井图像通过编码器和解码器的变化情况，的值越大，矿井图像通过编码器和解码器损失的能量越小，通过最大化使解码器输出的重建图像接近编码器输入的原始矿井图像。
21、进一步，根据簇内距离和解码器的输出能量构建深度模糊聚类的目标函数，描述如下：
22、为了最小化簇内距离f1(θ,{vi},{μij})以及最大化解码器的输出能量定义如下的优化目标函数，如下式(1)所述：
23、
24、约束为：μij≥0；
25、公式(1)利用相关熵抑制矿井图像数据集中的离群点；编码器压缩矿井图像的原始特征并取得矿井图像的深度特征，减少了矿井图像的冗余特征和提取了矿井图像的关键特征；最大化解码器的输出能量使得解码的矿井图像接近编码器输入的矿井图像。
26、进一步，优化深度模糊聚类目标函数的具体步骤如下：
27、利用分式规划算法或dinkelbach的扩展方法来求解公式(1)的分式规划问题，在分式规划算法或dinkelbach的扩展方法中，将公式(1)转化成下面关于参数γ的优化模型：
28、
29、其中是前一次迭代取得的比率值；当初始的θ,{vj},{μij}给定时，通过公式计算出第一迭代的比率值γ(1)，上标表示迭代次数；第t次迭代的比率值γ(t)给定时，需要优化θ,本文档来自技高网...
【技术保护点】
1.一种基于相关熵的矿井图像深度模糊聚类方法，其特征在于，对矿井图像数据集，基于相关熵定义簇内距离和解码器的输出能量，根据簇内距离和解码器的输出能量构建深度模糊聚类的目标函数，利用分式规划算法优化目标函数；所述聚类模型中的编码器和解码器为各种形式的神经网络，以增加聚类模型的灵活性，利于抽取矿井复杂场景下图像的深度特征；具体执行步骤如下：
2.根据权利要求1所述的基于相关熵的矿井图像深度模糊聚类方法，其特征在于，收集矿井视频或图像构建矿井图像数据集，利用相关熵定义簇内距离和解码器的输出能量，其描述如下：
3.根据权利要求2所述的基于相关熵的矿井图像深度模糊聚类方法，其特征在于，根据簇内距离和解码器的输出能量构建深度模糊聚类的目标函数，描述如下：
4.根据权利要求3所述的基于相关熵的矿井图像深度模糊聚类方法，其特征在于，优化深度模糊聚类目标函数的具体步骤如下：
5.根据权利要求4所述的基于相关熵的矿井图像深度模糊聚类方法，其特征在于，深度模糊聚类方法的测试过程描述如下：
【技术特征摘要】
1.一种基于相关熵的矿井图像深度模糊聚类方法，其特征在于，对矿井图像数据集，基于相关熵定义簇内距离和解码器的输出能量，根据簇内距离和解码器的输出能量构建深度模糊聚类的目标函数，利用分式规划算法优化目标函数；所述聚类模型中的编码器和解码器为各种形式的神经网络，以增加聚类模型的灵活性，利于抽取矿井复杂场景下图像的深度特征；具体执行步骤如下：
2.根据权利要求1所述的基于相关熵的矿井图像深度模糊聚类方法，其特征在于，收集矿井视频或图像构建矿井图像数据集，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。