0 引言
由于我国富煤、贫油、少气的客观条件，要实现经济高质量发展，必须保证煤炭资源持续供应[1]。煤炭工业是支持我国经济发展的重要力量，科学、有效的监测与预警是安全生产的基础。在煤炭生产过程中，对煤矿进行实时监测和异常预警可以在很大程度上降低事故的发生率，保证煤矿的安全生产。随着科学技术的发展与革新，煤矿科技保障能力得到明显提升，煤矿安全监测与预警技术也得到了迅速发展。基于“智慧矿山”基本内涵与建设要求，煤矿安全监测与预警逐渐向着“智能监测、精准预警、科学防治”的方向发展[2]。
目前，煤矿井下大多使用相互独立、功能单一的安全监测控制系统进行瓦斯浓度监测、采空区煤火监测、矿尘监测、地质水害监测、冲击地压监测等，这些独立系统无法满足煤矿安全生产全过程跟踪管理要求，因此，基于物联网的煤矿安全监测技术得以发展[3]。煤矿生产从机械化到智能化的发展历程中，监测技术也在不断发展革新，监测系统信息化、智能化水平逐渐提升，产生了大量的数据资料，这为煤矿企业能够依靠大量数据对监测信息智能分析奠定了基础[4]。煤矿监测智能化依赖物联网、云计算、大数据和人工智能等新兴技术，对大量监测数据进行信息采集、存储和挖掘，从智能感知、实时监测层面改进煤矿智能监测技术，进而保证在安全生产的前提下实现自动监测、智能预警[5-6]。
经过多年努力，我国煤矿智能监测技术在不断发展完善，为矿山事故预防做出了重大贡献。本文综述了煤矿智能监测与预警技术的研究现状，分析了现有智能监测与预警技术存在的问题，并对其今后的发展趋势进行了展望。
1 研究现状
目前，国内外学者在煤矿智能监测技术方面开展了一系列研究，智能监测技术在煤矿生产领域的应用也取得了很大的进展。在煤矿监测技术的智能化发展进程中，数据采集和传输依赖物联网，数据处理和挖掘依靠云计算和大数据技术，机器的学习和自适应通过人工智能技术实现。它们均属于智能化发展范畴，是层层递进又相互促进、相互发展的关系[7]，三者的关系如图1所示。本文将从物联网、大数据和云计算以及人工智能3个方面对煤矿智能监测预警技术的研究现状进行阐述。
1.1 基于物联网的煤矿监测技术研究
由于井下设备之间无线传输的不稳定性及矿井电气防爆要求高，使得地面物联网技术难以在井下直接运用[8]。所以，针对煤矿井下的特殊环境和安全生产需要，基于物联网的煤矿监测技术不断发展。王军号等[9]研究了基于物联网感知层的数据融合技术，实现了井下多源数据信息交叉融合，为监测数据采集、传输稳定性及可靠性提供了理论依据。朱晓娟等[10]提出了前向纠错(FEC)的丢包恢复策略，在多跳网络中依赖很少的数据便可在很大程度上恢复丢包，节点重传率得以降低，为前兆信息全面、及时采集与传输奠定了基础。黄彩梅等[11]应用射频识别(RFID)技术，并结合ZigBee无线通信技术开发了煤矿无线定位与智能监测系统，为井下实时监测与智能控制提供了技术支持。陈珍萍等[12]对井下物联网路由节点采用占空比(DC)休眠机制，使节点能耗降低，提高了前端信息感知设备的生存周期，确保了安全监测的稳定性和续航能力。J.B.Wan等[13]通过物联网技术将光纤光栅(Fiber Bragg Grating,FBG)技术与Internet集成，提高了煤矿监测系统效能，实现了煤矿井下实时安全监测和信息共享。P.K.Mishra等[14]运用物联网技术开发了井下多模无线传感平台，应用无线传感器网络(WSN)和IP网关等拓宽了煤矿物联网技术的发展，使煤矿物联网监测技术日趋成熟。
图1 物联网、大数据和云计算、人工智能的关系
Fig.1 Relationships between Internet of things, big data, cloud computing and artificial intelligence
从目前基于物联网的煤矿监测技术的发展现状以及矿井监测实际情况可以发现，煤矿物联网监测依托多种异构传感器实现了井下复杂时空环境多源信息感知。但由于井下前端感知设备及技术发展不成熟，应用多种异构传感设备采集井下多源前兆信息存在信息不全面、采集不及时的问题，限制了煤矿物联网监测监控技术的进一步发展。
1.2 基于大数据、云计算的煤矿监测与预警技术研究
国内外学者借助云计算、大数据挖掘技术对煤矿海量监测数据进行分析处理，拓展了煤矿监测数据库，推动了煤矿智能监测与预警技术的发展。裴忠民等[15]结合大数据、云计算与煤矿信息化技术，提出了煤矿物联网一体化信息平台构想，为煤矿监测与预警系统集成化、信息化发展提供了方向。马小平等[16]提出了具有预警功能、并将矿井监测参数集成化的煤矿安全监测系统，为煤矿监测预警技术的信息化发展提供了理论指导。李光荣等[17]设计了煤矿风险信息预控云平台，改善了监测系统信息单一、子系统集成化程度低、融合度差等问题，为煤矿风险预控发展提供了技术支持。曹允钦[18]以数据采集和挖掘技术为支撑，开发了煤矿安全生产动态诊断和辅助决策软件系统，促进了安全监测与预警信息化和智能化的发展。刘晓悦等[19]提出了一种基于云计算的遗传优化Elman神经网络模型，可对煤矿瓦斯浓度进行短期预测，为煤矿安全监测与预警提供了新的思路。郑林江等[20]提出了煤矿粉尘监测云服务模式，构建了井下粉尘大数据中心，开发了粉尘监测云服务应用平台，为煤矿其他参数监测与预警指明了方向。J.B. Wan等[21]基于Arduino传感器、物联网和云计算技术，采集矿山多种环境参数监测信息，分析各类前兆信息，实现了瓦斯预测和预警功能。Zhigang Yan等[22]对监测数据进行分析挖掘，将3D地球科学仿真和云计算技术相结合，建立了矿井突水水源监测控制云服务平台，实现了矿井突水动态预警功能。
根据目前基于大数据、云计算的煤矿监测与预警技术的发展现状可以发现，大多数煤矿的监测与预警系统集中在单一应用点、单一层面，对云端大数据分析平台应用多技术互相融合、协同发展的研究较少，且大多数仅停留在理论层面，导致煤矿瓦斯、火灾等监测子系统协同性较差，不利于挖掘监测数据的深层价值。
1.3 基于人工智能的煤矿监测与预警技术研究
当前，煤矿监测与预警技术依托机器人、语音视频交互、三维可视化、虚拟现实和专家系统等各项技术虽已取得了很大的进步，但人工智能技术的利用还停留在初期阶段，基于人工智能的煤矿智能监测技术发展不够全面。曾峰等[23]应用模糊神经网络原理，对井下不同温度时不同气体成分进行了分析模拟，设计了自适应电子鼻，可对不同气味进行不断学习，提高了井下多源气体监测及预测的准确性。付华等[24]应用单隐含层前馈神经网络原理，分析了主成分分析法和改进的极限学习机的优缺点，提出了煤与瓦斯突出预测模型，为预防煤与瓦斯突出事故提供了理论指导。范志忠等[25]应用人工智能自学习技术，提出了矿压数据智能自学习系统，结合岩层分布图同步反演岩层断裂、失稳、新结构形成等状态，实现了顶板大面积来压的预测与预警。卢万杰等[26]应用人工智能神经网络原理构建了深度学习算法，建立了煤矿设备类型识别模型，为矿用巡检机器人提供了参考。董丽丽等[27]针对煤矿突水问题，应用长短时记忆(LSTM)神经网络原理，提出了煤矿突水预测模型，将突水实例数据作为样本数据对模型进行训练，实现了煤矿突水预测与预警。谢嘉成等[28]融合了虚拟现实、大数据、云计算等技术，提出了煤矿虚拟监测监控技术，实现了矿井监测系统智能人机交互，拓宽了矿井监测预警技术的发展空间。来文豪等[29]应用人工智能无监督学习技术，结合激光诱导荧光技术和聚类算法(DBSCAN)，提出了矿井突水光谱识别方法，不仅可以快速识别突水来源，还可有效降低未知水源的误识别，进一步推动了监测与预警技术的发展。
从目前基于人工智能的煤矿智能监测与预警技术的发展现状可以看出，煤矿从自动化向智能化的发展历程中，急需提升煤矿井下监测预警设备深度学习、强化学习及自适应能力，以满足矿山安全态势感知、监测信息共享等需求。
2 存在的问题
目前，我国煤矿智能监测与预警技术虽已取得很大进展，但仍然存在诸多问题。
(1) 前兆信息采集可靠性差。煤矿物联网依赖多种异构传感器实现井下复杂时空环境多源信息感知。受限于井下传感检测技术的灵敏性及可靠度，目前井下多种气体前兆信息采集存在浓度检测精度低、调校周期短等问题。井下多源前兆信息采集不全面、不及时限制了煤矿物联网监测监控技术的进一步发展。
(2) 云端平台集成应用融合深度不够。目前已有的监测预警系统一般只适应于某个监测子系统，对基于大数据、云计算技术的监测预警一体化平台及多技术深度交叉融合缺乏系统性研究，同时此类研究大多集中在理论层面，平台建设的实践研究较少，导致煤矿监测系统协同性较差，对云平台应用大量井下多源监测数据实现深层次数据信息挖掘具有不利影响。
(3) 监测系统数据库安全性较弱。随着智能监测技术的不断发展，煤矿智能监测系统趋于复杂化，同时产生了海量的监测数据，煤矿数据库安全成为必须要考虑的问题。目前煤矿监测数据库管理系统往往由单一机构进行管理和维护，由于中央管理模式的局限性，监测数据传输和访问的安全性不能得到很好的保障[30]。
(4) 人工智能技术在煤矿监测中的应用尚不成熟。现阶段,煤矿智能监测与预警技术还处于人工智能的初级阶段，运用物联网、云计算、大数据挖掘等技术，使矿山局部初步具备了被观察和感知的能力，通过数据分析处理实现智能判断与预测功能，但矿山监测设备缺少深度学习以及自适应能力，限制了矿山安全态势感知、监测信息共享体系化协同等技术的发展。
3 发展趋势
传感技术、控制技术、新材料技术、人工智能技术的快速发展，为煤矿智能监测与预警系统的研发提供了各种技术支持，由于煤矿井下复杂时空环境多源信息变化规律不明确，煤矿智能监测与预警系统还需在技术上不断提升，主要发展趋势如下：
(1) 石墨烯/氧化石墨烯光纤传感器的应用。多年以来，光纤传感器在气体检测等方面的应用广泛[31]，能够实现特定空间内连续稳定监测[32]。实验发现，引入石墨烯及其衍生材料，不仅可以对光波导器件感光区增敏，还可以防止离子体共振(SPR)传感器金属层被氧化。应用石墨烯的光纤传感器，信息采集灵敏性将得到极大提升，可以有效提高前兆信息采集灵敏度及可靠性。煤矿智能监测系统应用基于石墨烯/氧化石墨烯的光纤传感器实现多源信息感知，可提升前兆信息采集的可靠性。
(2) 多技术的深度交叉融合。物联网技术可以大幅扩大监测数据的来源，云计算技术可以实现海量监测数据分布式存储，大数据技术可以对庞大的数据资源进行分析处理，挖掘更深层次的内在价值，系统的煤矿监测可以提供监测数据的结构化组织形式。对云端大数据分析平台应用多技术深度交叉融合，不仅可以实现监测数据的积累、存储、管理及运用，还可以提高煤矿监测系统各子系统的工作协同性，进而使各子系统的效能可以充分体现[33]。研究多技术深度交叉融合技术，以探究监测数据的深层价值，是煤矿智能监测与预警技术的发展趋势之一。
(3) 区块链技术在煤矿监测数据库中的应用。监测数据应用区块链技术便于数据的验证与存储，依赖分布式算法生成和更新数据，运用密码学方法保护监测数据传输和访问安全，使区块链数据库具备防篡改、去中心化的特性。现在已提出一种可查询且防篡改的区块链数据库，这种数据库可以保证数据不可篡改的同时具有较好的读写性能[34]。传统数据库和区块链数据库的特点比较见表1。构建基于区块链技术的煤矿监测数据库是今后煤矿监测系统数据库的发展趋势之一。
(4) 人工智能技术应用。随着科技的发展，人工智能技术也有了很大的进展，如今AlphaGo Lee、AlphaGo Zero等人工智能软件运用深度学习、强化学习技术在围棋对弈领域不断刷新记录，说明人工智能技术使机器获得深度学习、自适应能力已经成为可能[35]。随着煤矿监测设备的机器学习以及自适应等智能化能力的不断提升，矿山安全态势感知、监测信息共享体系化协同将会进一步发展，井下异常事件联动与处置机制也会趋于智能化，煤矿智能监测预警技术将会逐渐成熟。研发具备自适应和深度学习的煤矿智能安全监测预警系统是未来煤矿监测与预警技术发展的一种趋势。
表1 传统数据库与区块链数据库特点比较
Table 1 Characteristics comparison of traditional database and blockchain database
数据库服务模式存储方式操作方式数据存储透明程度接入条件传统数据库中心化中央式增、删、改、查保存某阶段数据私密有严格的权限等级区块链数据库去中心化分布式增、读历史数据永久保存公开可验证无需授权即可接入
4 结语
现阶段煤矿监测与预警技术研究已取得一定进展，为煤矿灾害事故的预防做出了突出贡献。为了适应煤矿安全监测与事故预警的需求，今后可从物联网、大数据、云计算以及人工智能技术的深度融合，石墨烯/氧化石墨烯光纤传感器的应用，以及通过区块链数据库技术保证煤矿监测数据安全等方面进行进一步研究。全面提升煤矿监测系统的智能化、信息化水平，实现矿井自动监测、智能预警，对矿山事故预防有重要的指导意义和实用价值。
[1] 滕吉文,乔勇虎,宋鹏汉.我国煤炭需求、探查潜力与高效利用分析[J].地球物理学报, 2016,59(12):4633-4653.
TENG Jiwen, QIAO Yonghu, SONG Penghan. Analysis of exploration,potential reserves and high efficient utilization of coal in China[J].Chinese Journal of Geophysics,2016,59(12):4633-4653.
[2] 王国法,刘峰,庞义辉,等.煤矿智能化——煤炭工业高质量发展的核心技术支撑[J].煤炭学报,2019,44(2):349-357.
WANG Guofa, LIU Feng, PANG Yihui, et al. Coal mine intellectualization: the core technology of high quality development[J].Journal of China Coal Society,2019,44(2):349-357.
[3] 孙继平.煤矿物联网特点与关键技术研究[J].煤炭学报,2011,36(1):167-171.
SUN Jiping. Research on characteristics and key technology in coal mine Internet of things[J]. Journal of China Coal Society, 2011,36(1):167-171.
[4] 丁恩杰,赵志凯.煤矿物联网研究现状及发展趋势[J].工矿自动化,2015,41(5):1-5.
DING Enjie, ZHAO Zhikai. Research advances and prospects of mine Internet of things[J].Industry and Mine Automation,2015,41(5):1-5.
[5] 郑学召,闫兴,崔嘉明,等.煤矿救灾机器人灾变环境侦测技术探讨[J].工矿自动化, 2019,45(10):29-32.
ZHENG Xuezhao,YAN Xing,CUI Jiaming, et al. Discussion on disaster environment detection technology of coal mine rescue robot[J].Industry and Mine Automation,2019,45(10):29-32.
[6] 马小平,代伟.大数据技术在煤炭工业中的研究现状与应用展望[J].工矿自动化,2018,44(1):50-54.
MA Xiaoping, DAI Wei. Research status and application prospect of big data technology in coal industry[J].Industry and Mine Automation,2018,44(1):50-54.
[7] 张彬,彭书桢,金知烨,等.“大智物云”时代数据治理国家战略比较分析——数据开放、网络安全保障与个人隐私保护[J].电子政务, 2019(6):100-112.
ZHANG Bin, PENG Shuzhen, JIN Zhiye, et al. Comparative analysis of national strategy of data governance in the age of "big data, AI, IOT, cloud computing": data open, network security and personal privacy protection [J]. E-Government,2019(6):100-112.
[8] 孙继平.煤矿物联网特点与关键技术研究[J].煤炭学报,2011,36(1):167-171.
SUN Jiping.Research on characteristics and key technology in coal mine Internet of things[J]. Journal of China Coal Society, 2011,36(1):167-171.
[9] 王军号,孟祥瑞.基于物联网感知的煤矿安全监测数据级融合研究[J].煤炭学报, 2012,37(8):1401-1407.
WANG Junhao, MENG Xiangrui. Reasearch on the data levels fusion of mine safe monitoring based on the perception of Internet of things[J].Journal of China Coal Society,2012,37(8):1401-1407.
[10] 朱晓娟,孙克雷.煤矿物联网中自适应FEC的丢包恢复研究[J].计算机工程与设计, 2012,33(8):2971-2975.
ZHU Xiaojuan, SUN Kelei. Research on packet loss recovery scheme based on adaptive FEC in coal mine Internet of things[J].Computer Engineering and Design,2012,33(8):2971-2975.
[11] 黄彩梅,辛乐,黄丹,等.基于物联网技术的煤矿定位与监测系统设计[J].传感器与微系统, 2013,32(10):77-79.
HUANG Caimei, XIN Le, HUANG Dan, et al. Design of positioning and monitoring system for coal mine based on Internet of things technology[J].Transducer and Microsystem Technologies,2013,32(10):77-79.
[12] 陈珍萍,黄友锐,唐超礼,等.占空比机制下煤矿井下物联网感知层时间同步[J].煤炭学报,2015,40(1):232-238.
CHEN Zhenping, HUANG Yourui, TANG Chaoli, et al. Underground coal mine IoTs perception layer time synchronization under duty-cycle mechanism[J].Journal of China Coal Society, 2015, 40(1): 232-238.
[13] WAN J B, ASAD K R M, SUNG L Y, et al. A fiber bragg grating-based condition monitoring and early damage detection system for the structural safety of underground coal mines using the Internet of things[J]. Journal of Sensors, 2018(3):1-16.
[14] MISHRA P K, KUMAR S, KUMAR M, et al. IoT based multimode sensing platform for underground coal mines[J].Wireless Personal Communications, 2019,108(2):1227-1242.
[15] 裴忠民,李波,徐硕,等.基于云计算的煤矿物联网一体化平台体系架构[J].煤炭科学技术, 2012,40(9):90-94.
PEI Zhongmin, LI Bo, XU Shuo, et al. Integrated platform system framework of mine Internet of things based on cloud computation[J].Coal Science and Technology,2012,40(9):90-94.
[16] 马小平,胡延军,缪燕子.物联网、大数据及云计算技术在煤矿安全生产中的应用研究[J].工矿自动化,2014,40(4):5-9.
MA Xiaoping, HU Yanjun, MIAO Yanzi. Application research of technologies of Internet of things, big data and cloud computing in coal mine safety production[J].Industry and Mine Automation,2014,40(4):5-9.
[17] 李光荣,田佩芳,刘海滨.煤矿安全风险预控管理信息化云平台设计[J].中国安全科学学报, 2014,24(2):138-144.
LI Guangrong, TIAN Peifang, LIU Haibin. Coal mine safety risk pre-control management cloud platform design[J].China Safety Science Journal, 2014,24(2):138-144.
[18] 曹允钦.基于云平台的煤矿安全动态诊断系统[J].中国安全生产科学技术,2016,12(增刊1):290-295.
CAO Yunqin.Dynamic diagnosis system of coal mine safety based on cloud platform[J].Journal of Safety Science and Technology,2016,12(S1):290-295.
[19] 刘晓悦,刘婉晴,郭强.基于云计算的煤矿瓦斯浓度短期预测[J].控制工程,2018,25(8):1364-1369.
LIU Xiaoyue, LIU Wanqing, GUO Qiang. Based on cloud computing of short-term prediction of coal mine gas concentration[J].Control Engineering of China,2018,25(8):1364-1369.
[20] 郑林江,周龙辉,王杰,等.基于物联网的煤矿粉尘监测云服务平台设计[J].煤炭科学技术, 2019,47(7):164-170.
ZHENG Linjiang, ZHOU Longhui, WANG Jie, et al. Design of coal mine dust monitoring cloud service platform based on Internet of things[J].Coal Science and Technology,2019,47(7):164-170.
[21] WAN J B, ASAD K R M, OMER J. Arduino-based intelligent gases monitoring and information sharing Internet-of-things system for underground coal mines[J]. Journal of Ambient Intelligence and Smart Environments, 2019,11(2):183-194.
[22] YAN Zhigang，HAN Jiazheng，YU Jieqing, et al. Water inrush sources monitoring and identification based on mine IoT[J]. Concurrency and Computation: Practice and Experience, 2018,31(2):1-8.
[23] 曾峰,赵国强,宋占魁.智能电子鼻对煤矿火灾预报气味识别的研究[J].传感器与微系统, 2010,29(7):21-23.
ZENG Feng, ZHAO Guoqiang, SONG Zhankui. Research on intelligent electronic nose for smell identification in coal fire forecast[J].Transducer and Microsystem Technologies,2010,29(7):21-23.
[24] 付华,李海霞,卢万杰,等.一种改进的极限学习机煤与瓦斯突出预测模型[J].传感技术学报,2016,29(1):69-74.
FU Hua, LI Haixia, LU Wanjie, et al. A prediction model of coal and gas outburst based on improved extreme learning machine[J].Chinese Journal of Sensors and Actuators,2016,29(1):69-74.
[25] 范志忠,潘黎明,徐刚,等.智能化高强度开采超长工作面围岩灾变预警技术[J].煤炭科学技术, 2019,47(10):125-130.
FAN Zhizhong, PAN Liming, XU Gang, et al. Early warning technology of surrounding rock in high-intensity mining of intelligent ultra-long working face[J].Coal Science and Technology,2019,47(10):125-130.
[26] 卢万杰,付华,赵洪瑞.基于深度学习算法的矿用巡检机器人设备识别[J].工程设计学报, 2019,26(5):527-533.
LU Wanjie, FU Hua, ZHAO Hongrui. Equipment recognition of mining patrol robot based on deep learning algorithm[J].Chinese Journal of Engineering Design,2019,26(5):527-533.
[27] 董丽丽,费城,张翔,等.基于LSTM神经网络的煤矿突水预测[J].煤田地质与勘探, 2019,47(2):137-143.
DONG Lili, FEI Cheng, ZHANG Xiang, et al. Coal mine water inrush prediction based on LSTM neural network[J].Coal Geology & Exploration, 2019,47(2):137-143.
[28] 谢嘉成,王学文,李祥,等.虚拟现实技术在煤矿领域的研究现状及展望[J].煤炭科学技术, 2019,47(3):53-59.
XIE Jiacheng, WANG Xuewen, LI Xiang, et al. Research status and prospect of virtual reality technology in field of coal mine[J].Coal Science and Technology,2019,47(3):53-59.
[29] 来文豪,周孟然,李大同,等.无监督学习AE和MVO-DBSCAN结合LIF在煤矿突水识别中的应用[J].光谱学与光谱分析,2019,39(8):2437-2442.
LAI Wenhao, ZHOU Mengran, LI Datong, et al. Application of unsupervised learning AE and MVO-DBSCAN combined with LIF in mine water inrush recognition[J].Spectroscopy and Spectral Analysis,2019,39(8):2437-2442.
[30] 于戈,牛保宁,金澈清.区块链数据管理专题前言[J].软件学报,2019,30(9):2569-2570.
YU Ge, NIU Baoning, JIN Cheqing. Foreword to blockchain data management [J].Journal of Software,2019,30(9):2569-2570.
[31] DENG D, FENG W, WEI J, et al. Trace hydrogen sulfide gas sensor based on tungsten sulfide membrane-coated thin-core fiber modal interferometer[J].Applied Surface Science,2017,423:492-497.
[32] 刘统玉,王兆伟,李振,等.光纤传感技术在煤矿瓦斯、火灾隐患监测预警中的应用研究进展[J].山东科学,2019,32(5):110-117.
LIU Tongyu, WANG Zhaowei, LI Zhen, et al. Advance of fiber optic sensors application for coal mine methane and fire hazards monitoring[J].Shandong Science,2019,32(5):110-117.
[33] 张云翼,林佳瑞,张建平.BIM与云、大数据、物联网等技术的集成应用现状与未来[J].图学学报,2018,39(5):806-816.
ZHANG Yunyi, LIN Jiarui, ZHANG Jianping. Present and future of integrated applications of BIM, cloud computing, big data and Internet of things[J].Journal of Graphics,2018,39(5):806-816.
[34] 焦通,申德荣,聂铁铮,等.区块链数据库:一种可查询且防篡改的数据库[J].软件学报, 2019,30(9):2671-2685.
JIAO Tong, SHEN Derong, NIE Tiezheng, et al. Blockchain DB: querable and immutable database[J].Journal of Software,2019,30(9):2671-2685.
[35] 唐振韬,邵坤,赵冬斌,等.深度强化学习进展:从AlphaGo到AlphaGo Zero[J].控制理论与应用, 2017,34(12):1529-1546.
TANG Zhentao, SHAO Kun, ZHAO Dongbin, et al. Recent progress of deep reinforcement learning: from AlphaGo to AlphaGo Zero[J]. Control Theory & Applications, 2017,34(12):1529-1546.