2024年五一赛数学建模C题(物流网络分拣)助攻论文&支撑材料.doc

本博客下载链接包含修改的word版本, 可免费下载阅览学习, 也可作为数学建模相关课程作业修改上交:

链接：https://pan.baidu.com/s/1HxzDk3q0p6y2xpuJyxPgvw?pwd=qtnc

提取码：qtnc

       尽管近年来煤矿安全形势有所改善，但随着煤炭开采向深部推进，冲击地压风险仍显著上升，特别是冲击地压已成为威胁煤矿安全生产的关键因素，因此监测声发射和电磁辐射信号，以识别和预测冲击地压前兆特征，对提前预警和防控冲击地压具有重要意义。本文通过对冲压地压信号进行时频域特征进行提取并建立决策树、LSTM模型完成了对冲压地压危险信号的识别和预测。

       针对问题1，本文首先筛选附件1的干扰信号，并进行可视化。然后提取干扰信号的时域特征：均值、方差、峰度和脉冲计数，频域指标：频谱能量、主要频谱成分、频谱峰值和谱密度，然后采取滑动窗口分别提取附件2中3个时间段的时频域特征，窗口大小为50。最后建立干扰信号识别模型，设置误差率为0.1，找到相似度与附件1中干扰信号较高的信号识别为干扰信号。

       针对问题2，首先采用滑动窗口特征提取，对附件1当中的两种信号数据的前兆特征数据（B类），采取滑动窗口进行时频域特征的提取构成训练集并进行可视化，窗口大小为50，步长为20，对附件2数据同样采取特征提取构成测试集。然后基于附件1和附件2构建好模型需要的训练集和测试集数据，接下来进行随机样本过采样和数据标准化，然后选取决策树模型进行分类预测，结果是EMR分类准确率为99.35%，精确率为0.99，召回率为1，F1分数为0.99，AUC为0.99；AE分类准确率为98.43%，精确率为0.97，召回率为1，F1分数为0.98，AUC为0.98。最后给出了决策树模型的混淆矩阵、ROC曲线以及结构图。

       针对问题3，首先针对附件3的10个时间段的数据进行小波变换降噪，然后进行滑动窗口均值化处理，窗口大小为50，步长为1，接着建立10个LSTM模型分别预测10个时间段未来,100个时间戳上的信号数据，然后针对预测得出的10组数据利用问题2相同的方法提取特征并做差分后代入问题2训练好的决策树模型进行预测，然后将未来100个时间戳的识别为前兆信号的概率取平均最后得到结果：EMR信号5个时间段的最后发生前兆信号的概率分别为0.1667、0.7140、0.5992、0.8571、0.7495；AE信号5个时间段的最后发生前兆信号的概率分别为0.1667、0.2854、0.6、0.1429、0.4995。

       最后，对模型进行优缺点评价和推广，本文建立的模型可以为煤矿开采的冲压地压检测工作提供量化保障。