【文章內(nèi)容簡介】 Frequency IDentification）技術(shù)，是自動(dòng)識(shí)別技術(shù)的一種，又稱電子標(biāo)簽、無線射頻識(shí)別。通過射頻信號(hào)及其空間耦合和傳輸特性進(jìn)行的非接觸雙向通信，實(shí)現(xiàn)物體的自動(dòng)識(shí)別，進(jìn)行相關(guān)數(shù)據(jù)的讀寫[36]。常用的技術(shù)有高頻、低頻、超高頻等。RFID系統(tǒng)有兩部分組成，分別是閱讀器(reader)和標(biāo)簽(tag)。Tag是用來存儲(chǔ)物體對(duì)象的相關(guān)信息，其被安裝在物體上，tag與物體對(duì)象是對(duì)應(yīng)的關(guān)系。Reader由天線、耦合元件、芯片等組成，通過電磁場來讀取存儲(chǔ)在tag中的信息的設(shè)備。RFID具有非接觸識(shí)別、數(shù)據(jù)讀取快、安全性高等特點(diǎn)。RFID讀寫器也分移動(dòng)式的和固定式，RFID技術(shù)應(yīng)用十分廣泛，如門禁系統(tǒng)、交通監(jiān)控、環(huán)境監(jiān)測等。傳感技術(shù)所謂傳感技術(shù)就是結(jié)合多跳自組織傳感器網(wǎng)絡(luò)，各個(gè)傳感器間相互協(xié)作感知，采集網(wǎng)絡(luò)中物體的信息 [37]。對(duì)現(xiàn)實(shí)世界的感知是通過傳感器收集物體的物理、化學(xué)、生物量的轉(zhuǎn)換來實(shí)現(xiàn)的。傳感節(jié)點(diǎn)作為傳感網(wǎng)的四個(gè)基本對(duì)象實(shí)體之一，其它三個(gè)分別為：目標(biāo)、感知物體和匯聚節(jié)點(diǎn)，是傳感網(wǎng)的基礎(chǔ)組成部分，具有傳輸、匯聚、處理信息的能力。無線傳感網(wǎng)絡(luò)就是有分布密集的傳感節(jié)點(diǎn)組成，以無線通信的方式形成的多跳自組織網(wǎng)絡(luò)。具有兩大特征：第一傳感節(jié)點(diǎn)布局具有隨機(jī)性；第二，節(jié)點(diǎn)之間具有良好的協(xié)作特征[38]。無線傳感網(wǎng)絡(luò)的目的是自動(dòng)感知物體、處理信息，并將采集的信息實(shí)時(shí)發(fā)送給用戶/數(shù)據(jù)管理中心[39]。其整體架構(gòu)結(jié)構(gòu)圖如23所示。圖23 無線傳感節(jié)點(diǎn)結(jié)構(gòu)無線傳感網(wǎng)絡(luò)具有部署方便、無線、獨(dú)立工作、容錯(cuò)性高、擴(kuò)展性好、覆蓋區(qū)域廣等優(yōu)點(diǎn)，可以實(shí)現(xiàn)多個(gè)目標(biāo)區(qū)域物體的實(shí)時(shí)、聯(lián)合監(jiān)測，將數(shù)據(jù)信息傳遞到外部網(wǎng)絡(luò)，提供給需求用戶。網(wǎng)絡(luò)通信技術(shù)信息可靠、安全的傳輸由網(wǎng)絡(luò)通信技術(shù)來實(shí)現(xiàn)，并通過網(wǎng)絡(luò)通信技術(shù)進(jìn)行信息與控制信息的雙向傳遞。物聯(lián)網(wǎng)的網(wǎng)絡(luò)有互聯(lián)網(wǎng)、通信網(wǎng)和廣電網(wǎng)，按照傳輸介質(zhì)分為無線、有線技術(shù)。前者較常用的有CDMA、ZigBee、GPRS等，本節(jié)將概述ZigBee的體系結(jié)構(gòu)。ZigBee技術(shù)由ZigBee聯(lián)盟(美國摩托羅拉公司、英國Invensys公司、日本三菱電氣公司等)于2002年共同研究開發(fā)出來的，具有開發(fā)簡便、成本低、功耗低等特點(diǎn)的短距離通信技術(shù)。該技術(shù)體系結(jié)構(gòu)是分層進(jìn)行量化的，主要有四層結(jié)構(gòu)，分別是：應(yīng)用層、網(wǎng)絡(luò)層、媒體控制層和物理層[40]，每一層完成任務(wù)需上層提供服務(wù)。如圖24所示。圖24ZigBee 協(xié)議體系機(jī)構(gòu)ZigBee協(xié)議規(guī)定的節(jié)點(diǎn)有終端設(shè)備、路由器和協(xié)調(diào)器等三種類型。第一種類型選用精簡功能設(shè)備(Reduced Function Device,RFD)，而后兩種類型選用全功能設(shè)備(Full Function Device, FFD)。其中FFD存儲(chǔ)空間大、資源豐富，RFD相對(duì)資源少、存儲(chǔ)空間小。ZigBee 按照一定拓?fù)浣Y(jié)構(gòu)進(jìn)行通信，目前有三種拓?fù)漕愋?，分別是：星狀、樹狀和網(wǎng)狀網(wǎng)絡(luò)[41]，如圖25所示。圖25ZigBee三種網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)星狀網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)中的其他設(shè)備均與協(xié)調(diào)器交互，其結(jié)構(gòu)簡單，沒有路由實(shí)現(xiàn)的作用，通常適用于區(qū)域范圍較小的場景；作為星狀網(wǎng)絡(luò)的延伸的樹狀網(wǎng)絡(luò)，網(wǎng)絡(luò)中節(jié)點(diǎn)分工清晰，規(guī)模大，是一種廣義的星形拓?fù)?，適用于中性網(wǎng)絡(luò)；網(wǎng)狀網(wǎng)絡(luò)的核心是協(xié)調(diào)器，拓?fù)浣Y(jié)構(gòu)復(fù)雜，每個(gè)設(shè)備都具有路由功能，具有抗干擾、自愈能力強(qiáng)等特點(diǎn)。智能技術(shù)物聯(lián)網(wǎng)中的對(duì)象越多，獲取信息就越多，存儲(chǔ)的數(shù)據(jù)信息量就越大。如何處理這些數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行加工，挖掘有用的信息，進(jìn)行人工操作時(shí)不現(xiàn)實(shí)的，需要通過智能化平臺(tái)進(jìn)行分析處理，綜合運(yùn)行數(shù)據(jù)庫技術(shù)、數(shù)據(jù)挖掘技術(shù)、云計(jì)算技術(shù)等智能技術(shù)，對(duì)采集的數(shù)據(jù)進(jìn)行處理，提取有價(jià)值的決策信息，實(shí)現(xiàn)對(duì)物聯(lián)網(wǎng)中對(duì)象的實(shí)時(shí)智能管理。 本章小結(jié)本章主要闡述了物聯(lián)網(wǎng)的概念、體系結(jié)構(gòu)、設(shè)計(jì)原則和關(guān)鍵技術(shù)，在關(guān)鍵技術(shù)中，重點(diǎn)介紹了無線傳感網(wǎng)絡(luò)技術(shù)和ZigBee技術(shù)。第三章數(shù)據(jù)挖掘在煤礦井下環(huán)境監(jiān)測系統(tǒng)中的應(yīng)用煤礦井下環(huán)境監(jiān)測數(shù)據(jù)呈海量級(jí)增加，對(duì)數(shù)據(jù)的處理與分析，傳統(tǒng)方法效率低，也不能滿足需要。文章提出用數(shù)據(jù)挖掘技術(shù)進(jìn)行煤礦井下環(huán)境監(jiān)測區(qū)域的危險(xiǎn)等級(jí)的劃分，首先利用模糊聚類方法，劃分不同的區(qū)域，然后利用模糊評(píng)判方法，評(píng)價(jià)監(jiān)測區(qū)域的危險(xiǎn)等級(jí)。 數(shù)據(jù)挖掘技術(shù)概述隨著計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的發(fā)展，數(shù)據(jù)采集和存儲(chǔ)技術(shù)的快速進(jìn)步，導(dǎo)致數(shù)據(jù)信息迅速膨脹，面對(duì)的不僅僅是局限在于一個(gè)區(qū)域、行業(yè)、或部門的數(shù)據(jù)，而是數(shù)據(jù)海洋。海量數(shù)據(jù)中，有價(jià)值信息的提取，將對(duì)企業(yè)的發(fā)展至關(guān)重要。如何從這些海量信息中提取有用的有價(jià)值的信息，“數(shù)據(jù)豐富”（data rich）而“知識(shí)貧乏”（knowledge poor）[42]這一問題一直以來困擾著許多大型企業(yè)和公司。人們對(duì)這一問題研究的深入，就形成了數(shù)據(jù)挖掘技術(shù)這一學(xué)科。數(shù)據(jù)挖掘是一門涉及數(shù)據(jù)庫技術(shù)、人工智能、統(tǒng)計(jì)學(xué)等多學(xué)科的技術(shù)，發(fā)展過程[43]如表 所示：表21 數(shù)據(jù)挖掘發(fā)展過程時(shí)間進(jìn)化階段特點(diǎn)主要生產(chǎn)廠家20世紀(jì)60年代數(shù)據(jù)搜索靜態(tài)歷史數(shù)據(jù)IBM、CDC20世紀(jì)80年代數(shù)據(jù)訪問動(dòng)態(tài)訪問歷史數(shù)據(jù)IBM、Microsoft20世紀(jì)90年代數(shù)據(jù)倉庫各層次提供回溯的動(dòng)態(tài)歷史數(shù)據(jù)Arbor、Microstrategy現(xiàn)階段數(shù)據(jù)挖掘提供預(yù)測信息IBM、Pilot等 數(shù)據(jù)挖掘的定義數(shù)據(jù)挖掘（Data Mining ,DM），就是從數(shù)據(jù)中搜索數(shù)據(jù)，發(fā)現(xiàn)和挖掘知識(shí)。它和數(shù)據(jù)庫知識(shí)發(fā)現(xiàn)（Knowledge Discovery in Databases ,KDD）密切相關(guān)，是KDD的有效手段和過程之一。隨著研究的不斷深入，數(shù)據(jù)挖掘的定義從20世紀(jì)80年代以來，一直在完善?，F(xiàn)階段，全世界公認(rèn)的數(shù)據(jù)挖掘的定義是由Fayyad等[44]提出的。數(shù)據(jù)挖掘是從現(xiàn)有的巨量數(shù)據(jù)中提取有價(jià)值的、隱含的知識(shí)，并對(duì)這些知識(shí)進(jìn)行科學(xué)的分析、歸納和推理，提出一種新的模式，以便對(duì)未知進(jìn)行決策和預(yù)測。從機(jī)器學(xué)習(xí)的過程來看，DM是從現(xiàn)有大量數(shù)據(jù)中挖掘隱含的有用信息；從數(shù)據(jù)庫的角度來看，數(shù)據(jù)挖掘就是從數(shù)據(jù)庫出發(fā)，根據(jù)現(xiàn)有存儲(chǔ)的海量信息進(jìn)行發(fā)現(xiàn)有用知識(shí)的過程。比較通用的DM的理解是，從現(xiàn)有的大量數(shù)據(jù)中，同時(shí)這些數(shù)據(jù)具有量大、模糊、隨機(jī)、不完全等特征，挖掘出隱藏其中的、未知的有價(jià)值知識(shí)，并提供給用戶或數(shù)據(jù)使用者的過程。 數(shù)據(jù)挖掘的功能數(shù)據(jù)挖掘的任務(wù)是從數(shù)據(jù)庫中自動(dòng)發(fā)現(xiàn)模式，對(duì)未來的趨勢和行為進(jìn)行預(yù)測，給用戶或者數(shù)據(jù)擁有者提供決策支持。在實(shí)際應(yīng)用中，數(shù)據(jù)挖掘具有分類、關(guān)聯(lián)分析、自動(dòng)預(yù)測行為、聚類、概念描述、偏差檢測等功能[45]。(1)分類分類是找出一個(gè)類別的概念描述，具有相同的對(duì)象屬性和特征，在數(shù)據(jù)挖掘中應(yīng)用最多，是對(duì)該類的內(nèi)涵描述。分類的方法有一下幾種：神經(jīng)網(wǎng)絡(luò)、決策樹方、貝葉斯方等。首先根據(jù)訓(xùn)練數(shù)據(jù)集，建立組類的數(shù)據(jù)的模型，然后用模型對(duì)未知對(duì)象類進(jìn)行劃分。(2)關(guān)聯(lián)分析關(guān)聯(lián)分析就是分析至少兩個(gè)變量，從中發(fā)現(xiàn)可能出現(xiàn)的規(guī)律，是發(fā)現(xiàn)知識(shí)的一類重要方法。數(shù)據(jù)關(guān)聯(lián)即從數(shù)據(jù)庫中發(fā)現(xiàn)隱含的知識(shí)，主要包括：簡單關(guān)聯(lián)、時(shí)序關(guān)聯(lián)和因果關(guān)聯(lián)。關(guān)聯(lián)規(guī)則A=B就是滿足A中條件的數(shù)據(jù)多半也同時(shí)滿足B中條件。(3)自動(dòng)預(yù)測行為數(shù)據(jù)挖掘能從海量數(shù)據(jù)中提取具有潛在價(jià)值的知識(shí)和信息，給用戶或企業(yè)管理者的科學(xué)決策提供重要的數(shù)據(jù)支持，傳統(tǒng)的分析都是在表層的，無法進(jìn)行深入的挖掘分析。其中市場的預(yù)測就使用數(shù)據(jù)挖掘技術(shù)，進(jìn)行海量市場相關(guān)數(shù)據(jù)自動(dòng)搜索，提取信息，進(jìn)行分析歸納，為用戶的最后決策提供有價(jià)值的信息。 (4)聚類概念聚類技術(shù)[46]最早在20世紀(jì)80年代初由Mchalski提出，該技術(shù)同時(shí)考慮劃分出的內(nèi)涵描述的類和對(duì)象間的距離，打破了傳統(tǒng)聚類技術(shù)的局限。聚類就是將數(shù)據(jù)分成多個(gè)簇或者類，同一簇中對(duì)象相似度高，不同簇中對(duì)象差別大；是概念描述和偏差分析的先決條件。聚類的方法包括：神經(jīng)網(wǎng)絡(luò)法、機(jī)器學(xué)習(xí)法等等。通過聚類提高對(duì)現(xiàn)實(shí)世界的認(rèn)識(shí)，聚類分析應(yīng)用廣泛，有圖像處理、環(huán)境分析等。(5) 概念描述和偏差檢測概念描述就是對(duì)對(duì)象的屬性特征進(jìn)行概括，有特征性和區(qū)別性描述。前者描述的是相同特征，關(guān)注的是對(duì)象中的共性；后者描述的是對(duì)象間的區(qū)別。偏差檢測就是一種對(duì)數(shù)據(jù)庫中的存在的不符合數(shù)據(jù)一般特性的異常數(shù)據(jù)進(jìn)行檢測技術(shù)。常用的方法是在參照值和檢測結(jié)果間找差異數(shù)據(jù)，需要處理模型預(yù)測值和檢測值的偏差、數(shù)據(jù)變異、和檢測異常等隱含的信息。 數(shù)據(jù)挖掘的過程數(shù)據(jù)挖掘是一個(gè)挖掘潛在有用知識(shí)的過程，挖掘出達(dá)到預(yù)期目標(biāo)的過程是十分復(fù)雜的，不僅僅是對(duì)信息的簡單過濾或繼承，具有各自實(shí)現(xiàn)的步驟，進(jìn)行數(shù)據(jù)的刪選、歸納和分析等一系列操作，與現(xiàn)實(shí)中某一具體問題有著密切的聯(lián)系。從技術(shù)的角度來看，數(shù)據(jù)挖掘過程主要有以下幾個(gè)階段，分別是：確定對(duì)象、數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)倉庫、建立模型、挖掘數(shù)據(jù)、及評(píng)價(jià)等。過程描述如圖所示 [47]。 圖26 數(shù)據(jù)挖掘過程圖36表示了如何從最初的原始基礎(chǔ)數(shù)據(jù)獲取知識(shí)的過程，經(jīng)歷的主要步驟如下：理解數(shù)據(jù)、準(zhǔn)備數(shù)據(jù)、建立、評(píng)價(jià)數(shù)據(jù)挖掘模型和獲取結(jié)果。（1）理解數(shù)據(jù)數(shù)據(jù)挖掘最終是要獲取知識(shí)，給用戶提供決策支持。只有在挖掘開始前，對(duì)所要挖掘的對(duì)象、對(duì)象所在環(huán)境、用戶需求等做出明確的認(rèn)識(shí)，對(duì)要進(jìn)行挖掘的數(shù)據(jù)進(jìn)行詳細(xì)正確的理解，才可以使用數(shù)據(jù)挖掘技術(shù)挖掘數(shù)據(jù)。（2）準(zhǔn)備數(shù)據(jù)準(zhǔn)備數(shù)據(jù)階段進(jìn)行數(shù)據(jù)的梳理工作，主要包括數(shù)據(jù)的整理，分類，并將梳理好的數(shù)據(jù)按照一定的格式存儲(chǔ)，為后階段進(jìn)行挖掘做好準(zhǔn)備。（3）建立、評(píng)價(jià)數(shù)據(jù)挖掘模型針對(duì)準(zhǔn)備數(shù)據(jù)階段存儲(chǔ)的數(shù)據(jù)，建立數(shù)據(jù)挖掘模型，需要滿足現(xiàn)實(shí)需求。接著對(duì)多建立的模型進(jìn)行評(píng)價(jià)，選擇數(shù)據(jù)挖掘技術(shù)，采用發(fā)現(xiàn)的模式對(duì)所建立的模型進(jìn)行評(píng)估，評(píng)估過程可以使用之前的數(shù)據(jù)，也可使用新數(shù)據(jù)。根據(jù)評(píng)估結(jié)果對(duì)模型進(jìn)行完善，最終找出一個(gè)最適合的模型。（4）獲取結(jié)果挖掘結(jié)果的解釋工作是數(shù)據(jù)挖掘的最后階段，結(jié)果為用戶或者數(shù)據(jù)擁有者提供決策支持。 數(shù)據(jù)挖掘的主要方法常見的數(shù)據(jù)挖掘的主要方法有[48]：關(guān)聯(lián)規(guī)則挖掘法、聚類分析方法、神經(jīng)網(wǎng)絡(luò)、概念描述法等。在進(jìn)行挖掘的過程中，往往將幾種發(fā)發(fā)結(jié)合在一起使用，而不是采用一種。（1）關(guān)聯(lián)規(guī)則挖掘算法關(guān)聯(lián)規(guī)則描述的是對(duì)象間具有的關(guān)系的規(guī)律性，Apriori算法是關(guān)聯(lián)規(guī)則挖掘算法中有效的一種，是一種挖掘關(guān)聯(lián)規(guī)則的頻繁項(xiàng)集算法，通過分析和挖掘數(shù)據(jù)的關(guān)聯(lián)性，挖掘出信息在決策過程中具有重要價(jià)值。例如，確信度為85%的關(guān)聯(lián)規(guī)則page22頁面page63頁面，表明85%的用戶在訪問了page22頁面的同時(shí)也訪問了page63頁面。（2）聚類分析方法聚類分析方法是對(duì)數(shù)據(jù)對(duì)象的屬性特征進(jìn)行劃分，通常利用相似度函數(shù)進(jìn)行劃分對(duì)象間的相似性和差異性。每個(gè)類可以表示成一個(gè)簇，簇內(nèi)對(duì)象都具有相同的屬性特征，而不同簇中的對(duì)象差別很大。（3）神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）,主要針對(duì)大量關(guān)系復(fù)雜的數(shù)據(jù)，通過調(diào)整大量節(jié)點(diǎn)間的相互關(guān)系，進(jìn)行信息處理，是一種模擬人的神經(jīng)元功能，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。ANN建立在人腦對(duì)客觀世界認(rèn)知的基礎(chǔ)上，依靠系統(tǒng)的復(fù)雜程度，進(jìn)行信息的提取。（4）概念描述法概念描述(Concept Description，CD)，作為數(shù)據(jù)挖掘的最基本描述方式，有比較和特征化兩種。通過對(duì)現(xiàn)實(shí)對(duì)象的搜集、分析、歸納，并概括出數(shù)據(jù)的相關(guān)特性來實(shí)現(xiàn)的。常見的表現(xiàn)形式有：散列圖、餅圖、曲線等。以上介紹了數(shù)據(jù)挖掘的主要方法及特點(diǎn)，在進(jìn)行數(shù)據(jù)挖掘前，需要選擇合適的數(shù)據(jù)挖掘方法，從實(shí)際情況和需要解決的問題出發(fā)，仔細(xì)分析對(duì)象數(shù)據(jù)，結(jié)合數(shù)據(jù)挖掘各種方法的優(yōu)缺點(diǎn)，確定最合適的挖掘方法。 數(shù)據(jù)挖掘的意義及應(yīng)用數(shù)據(jù)挖掘技術(shù)在各種領(lǐng)域的應(yīng)用十分廣泛，具有大量數(shù)據(jù)分析需求，涉及零售業(yè)、銀行、企業(yè)決策、航空、環(huán)境等領(lǐng)域，具有重要的實(shí)用價(jià)值，將會(huì)產(chǎn)生巨大的社會(huì)和經(jīng)濟(jì)效益。隨著有關(guān)學(xué)科的不斷發(fā)展，數(shù)據(jù)挖掘技術(shù)不僅可以發(fā)現(xiàn)行業(yè)內(nèi)的潛在的有價(jià)值的新規(guī)律，還可以檢驗(yàn)長期形成的知識(shí)模式。數(shù)據(jù)挖掘技術(shù)也能夠不斷完善自己的理論基礎(chǔ)，為了使其在各行各業(yè)的有效使用。在不久的將來，數(shù)據(jù)挖掘技術(shù)將會(huì)為行業(yè)的發(fā)展起到重要的推進(jìn)作用，幫助行業(yè)發(fā)現(xiàn)未來的發(fā)展趨勢，增強(qiáng)企業(yè)在世界范圍內(nèi)的市場競爭力。 煤礦井下環(huán)境的數(shù)據(jù)挖掘煤礦井下環(huán)境監(jiān)測是對(duì)井下溫濕度、瓦斯、一氧化碳等環(huán)境參數(shù)進(jìn)行實(shí)時(shí)監(jiān)測，數(shù)據(jù)信息是呈海量級(jí)的。利益?zhèn)鹘y(tǒng)人工的方法分析數(shù)據(jù)中的有價(jià)值信息是不現(xiàn)實(shí)的，因此本文采用數(shù)據(jù)挖掘技術(shù)進(jìn)行對(duì)監(jiān)測環(huán)境參數(shù)數(shù)據(jù)進(jìn)行挖掘，并對(duì)井下開采區(qū)域的環(huán)境區(qū)域進(jìn)行危險(xiǎn)等級(jí)區(qū)分，提供智能化的信息處理，為煤礦安全生產(chǎn)工作提供保障。 井下環(huán)境模糊聚類分析根據(jù)煤礦井下環(huán)境監(jiān)測到的環(huán)境參數(shù)值，采用數(shù)據(jù)挖掘中聚類算法，實(shí)現(xiàn)對(duì)監(jiān)測區(qū)域進(jìn)行聚類。聚類分析是實(shí)現(xiàn)數(shù)據(jù)分組處理的主要方法，按照某種相似準(zhǔn)則將特征空間中沒有類別標(biāo)記的矢量劃分到子集中去，使得正規(guī)化的子集和聚類的數(shù)據(jù)類型代表整個(gè)樣本集的某些屬性特征[49]。由于現(xiàn)實(shí)中的待處理對(duì)象沒有嚴(yán)格的類屬，而傳統(tǒng)聚類方法是將待處理的對(duì)象嚴(yán)格劃分到某個(gè)類中，其隸屬度非0就是1，在劃分過程中違背了類和對(duì)象的關(guān)系。模糊聚類分析就是在此背景下被提出的，能更好的反應(yīng)現(xiàn)實(shí)中的現(xiàn)象，具有客觀、靈活等特點(diǎn)。模糊聚類分析是依據(jù)現(xiàn)實(shí)世界中的相似性、事物的親疏度對(duì)被處理對(duì)象進(jìn)行分類。模糊聚類算法把煤礦井下環(huán)境監(jiān)測點(diǎn)分成不同的類，同一類中的環(huán)境質(zhì)量相似度高，不同類中環(huán)境監(jiān)測點(diǎn)相似度低，井下不同環(huán)境監(jiān)測區(qū)域的危險(xiǎn)程度不同，最終實(shí)現(xiàn)對(duì)井下監(jiān)測區(qū)域的劃分。模糊聚類分析的具體實(shí)現(xiàn)過程如下：STEP1 數(shù)據(jù)表示在進(jìn)行聚類分析之前，首先需要選擇數(shù)據(jù)表示模型—數(shù)據(jù)矩陣。假設(shè)煤礦井下環(huán)境監(jiān)測點(diǎn)的數(shù)據(jù)對(duì)象為，一個(gè)監(jiān)測點(diǎn)有一個(gè)數(shù)據(jù)對(duì)象表示，每個(gè)對(duì)象有屬性(監(jiān)測指標(biāo)數(shù)據(jù))，數(shù)據(jù)對(duì)象個(gè)數(shù)為(監(jiān)測點(diǎn))，即，表示第數(shù)據(jù)對(duì)象為的第個(gè)屬性，則數(shù)據(jù)矩陣可以表示為式31： (31)STEP2 數(shù)據(jù)正規(guī)化由于煤礦井下環(huán)境監(jiān)測指標(biāo)數(shù)據(jù)的單位度量標(biāo)準(zhǔn)不統(tǒng)一，數(shù)值差異較大，若直接使用檢測參數(shù)數(shù)據(jù)進(jìn)行聚類分析，會(huì)造成聚類結(jié)果誤差大。為了消除不同量綱的影響，對(duì)象屬性在聚類的權(quán)重一致，原始數(shù)據(jù)的正規(guī)化處理步驟至關(guān)重要