Prediction model of slope deformation in open pit mines based on GJO-MLP
-
摘要: 露天矿边坡变形受地质结构、水文地质条件、采矿活动等多种因素影响，使得预测模型复杂，难以准确捕捉所有影响因素。目前，大量监测设备部署在露天矿边坡周围，用于实时记录露天矿边坡位移数据，这些数据具有高维度、时序关联性及非线性等特性。如果在其他条件未知而只有数据的情况下，使用传统的边坡稳定性分析方法无法有效进行边坡变形预测，而采用仅基于数据的模型对露天矿边坡位移数据进行预测对边坡稳定性的事前分析十分必要。针对上述问题，提出了一种基于金豺优化多层感知机（GJO−MLP）的露天矿边坡变形预测模型。GJO中各智能体间相互独立，可以通过并行计算加速优化MLP的训练过程；GJO能够结合MLP的非线性建模和特征提取能力，使得优化后的MLP在处理复杂问题时更具优势。为检验GJO−MLP的可行性和有效性，将GJO−MLP分别与基于蚁群算法优化的MLP（ACO−MLP）、基于引力搜索算法优化的MLP（GSA−MLP）及基于差分进化算法优化的MLP（DE−MLP）进行对比分析，在6个数据集上的仿真实验结果表明：在相同实验条件下，相较于其他3种算法，GJO−MLP表现出更好的寻优性能。将基于GJO−MLP的边坡变形预测模型应用于宝日希勒露天矿边坡变形预测和花坪子边坡变形预测中，结果表明：在相同条件下，相较于其他3种算法，基于GJO−MLP的边坡变形预测模型在对边坡变形数据进行预测时不仅表现出更好的预测求解性能，而且还具有更好的可行性和鲁棒性。Abstract: The deformation of open-pit mine slopes is influenced by various factors such as geological structure, hydrogeological conditions, mining activities, etc., making the prediction model complex. It is difficult to accurately capture all influencing factors. At present, a large number of monitoring devices are deployed around the slope of open-pit mines to record real-time displacement data of open-pit mine slopes. The data has the features of high-dimensional, temporal correlation, and nonlinear. Traditional slope stability analysis methods cannot effectively predict slope deformation without knowing other conditions and only data, it is necessary to use a data-based model to predict the displacement data of open-pit mine slopes in advance for slope stability analysis. In order to solve the above problems, a deformation prediction model for open-pit mine slopes based on the golden jackal optimized multilayer perception machine (GJO-MLP) is proposed. Each agent in GJO is independent of each other and can accelerate the training process of optimizing MLP through parallel computing. GJO can combine the nonlinear modeling and feature extraction capabilities of MLP, making the optimized MLP more advantageous in dealing with complex problems. To test the feasibility and effectiveness of GJO-MLP, GJO-MLP is compared and analyzed with ant colony algorithm optimization based MLP (ACO-MLP), gravity search algorithm optimization based MLP (GSA-MLP), and differential evolution algorithm optimization based MLP (DE-MLP). The simulation results on six datasets show that under the same experimental conditions, GJO-MLP shows better optimization performance compared to the other three algorithms. The slope deformation prediction model based on GJO-MLP is applied to the slope deformation prediction of Baorixile open-pit mine and Huapingzi slope deformation prediction. The results show that under the same conditions, compared to the other three algorithms, the slope deformation prediction model based on GJO-MLP not only show better predictive performance in predicting slope deformation data, but also has better feasibility and robustness.
-
0. 引言
近年来我国煤矿安全生产形势逐年变好，事故发生率和死亡人数已降至较低水平[1]，但我国矿井地质环境复杂，且开采深度逐年增加[2]，导致由瓦斯和冲击地压等因素引发的煤矿事故仍然不可完全避免[3]。事故引发的巷道坍塌等给救援带来了极大的困难。在矿山灾害救援过程中，如何快速准确地定位被困人员是成功救援的关键。
在煤矿事故发生后巷道严重阻塞的情况下，传统救援技术是打通堵塞的巷道以接近被困人员，往往需要大量时间，且效率较低[4]。垂直钻孔救援技术具有高效率、远距离等优势[5]。该技术通过地面快速、精准钻进小直径生命保障孔，放入生命探测设备，确定井下被困人员及其所在位置，随后构建大直径救援孔，使用救援提升设备帮助人员脱困[6]。在这一过程中，确定被困人员的具体位置极为关键。
矿山灾后环境复杂，且存在塌方风险，ZigBee、蓝牙、红外等传统定位技术易受环境干扰，通信距离有限，难以满足矿山救援的精确定位需求[7]。刘耀波[8]提出了一种红外与激光相结合的人员搜救定位技术，但红外线无法穿透障碍物，而激光仅能沿直线传播，在矿井灾后煤尘较多的环境下难以实现精确定位，限制了其在实际应用中的效果。张秀娟[9]提出了一种基于标签卡和基站的井下人员定位系统，在多个煤矿测试中表现良好，但矿山发生重特大事故后，基站损毁会直接影响标签卡的使用，限制了其在灾后复杂环境中的应用，且标签卡通常使用2.4 GHz及以上高频无线信号，在灾后环境中易被吸收和散射，导致信号强度衰减，进一步降低定位精度。谭文群[10]提出了一种基于ZigBee的矿井人员无线定位系统，但在灾后复杂环境中定位误差较大，定位距离不稳定。
与传统定位技术相比，超宽带（Ultra Wide Band，UWB）雷达定位技术[11]因其卓越的穿透能力和强抗干扰性[12]，被广泛应用在城市反恐、医疗健康、地震、火灾等救援领域。在汶川地震救援行动中，救援人员应用麻省理工学院2005年开发的一款基于UWB雷达的救生设备，大大缩短了搜救时间，成功定位多名被困人员[13]。2008年以色列Camero Tech公司推出Xaver800穿墙雷达，能够定位30 cm墙体后2～3 m的人体目标，极大地提高了救援效率[14]。中南大学研发的UWB雷达生命探测仪能够定位36 cm墙体后20 m内的人体目标[15]。华诺星空系列雷达生命探测仪可精确定位10 m墙体后0～1 m的人体目标[16]。在矿山救援领域，UWB雷达因其穿透能力强、抗干扰性好、多径分辨能力强等特点，被应用于实现灾后障碍物后方被困人员精确定位。特别是在井下巷道大面积坍塌、基站严重损毁场景中，UWB雷达定位技术可对被困人员进行精确定位，如孙慧玲[17]利用Matlab中的时间自适应卡尔曼滤波定位算法与加权最小二乘定位算法计算目标节点坐标，通过追踪目标历史轨迹，可迅速确定被困人员所在位置。
本文介绍了UWB雷达定位技术的基本原理及其在矿山救援中的应用情况，从定位方法、不同状态和不同数量的人员定位3个方面梳理矿山救援领域UWB雷达人员定位研究现状，指出当前研究存在的问题，并展望未来的发展趋势。
1. UWB雷达定位技术
1.1 UWB雷达定位技术原理
在煤矿事故救援过程中，使用UWB生命探测雷达确定障碍物后方被困人员的具体位置时，雷达通过发射和接收UWB脉冲信号来确定目标位置。这些信号频谱范围宽广，且具有较高的频率及多路径传播能力[18-19]，能够有效克服多径干扰和信号衰减，提供较高的定位精度[20-21]。雷达发射的UWB脉冲信号在传播过程中遇到目标（如被困人员）时发生反射，产生回波[22-23]，接收器随后捕捉到反射信号。对回波信息进行处理即可得到被困人员的位置信息[24]。基本原理如图1所示。
由于矿井环境复杂，回波信号中可能包含背景杂波和环境噪声等干扰信息，为了提升定位的精确度，需要对回波信息进行预处理。王明泽等[25]提出了一种基于像素向量消除的穿墙雷达杂波抑制算法，仿真结果表明，该算法具有良好的有效性和鲁棒性，能显著提升信噪比。陈焱博[26]提出了一种基于联合熵值的穿墙雷达墙体杂波抑制算法，实验结果表明，该方法较熵值法、背景相消法、奇异值分解法能更有效地滤除杂波干扰信号。王冬霞等[27]提出了一种基于双向长短记忆神经网络的回声和噪声抑制算法，实验结果表明，在非线性回声和非平稳噪声环境下，该算法取得了较好的回声和噪声抑制效果。李慧等[28]提出了一种基于变分模态分解和奇异谱分析的联合算法，实验数据表明该算法可有效去除环境噪声对回波信息的影响。
对回波信息进行预处理后，确定障碍物后方被困人员的具体位置主要采用基于信号传输时间测距的定位方法和基于天线阵列方向估计的定位方法[29]。基于信号传输时间测距的定位方法主要有脉冲雷达测距和调频连续波（Frequency Modulated Continuous Wave，FMCW）雷达测距。脉冲雷达测距基本原理：UWB雷达发射机产生一个高功率的电磁波脉冲，通过天线发射出去。这些电磁波在传播方向上遇到目标时，一部分电磁波被反射回去。雷达接收天线捕捉到反射电磁波，即回波信号。通过记录UWB雷达发射和接收脉冲信号的时间[30]，结合电磁波在空气中的传输速度，得到被困人员与UWB雷达之间的距离[31-32]：
$$ d_{\mathrm{p}}={C}t $$ (1) 式中：C为电磁波传播速度；t为信号传播时间。
与脉冲雷达测距不同的是，FMCW雷达测距发射的是频率随时间变化的连续波。将发射的FMCW信号和接收的回波信号送入混频器进行处理，得到差频信号，随后通过测量差频信号的频率，结合FMCW信号带宽可计算出目标与雷达之间的距离：
$$ d_{\mathrm{f}}=\frac{C {f}_{{\mathrm{If}}}}{2B} $$ (2) 式中：$ {f}_{{\mathrm{If}}} $为差频信号频率；B为FMCW信号带宽。
基于天线阵列方向估计的定位方法依赖于UWB天线阵列接收的信号相位差，通过空间谱图或波束形成技术计算目标方向角[33]，得到被困人员在灾后空间中的方向信息，结合UWB雷达与被困人员之间的距离，推算目标的具体位置[34]。UWB雷达相位法测角原理如图2所示。
![]()
图 2 UWB雷达相位法测角原理Figure 2. Phase-difference-based angle estimation in UWB radar systems设一组线性天线阵列接收到的信号之间存在固定间距D，信号之间的相位差$ \Delta \phi $满足以下关系：
$$ \Delta \phi =2{\text{π}} ft=\frac{2{\text{π}} Ct}{\lambda }=\frac{2{\text{π}} \Delta R}{\lambda }=\frac{2{\text{π}} D{\sin}\;\theta }{\lambda } $$ (3) $$ {\sin}\;\theta =\frac{\lambda \Delta \phi }{2{\text{π}} D} $$ (4) 式中：f为雷达信号频率；$ \lambda $为雷达信号波长；$ \Delta R $为波程差；$ \theta $为目标方向角。
1.2 UWB雷达定位技术在矿山救援中的应用
在矿山救援中，UWB雷达定位技术展现了其在复杂环境下的显著优势[35]。针对灾后坍塌的水平巷道，救援人员可以部署UWB雷达系统，凭借其强穿透能力探测到煤岩等非磁性介质后方被困人员的位置信息[36]。在垂直钻孔救援过程中，在施工小直径生命保障孔后，将UWB雷达生命探测器深入井下，实时获取障碍物后方被困人员的位置信息，并通过无线或有线通信技术将探测信息传输至救援指挥中心，利用探测结果确定目标的具体位置[37]，然后施工大直径救援孔将被困人员安全提升至地面。应用场景如图3所示。
![]()
图 3 UWB雷达定位技术的矿山救援应用场景Figure 3. Application of UWB radar positioning technology in mine rescue scenario矿井灾后环境复杂，坍塌物材质的多样性、高浓度煤尘、非视距（Non Line of Sight，NLOS）条件等都会对定位信号产生干扰[38]。传统的基于信号传输时间测距和基于天线阵列方向估计的定位方法在复杂环境中可能面临误差增大、多目标难以分辨等问题[39]。此外，由于被困人员数量（单个或多个）及状态（静止或移动）不同，多个目标的信号之间会产生干扰，目标运动会导致信号波动，造成定位精度不高。为提高UWB雷达在矿井灾后环境中的人员定位精度，需要优化基于信号传输时间测距与基于天线阵列方向估计的定位方法，实现高精度定位。同时，需进一步研究针对不同数量或状态人员的定位方法，提升救援效率和成功率。
2. UWB雷达定位技术研究现状
在矿山救援过程中，灾后坍塌环境的复杂性和不可预知性对救援行动构成了严峻挑战，精确定位被困人员的具体位置成为UWB雷达定位技术的主要研究内容。根据障碍物后方被困人员的不同数量和状态，使用不同的定位方法来确定被困人员的具体位置。
2.1 UWB雷达定位方法研究现状
2.1.1 基于信号传输时间测距的定位方法
根据雷达天线数量的不同，分为单发单收和单发多收。UWB单发单收雷达系统仅使用1根发射天线和1根接收天线[40]。该配置方式的优点是结构简单、成本低，适用于单目标检测和定位[41]。但由于缺少多角度信息，其定位能力仅限于一维距离测量，难以实现复杂场景中三维定位或多目标分辨。UWB雷达单发多收系统使用1根发射天线和多根接收天线，通常布置成一定几何阵列[42-43]。M. Švecová等[44]使用1根发射天线与4根接收天线构建多静态雷达系统，经实验验证，该系统的目标定位误差在31 cm范围内。B. Yılmaz等[45]基于1根发射天线和2根接收天线的UWB雷达系统配置，提出了一种用于检测并成像障碍物后方移动目标的精确定位算法，通过数值场景模拟和实验验证了该算法能以较高的保真度精确定位障碍物后方的移动目标，适用于矿山灾后救援。
2.1.2 基于天线阵列方向估计的定位方法
Liu Jia等[46]提出了一种小型化UWB对映维瓦尔第天线阵列，结合混合扩散吸收超表面技术，实现了宽频带、低散射特性和高增益效果，实验结果表明该阵列在4.5～50 GHz范围内实现了−10 dB阻抗带宽，最大增益达到12.7 dBi，定位误差仅为46 cm。J. P. Mathew等[47]提出使用规则四面体天线阵列对障碍物后方目标人员进行定位估计，实验结果表明该天线阵列定位误差低于50 cm。B. Hanssens等[48]提出了一种基于UWB信道探测的定位框架，采用虚拟天线阵列和高分辨率RiMAX算法扩展，从UWB探测数据中提取传播路径的几何参数，并结合Kim−Parks算法对多个目标位置进行聚类估计，实验结果表明该框架在NLOS场景中实现了0.90 m的平均定位精度。
2.2 UWB雷达人员定位研究现状
在矿山救援中，对于障碍物后方被困人员的不同数量及状态使用不同的定位方法，全面掌握每个被困人员的位置信息，对于指导救援行动、提高救援效率具有重要意义。
2.2.1 静止和动态人体目标定位
对于不同状态被困人员的定位侧重点有所不同。静止目标的定位主要应用于被困人员长时间未移动的情况，UWB雷达通过分析目标反射信号或回波的反射特征来定位静止目标。静止目标的雷达回波信号特征较稳定，可以通过较简单的信号处理和定位方法进行精确定位。梁福来等[49]通过UWB多输入多输出（Multiple Input Multiple Output，MIMO）生物雷达技术，优化雷达参数和信号处理算法，精确定位30 cm混凝土墙后的静止人体目标。Z. Slimane等[50]采用一种基于正交频分复用的UWB雷达穿墙定位静止人体目标，通过短时傅里叶变换结合背景杂波抑制技术，从检测波形中提取出人体目标的位置信息，实验结果表明该方法能够有效定位20 cm混凝土墙后静止人体的位置。Yan Kun等[51]提出了2种用于定位准静态被困人员的方法，分别为基于单点观察的单站雷达模式和基于多点观察的多站雷达模式，以提高UWB单发单收系统的定位精度，实验结果表明，这2种方法均可定位到实际场景中的准静态被困人员，定位误差小于3%。
与静止人体目标定位不同的是，动态目标的定位侧重于解决NLOS条件下目标运动导致信号波动，从而影响定位精度的问题，且需要考虑目标的运动轨迹。传统测距方法要加入运动模型（如卡尔曼滤波、粒子滤波等），以实时更新目标的位置和速度。何永平等[52]提出了一种基于UWB的动态目标定位方法，通过2次粒子滤波处理UWB雷达采集的原始数据，有效抑制了NLOS误差的影响，在NLOS严重的环境中定位精度可达0.29 m，较雷达定位系统提供的三边测量定位算法提高48.21%。王红尧等[53]利用UWB无线模块采集距离信息，通过改进粒子群优化−长短期记忆网络模型进行动态目标轨迹预测，平均定位误差为30 mm，较传统粒子群优化−长短期记忆网络模型提升24%，可以提供精确的被困人员移动轨迹，提高救援效率。Zhang Xiaona等[54]提出了一种高精度动态目标定位方法，利用经验模态分解对噪声信号进行处理，提取噪声能量作为主模，进而去除高频信号并构建低频信号，实现滤波和去噪。结合GNSS/SLAM建立动态目标定位模型，实现高精度目标定位，实验结果表明该方法的位置姿态误差小，速度稳定，位置信息较传统定位方法更接近动态目标的实际运动轨迹。
2.2.2 单目标和多目标人体定位
在使用UWB雷达对障碍物后方被困人员进行定位的过程中，针对不同数量的被困人员，定位任务的侧重点因目标信号的数量及信号处理的难易程度而有所不同。单目标定位主要关注抑制背景噪声，以减小其对定位精度的影响；而多目标定位则侧重于解决多个目标信号之间的相互干扰问题。本文从单目标与多目标定位2个方面介绍UWB雷达对于不同数量人体目标定位的研究现状。
单目标定位只需处理1个目标的信号，因此在实际应用中所需算法通常较简单。矿山灾后环境中介质厚度大、噪声变化大等会影响UWB雷达定位精度。Ji Pengfei等[55]提出了一种基于改进容积卡尔曼滤波器（Cubature Kalman Filter，CKF）的组合定位方法，采用Levenberg−Marquardt算法优化UWB雷达的位置求解，引入自适应因子实时更新测量噪声协方差矩阵，并加入衰落因子以抑制滤波发散，实验结果表明，与扩展卡尔曼滤波器（Extended Kalman Filter，EKF）、无迹卡尔曼滤波器和CKF算法相比，该方法在NLOS场景下的定位精度分别提高了25.2%，18.3%，11.3%。
多目标定位通常需要同时处理多个信号源，去定位多个被困人员的具体位置。由于目标数量多，不同目标的信号可能会发生干扰，使得定位精度下降，所需定位算法的复杂度显著增加。尤谍等[56]提出了一种多目标自适应差分进化算法，通过自适应调整参数来优化UWB雷达定位，实验结果表明，无论是在有干扰还是无干扰条件下，该算法较传统算法有效提高了多目标定位精度，并减小了NLOS误差。雷挺[57]提出了一种基于增强型几何滤波的方法，用于处理多目标定位问题，该方法通过聚类和几何滤波的融合，在NLOS环境下能够同时定位3个目标，在目标信号间相互干扰和环境变化时表现出较好的鲁棒性。Zhang Jingwen等[58]提出一种基于排列熵和Kmeans++聚类的目标识别和定位方法，以确定环境中目标的数量和位置，实验结果表明该方法能够成功定位多个人体目标，其改进的波束成形技术显著降低了多目标信号间的干扰，使平均方向估计误差低于2°，同时结合距离估算的定位误差小于2%。Xu Zihan等[59]提出了一种基于UWB−MIMO雷达的多径识别方法，通过构建多径回波模型，并结合距离−多普勒拓扑特征，实现多目标精确定位，通过实验和电磁仿真验证了该方法在复杂环境下能够有效定位NLOS目标，提升了UWB雷达在多目标定位场景中的应用性能。
3. 矿山救援中UWB雷达定位技术存在的问题
1） 矿井灾后复杂环境对UWB雷达信号传播和定位性能产生显著影响。尽管UWB雷达具有强穿透能力和较高抗干扰性，但在实际应用中，由于矿井灾后环境介质复杂，坍塌体结构布局随机，UWB电磁波传播衰减严重[60]，难以处理回波信号，导致雷达有效探测距离无法满足救援需求，尤其是在矿山大面积塌方等复杂场景下，雷达无法覆盖整个区域，从而影响被困人员的搜救效率。此外，缺乏针对灾后UWB发射卡微弱信号的增强手段，导致部分被困人员佩戴的发射卡持续发出的信号无法被充分利用；同时也缺少定位系统损毁瞬间位置信息的有效存储与恢复机制，影响救援决策。传统的UWB雷达定位系统在应对大厚度、非均匀、不连续介质环境时，定位误差大，探测距离有限，且难以通过历史数据进行定位轨迹回溯。亟需针对多种矿井灾变环境优化定位系统与信号处理方法，提升定位精度和探测范围。
2） 不同状态人员的精准定位在矿井灾后环境中仍面临显著挑战。尽管目前UWB雷达定位技术已有一定进展，但在矿井灾后环境中，现有定位算法受限于信号波动、散射和衰减，导致雷达回波信号较弱、杂波干扰显著、信号质量下降，微动目标探测定位精度低，动态目标实时定位误差大。此外，雷达回波识别模型无法根据静止与动态目标的特征自动切换定位算法模块，UWB雷达在混合场景中的适应性与可靠性较低。因此，亟需进一步优化动态目标精准定位方法，并构建动静结合的综合定位模型，以实现在矿井灾后环境中对不同状态的人员进行精准定位。
3） 在不同数量的人员定位方面，信号干扰和遮挡效应造成定位精度不高。尽管现有定位方法通过优化自适应滤波和改进识别算法取得了一定进展，但在矿井灾后环境中，多目标信号混叠、目标信号间的相互干扰和雷达信号遮挡效应导致信号清晰度和目标的可识别性不高。特别是在大厚度煤岩介质后，当目标距离较近或位于同一径向时，现有方法难以有效分离并提取每个目标的位置信息，定位精度较低。需进一步研究针对不同数量目标的定位方法，提升定位精度和算法的鲁棒性；开发更高效的信号分离与提取技术，以满足在矿井灾后环境中对于多个人体目标的高精度实时定位需求。
4. UWB雷达定位技术在矿山救援中应用展望
随着雷达回波处理、定位算法、多源信息探测等技术的发展，UWB雷达定位技术在矿山灾后救援中的应用更加普遍。为更好地适应灾后复杂环境，提高定位精度和救援效率，还需在未来的研究中不断完善和发展UWB雷达定位技术。研究展望如图4所示。
![]()
图 4 UWB雷达人员定位技术研究展望Figure 4. Research prospects of personnel localization technology based on UWB radar1） 不断优化定位系统，提升UWB雷达对矿山灾后环境的适应性。针对不同类型的灾变环境，整合UWB雷达、光学传感器、地质雷达等多种数据源，构建跨模态信息融合模型，从而增强定位系统对不同灾变环境的适应能力。利用煤尘浓度、坍塌材料特性等环境信息，动态调整UWB雷达信号传播模型，提高定位方法在复杂环境中的可靠性。使用有源中继技术，结合放大−转发或解码−转发策略，增强灾后UWB发射卡微弱信号的可探测性。建立定位数据同步与备份机制，将关键位置信息存储至地面或云端，以支持系统损毁时刻的位置恢复，提高救援效率。采用高斯脉冲或修正的Hermite脉冲来优化雷达信号的时域特性，提高雷达穿透力与分辨率，同时适当改进雷达系统的发射功率和接收器灵敏度，以提升探测范围。此外，为应对复杂背景中的信号干扰，通过小波变换与多尺度分解技术，结合自适应滤波方法，开发出适应性更强的信号处理方法，从复杂背景中分离弱信号并提取有效的位置信息。通过在真实矿井环境中开展人员定位测试，检验定位方法在高噪声和复杂环境中的精确性，推动矿山灾后定位技术的实际应用。
2） 改进UWB雷达定位方法，构建适用于静止和动态目标的综合定位模型。对静止目标启用生命体征提取算法，对于动态目标则采用运动轨迹预测算法进行处理，实现连续定位。特别地，研究基于呼吸、心跳等生命体征信号的定位方法，结合改进变分模态分解与频谱分析算法，增强高噪声背景下静止目标的定位精度。使用EKF或粒子滤波方法，整合动态人体目标的位置与速度信息，实现运动轨迹连续预测。分析目标运动对回波特征的影响，构建基于多普勒效应的动态信号模型，以提升移动目标的定位精度。进一步研究能够根据目标状态切换定位算法的模块，基于贝叶斯网络或深度信念网络，融合静止与动态目标特征，构建综合的目标定位模型，提升UWB雷达在混合场景中的适应性与可靠性。
3） 不断完善UWB雷达信号处理技术，有效区分多目标位置信息。利用自适应波束成形技术，通过调节雷达天线阵列各阵元的相位与幅度生成多个波束，覆盖不同方向的目标，有效降低信号混叠的影响。引入MIMO技术，配合改进的K−means++算法或基于熵分析的分层算法，有效区分多目标位置信息。针对矿山灾后救援的多目标定位问题，进一步开展模拟真实场景的大量实验研究。通过构建多样化的实验场景与数据集，评估定位方法在不同人体目标数量、复杂介质和高干扰环境下的适应性与可靠性，提升UWB雷达人员定位系统在实际救援中的应用效果。
UWB雷达定位技术在矿山灾后救援中展现出巨大的应用潜力。随着定位方法的不断优化、系统架构的持续完善、信号处理技术的进一步发展，UWB雷达在复杂多变的矿山灾后环境中的适应性与可靠性将得到进一步提高，为被困人员精准定位与救援决策的合理制定提供关键技术支撑。
-
![]()
图 4 各算法在不同数据集上的迭代收敛曲线
Figure 4. Iterative convergence curve of each algorithm under different datasets
![]()
图 5 4种算法对东帮685观测点变形监测预测误差
Figure 5. Prediction error of deformation monitoring of 685 observation points in Dongbang by four algorithms
![]()
图 6 4种算法对花坪子边坡观测点TP02−HPZ的预测结果
Figure 6. Prediction results of TP02-HPZ of Huapingzi slope observation point by four algorithms
![]()
图 7 4种算法对观测点TP02−HPZ的预测绝对误差和
Figure 7. The sum of the forecast absolute errors of the four algorithms for the observation point TP02-HPZ
表 1 数据集详细信息
Table 1 Datasets details
数据集 训练样本数 测试样本数 类别 Balloon 16 16 2 Iris 150 150 3 Breast cancer 599 100 2 Heart 80 187 2 Cosine 31 38 — Sine 126 252 — 
下载: 导出CSV
表 2 算法参数设置
Table 2 Algorithm parameter settings
算法 参数 值 GJO−MLP 种群规模
最大迭代次数30
200ACO−MLP 种群规模
最大迭代次数
初始信息素
信息素指数权重
蒸发率30
200
10
0.3
0.1GSA−MLP 种群规模
最大迭代次数
Rnorm30
200
2DE−MLP 种群规模
最大迭代次数
交叉概率30
200
0.2
下载: 导出CSV
表 3 MLP初始模型结构
Table 3 MLP initial model structure
数据集 属性 MLP结构 Balloon 4 4−9−1 Iris 4 4−9−3 Breast cancer 9 9−19−1 Heart 22 22−45−1 Cosine 1 1−15−1 Sine 1 1−15−1
下载: 导出CSV
表 4 数据集实验结果
Table 4 Classification datasets experimental results
数据集 算法 MSE（AVE±STD） 分类精度/% 测试误差 Balloon GJO−MLP 0.135 2±0.001 5 34.00 — ACO−MLP 0.600 0±1.17×10−16 40.00 — GSA−MLP 0.200 4±0.057 9 6.00 — DE−MLP 0.160 7±0.009 5 13.50 — Iris GJO−MLP 0.056 4±0.017 4 51.67 — ACO−MLP 1.845 7±0.011 8 0 — GSA−MLP 0.286 9±0.139 0 21.87 — DE−MLP 0.146 8±0.024 9 38.33 — Breast cancer GJO−MLP 0.001 7±2.53×10−4 98.00 — ACO−MLP 0.663 2±1.17×10−16 0 — GSA−MLP 0.016 1±0.007 4 50.00 — DE−MLP 0.024 2±0.024 9 6.10 — Heart GJO−MLP 0.112 0±0.013 2 73.75 — ACO−MLP 0.500 0±0 50.00 — GSA−MLP 0.160 3±0.019 4 41.25 — DE−MLP 0.177 3±0.011 2 69.50 — Cosine GJO−MLP 0.177 8±6.151×10−4 — 4.971 6 ACO−MLP 1.080 1±2.62×10−6 — 14.504 2 GSA−MLP 0.296 3±0.070 0 — 7.924 1 DE−MLP 0.181 1±0.001 2 — 6.356 9 Sine GJO−MLP 0.455 3±0.002 4 — 149.421 7 ACO−MLP 1.498 9±8.83×10−7 — 251.958 8 GSA−MLP 0.463 6±0.004 4 — 152.154 0 DE−MLP 0.442 2±0.007 7 — 150.004 5
下载: 导出CSV
表 5 东帮685观测点变形监测数据
Table 5 Deformation monitoring data of Dongbang 685
mm 监测时间 北方向位移 东方向位移 竖直位移 2022−10−01T08:00:00 −55.800 −160.100 −63.500 2022−10−01T16:00:00 −54.700 −159.700 −68.600 2022−10−02T00:00:00 −57.400 −159.000 −64.400 2022−10−02T08:00:00 −54.800 −159.200 −60.900 2022−10−02T16:00:00 −55.900 −160.100 −63.400 2022−10−03T00:00:00 −55.600 −157.800 −63.000 2022−10−03T08:00:00 −54.400 −157.800 −62.800 2022−10−03T16:00:00 −53.600 −158.700 −63.900 2022−10−04T00:00:00 −55.900 −157.400 −63.700 2022−10−04T08:00:00 −56.500 −158.100 −64.800 2022−10−04T16:00:00 −54.700 −161.800 −64.600 2022−10−23T00:00:00 −53.700 −157.400 −65.000 2022−10−23T08:00:00 −56.100 −158.500 −67.600 2022−10−23T16:00:00 −53.800 −161.600 −69.300 2022−10−24T00:00:00 −52.600 −156.700 −63.500 2022−10−24T08:00:00 −55.400 −160.400 −69.100 2022−10−24T16:00:00 −54.400 −160.400 −69.500 2022−10−25T00:00:00 −51.700 −159.600 −67.900 2022−10−25T08:00:00 −55.700 −157.700 −69.300 2022−10−25T16:00:00 −53.000 −159.800 −69.600 2022−10−26T00:00:00 −51.000 −159.000 −65.200 2022−10−26T08:00:00 −54.600 −157.200 −66.500
下载: 导出CSV
表 6 4种算法对东帮685观测点变形监测数据的预测结果
Table 6 Prediction results of deformation monitoring data of 685 observation points in Dongbang by four algorithms
mm 监测时间 实际监测值 GJO−MLP ACO−MLP GSA−MLP DE−MLP 预测值 绝对误差 预测值 绝对误差 预测值 绝对误差 预测值 绝对误差 2022−10−01T08:00:00 55.800 56.873 1.073 60.500 4.700 58.902 3.102 58.105 2.305 2022−10−01T16:00:00 54.700 57.013 2.313 60.500 5.800 58.369 3.669 58.187 3.487 2022−10−02T00:00:00 57.400 56.238 1.162 60.500 3.100 59.067 1.667 57.941 0.541 2022−10−02T08:00:00 54.800 57.011 2.211 60.500 5.700 58.439 3.639 58.169 3.369 2022−10−02T16:00:00 55.900 56.845 0.945 60.500 4.600 58.918 3.018 58.102 2.202 2022−10−03T00:00:00 55.600 56.920 1.320 60.500 4.900 58.871 3.271 58.111 2.511 2022−10−03T08:00:00 54.400 57.013 2.613 60.500 6.100 58.293 3.893 58.264 3.864 2022−10−03T16:00:00 53.600 56.966 3.366 60.500 6.900 58.203 4.603 58.486 4.886 2022−10−25T00:00:00 51.700 56.571 4.871 60.500 8.800 57.918 6.218 58.597 6.897 2022−10−25T08:00:00 55.700 56.897 1.197 60.500 4.800 58.886 3.186 58.108 2.408 2022−10−25T16:00:00 53.000 56.886 3.886 60.500 7.500 58.118 5.118 58.560 5.560 2022−10−26T00:00:00 51.000 56.431 5.431 60.500 9.500 57.887 6.887 58.599 7.599 2022−10−26T08:00:00 54.600 57.014 2.414 60.500 5.900 58.330 3.730 58.209 3.609
下载: 导出CSV
表 7 4种算法对花坪子边坡TP02−HPZ的预测结果
Table 7 Prediction results of TP02-HPZ of Huapingzi slope by four algorithms
mm 期号 实际监测值 GJO−MLP ACO−MLP GSA−MLP DE−MLP 预测值 绝对误差 预测值 绝对误差 预测值 绝对误差 预测值 绝对误差 111 53.800 53.754 0.046 54.000 0.200 53.655 0.145 53.716 0.084 112 53.900 53.803 0.097 54.000 0.100 53.688 0.212 53.763 0.137 113 53.900 53.803 0.097 54.000 0.100 53.688 0.212 53.763 0.137 114 53.400 53.443 0.043 54.000 0.600 53.460 0.060 53.439 0.039 115 53.300 53.341 0.041 54.000 0.700 53.391 0.091 53.339 0.039 116 53.200 53.231 0.031 54.000 0.800 53.312 0.112 53.235 0.035 117 53.000 53.021 0.021 54.000 1.000 53.120 0.120 53.016 0.016 118 53.300 53.341 0.041 54.000 0.700 53.391 0.091 53.339 0.039 119 53.200 53.231 0.031 54.000 0.800 53.312 0.112 53.235 0.035 120 53.100 53.124 0.024 54.000 0.900 53.222 0.122 53.126 0.026
下载: 导出CSV
-
[1] 田会,王忠鑫. 露天开采对环境的扰动行为及其控制技术[J]. 煤炭学报,2018,43(9):2416-2421. DOI: 10.13225/j.cnki.jccs.2018.0928 TIAN Hui,WANG Zhongxin. Disturbance behavior of open-pit mine on environment and its control technology[J]. Journal of China Coal Society,2018,43(9):2416-2421. DOI: 10.13225/j.cnki.jccs.2018.0928
[2] 杨朝云,李广悦. 地下转露天开采条件下某露天矿高陡边坡稳定性分析[J]. 有色金属工程,2019,9(3):89-97. YANG Chaoyun,LI Guangyue. Stability analysis of high-steep slope in an open-pit mine under the condition of transferring from underground into open pit mining[J]. Nonferrous Metals Engineering,2019,9(3):89-97.
[3] 吕游. 露天矿高陡边坡变形失稳机理及防治措施[J]. 露天采矿技术,2022,37(6):18-21. LYU You. Instability mechanism and preventive measures of high and steep slope deformation in open-pit mine[J]. Opencast Mining Technology,2022,37(6):18-21.
[4] 杨勇,张忠政,胡军,等. 基于随机权重法改进PSO−ELM的露天矿边坡稳定性分析[J]. 有色金属工程,2022,12(5):128-134. DOI: 10.3969/j.issn.2095-1744.2022.05.016 YANG Yong,ZHANG Zhongzheng,HU Jun,et al. Slope stability analysis of open-pit mine based on improved PSO-ELM with random weight method[J]. Nonferrous Metals Engineering,2022,12(5):128-134. DOI: 10.3969/j.issn.2095-1744.2022.05.016
[5] 曹兰柱,王珍,王东,等. 露天矿滑坡预警理论与方法研究[J]. 中国安全科学学报,2017,27(3):163-168. CAO Lanzhu,WANG Zhen,WANG Dong,et al. Research on theory and method of landslide early warning in open-pit mine[J]. China Safety Science Journal,2017,27(3):163-168.
[6] YANG Yukun,ZHOU Wei,JISKANI I M,et al. Slope stability prediction method based on intelligent optimization and machine learning algorithms[J]. Sustainability,2023,15(2). DOI: 10.3390/su15021169.
[7] 李柱,谢锋. 渗流−应力耦合作用下露天矿边坡稳定性研究[J]. 工矿自动化,2018,44(12):83-88. LI Zhu,XIE Feng. Research on slope stability of open-pit mine under coupled seepage-stress[J]. Industry and Mine Automation,2018,44(12):83-88.
[8] 王文才,李俊鹏,王创业,等. 边帮煤采动影响下边坡变形演化特征及失稳形态分析[J]. 煤炭科学技术,2023,51(7):321-336. DOI: 10.13199/j.cnki.cst.2022-0593 WANG Wencai,LI Junpeng,WANG Chuangye,et al. Analysis of failure mode and deformation evolution characteristics and instability form of slopes under the influences of highwall mining[J]. Coal Science and Technology,2023,51(7):321-336. DOI: 10.13199/j.cnki.cst.2022-0593
[9] 刘善军,吴立新,毛亚纯,等. 天−空−地协同的露天矿边坡智能监测技术及典型应用[J]. 煤炭学报,2020,45(6):2265-2276. DOI: 10.13225/j.cnki.jccs.zn20.0362 LIU Shanjun,WU Lixin,MAO Yachun,et al. Spaceborne-airborne-ground collaborated intelligent monitoring on open-pit slope and its typical applications[J]. Journal of China Coal Society,2020,45(6):2265-2276. DOI: 10.13225/j.cnki.jccs.zn20.0362
[10] 王东,郭富宁,曹兰柱,等. 复合煤层露天矿软岩边坡参数逐阶段优化方法研究[J]. 煤炭科学技术,2019,47(10):75-80. DOI: 10.13199/j.cnki.cst.2019.10.008 WANG Dong,GUO Funing,CAO Lanzhu,et al. Study on stage-by-stage optimization method for slope parameters of soft rock open-pit mine in composite coal seam[J]. Coal Science and Technology,2019,47(10):75-80. DOI: 10.13199/j.cnki.cst.2019.10.008
[11] BAO Min,CHEN Zhonghui,ZHANG Lingfei,et al. Reliability analysis of prestressed anchors in rock slopes of open-pit mines[J]. Journal of Mountain Science,2022,19(7):2100-2110. DOI: 10.1007/s11629-021-7224-2
[12] 杨志勇,佟德君. 复杂地质条件下边坡参数优化及控制技术[J]. 露天采矿技术,2020,35(2):46-48,52. YANG Zhiyong,TONG Dejun. Slope parameters optimization and control technology under complex geological conditions[J]. Opencast Mining Technology,2020,35(2):46-48,52.
[13] 刘玉凤,马明. 顺层蠕滑型露天矿土质边坡滑距预测方法研究[J]. 煤炭科学技术,2019,47(11):84-89. LIU Yufeng,MA Ming. Study on prediction method for sliding distance of soil slope bedding creeping in open pit mine[J]. Coal Science and Technology,2019,47(11):84-89.
[14] 赵理想. 基于机器学习的露天煤矿边坡位移预测模型研究[D]. 徐州:中国矿业大学,2022. ZHAO Lixiang. Research on prediction model of surface coal mine slope displacement based on machine learning[D]. Xuzhou:China University of Mining and Technology,2022.
[15] 康恩胜,赵泽熙,孟海东. 基于EEMD−HW−PSO−ELM耦合模型的排土场边坡位移预测模型[J]. 黄金科学技术,2022,30(4):594-602. KANG Ensheng,ZHAO Zexi,MENG Haidong. Displacement prediction of dump slope based on EEMD-HW-PSO-ELM coupling model[J]. Gold Science and Technology,2022,30(4):594-602.
[16] 陈兰兰,杨雨云,肖海平,等. 基于GA−BP神经网络的露天矿边坡变形预测分析[J]. 有色金属科学与工程,2022,13(6):106-112. DOI: 10.13264/j.cnki.ysjskx.2022.06.014 CHEN Lanlan,YANG Yuyun,XIAO Haiping,et al. Prediction and analysis of open pit slope deformation based on a GA-BP neural network[J]. Nonferrous Metals Science and Engineering,2022,13(6):106-112. DOI: 10.13264/j.cnki.ysjskx.2022.06.014
[17] 张研,范聪,吴哲康,等. 基于PSO−RVM的矿山边坡变形量预测模型[J]. 金属矿山,2022(10):191-196. DOI: 10.19614/j.cnki.jsks.202210027 ZHANG Yan,FAN Cong,WU Zhekang,et al. Forecast model of mine slope deformation based on PSO-RVM[J]. Metal Mine,2022(10):191-196. DOI: 10.19614/j.cnki.jsks.202210027
[18] 金爱兵,张静辉,孙浩,等. 基于SSA−SVM的边坡失稳智能预测及预警模型[J]. 华中科技大学学报(自然科学版),2022,50(11):142-148. JIN Aibing,ZHANG Jinghui,SUN Hao,et al. Intelligent prediction and alert model of slope instability based on SSA-SVM[J]. Journal of Huazhong University of Science and Technology(Natural Science Edition),2022,50(11):142-148.
[19] 胡军,邱俊博,栾长庆,等. 基于IGWO−SVM的露天矿边坡变形预测[J]. 矿冶工程,2022,42(1):15-18. HU Jun,QIU Junbo,LUAN Changqing,et al. Deformation prediction based on IGWO-SVM for open-pit mine slopes[J]. Mining and Metallurgical Engineering,2022,42(1):15-18.
[20] 李达,瞿伟,张勤,等. 融合多层感知机和优化支持向量回归的滑坡位移预测模型[J]. 武汉大学学报(信息科学版),2023,48(8):1380-1388. LI Da,QU Wei,ZHANG Qin,et al. Landslide displacement prediction model integrating multi-layer perceptron and optimized support vector regression[J]. Geomatics and Information Science of Wuhan University,2023,48(8):1380-1388.
[21] 李建新. 基于小波支持向量机的边坡变形预测研究[D]. 南昌:江西理工大学,2020. LI Jianxin. Research on slope deformation prediction based on wavelet support vector machine[D]. Nanchang:Jiangxi University of Science and Technology,2020.
[22] DEWI S K,UTAMA D M. A new hybrid whale optimization algorithm for green vehicle routing problem[J]. Systems Science & Control Engineering,2021,9(1):61-72.
[23] CHOPRA N,ANSARI M M. Golden jackal optimization:a novel nature-inspired optimizer for engineering applications[J]. Expert Systems with Applications,2022,198. DOI: 10.1016/j.eswa.2022.116924.
[24] YUAN Chao,MOAYEDI H. The performance of six neural-evolutionary classification techniques combined with multi-layer perception in two-layered cohesive slope stability analysis and failure recognition[J]. Engineering with Computers,2020,36:1705-1714. DOI: 10.1007/s00366-019-00791-4
[25] RATHER S A,BALA P S. A hybrid constriction coefficient-based particle swarm optimization and gravitational search algorithm for training multi-layer perceptron[J]. International Journal of Intelligent Computing and Cybernetics,2020,13(2):129-165. DOI: 10.1108/IJICC-09-2019-0105
[26] SAFARZADEH A,ZAJI A H,BONAKDARI H. 3D flow simulation of straight groynes using hybrid DE-based artificial intelligence methods[J]. Soft Computing,2019,23:3757-3777. DOI: 10.1007/s00500-018-3037-9
[27] 孙华芬. 尖山磷矿边坡监测及预测预报研究[D]. 昆明:昆明理工大学,2014. SUN Huafen. Research on monitoring and forecasting of Jianshan Phosphate Mine slope[D]. Kunming:Kunming University of Science and Technology,2014.
计量
- 文章访问数: 947
- HTML全文浏览量: 59
- PDF下载量: 37
