为及时自动发现煤矿瓦斯和煤尘爆炸并报警，为事故应急救援赢得宝贵时间，提出了一种基于互补集合经验模态分解(CEEMD)分量样本熵与支持向量机(SVM)分类的煤矿瓦斯和煤尘爆炸声音识别方法：1)在重点监测区域设置矿用拾音器，实时采集环境与设备工作声音；2)使用CEEMD对采集到的声音进行分解，对每个分量求样本熵，构成该声音的特征量，输入到SVM中建立煤矿瓦斯和煤尘爆炸识别模型；3)通过CEEMD对待测声音分解提取特征量，输入训练好的模型中进行识别分类；4)实验验证。首先，通过信号分解实验得到：与自适应噪声完全集合经验模态分解(CEEMDAN)及集合经验模态分解(EEMD)相比，CEEMD算法更适合本方法要求。其次，通过相似性和相关系数实验得到：CEEMD算法分解模态分量与原信号的相似性和相关性，确定选择前9阶模态分量(IMF)作为声音信号提取特征量的对象；通过分析IMF10和残余分量IMF11的频谱图，取前9阶模态分量，可去除低频本征干扰。最后，将声音信号特征量输入SVM、BP神经网络和相似性测度中做比对研究，实验结果表明：SVM识别分类器的准确率为85%,比BP神经网络和相似性测度分别高13%和22%,整体识别性能高于BP神经网络和相似性测度。

国家重点研发计划项目(2016YFC0801800)；

1 基于CEEMD分量样本熵与SVM分类的煤矿瓦斯和煤尘爆炸声音识别方法
1.1 工作原理
1.2 CEEMD分解
1.3 样本熵
1.4 支持向量机识别算法
2 数据分析与实验结果
2.1 实验数据采集
2.2 CEEMDAN、CEEMD和EEMD算法分解结果比对
2.3 特征提取
2.4 基于SVM的识别模型
3 结论与展望

孙继平,余星辰.基于CEEMD分量样本熵与SVM分类的煤矿瓦斯和煤尘爆炸声音识别方法[J].采矿与安全工程学报,2022,39(05):1061-1070.DOI:10.13545/j.cnki.jmse.2022.0073.