1.一种基于反绎学习的矿井安全态势协作感知系统，其特征在于，包括数据采集模块、数据处理模块、机器学习模块、逻辑推理模块以及机器学习与逻辑推理融合模块：所述数据采集模块与数据处理模块连接，用于根据布设在矿井安全生产过程中环境和巡检机器人中的传感器采集的感知数据构建矿井安全态势等级评估的感知数据集，并将感知数据集发送给数据处理模块；

所述数据处理模块分别与机器学习模块和逻辑推理模块连接，用于依赖于专家经验以及先验知识结合知识库确定用于评估矿井安全态势等级的特征参数，通过自动地构建新的特征，将原始感知数据集转换为一组具有明显统计意义的核心特征数据集，并分别发送给机器学习模块和逻辑推理模块；

所述机器学习模块用于将经过处理的感知数据输入到不同模态的子神经网络中，并将各个模态的子神经网络的预测结果进行整合和融合得到最终的整体决策，再将整体决策输入到矿井安全态势等级评估预训练模型中，最终构建数据驱动的安全态势感知模型，然后依据训练特征产生数据驱动的矿井安全态势等级评估结果，最后将矿井安全态势等级评估结果发送给机器学习与逻辑推理融合模块；

所述矿井安全态势等级评估预训练模型采用变分自动编码器；

所述逻辑推理模块用于依赖于专家经验以及先验知识确定用于矿井安全态势等级评估的依据，并以一阶谓词逻辑的形式进行抽象化表达，形成专家知识库，再基于模糊逻辑算法对知识库和历史数据的分析和推理构建知识驱动的安全态势逻辑推理模型，然后依据训练特征产生知识驱动的矿井安全态势等级评估结果，并将矿井安全态势等级评估结果发送给机器学习与逻辑推理融合模块；

所述机器学习与逻辑推理融合模块分别与机器学习模块和逻辑推理模块连接，用于综合考虑逻辑推理、机器学习特性，对两者的可信度进行建模，用于基于机器学习模块中神经网络的预测结果产生伪标签，用于利用逻辑推理模块的结果对伪标签进行矫正，对矿井安全态势等级评估预训练模型进行更新，最终构建形成基于反绎学习的矿井安全态势协作感知系统。

2.一种基于反绎学习的矿井安全态势协作感知方法，采用如权利要求1所述的一种基于反绎学习的矿井安全态势协作感知系统，其特征在于，包括如下步骤：步骤一：首先，通过数据采集模块利用布设在矿井安全生产过程中环境和巡检机器人中的传感器采集感知数据，并构建形成矿井安全态势等级评估的感知数据集；

其次，先通过数据处理模块对感知数据集进行去噪、归一化以及异常值处理，再分析煤矿安全生产的影响因素，同时，结合典型事故的原因分析，通过知识抽取、融合、加工的步骤，构建用于评估矿井安全态势等级的特征参数，采集未标记的特征参数形成训练数据集；

步骤二：结合矿井典型安全事故成因分析、矿井安全生产标准和矿井生产全流程，收集判断矿井安全态势等级的相关数据，以一阶谓词逻辑的形式进行抽象化表达，形成专家知识库；再利用基于模糊逻辑算法的矿井安全态势逻辑推理策略将煤矿安全态势等级进行划分，具体划分为低风险、一般风险、中等风险、重大风险和特大风险五个等级；

具体步骤为：

A1:引入神经网络作为逻辑公式中的谓词，将深度学习与软硬逻辑约束相结合，允许使用多个神经网络以及充分纳入约束和关系信息，这里，每一条逻辑规则语句通过一个映射函数O映射为一个实值：O(y, x, gnn(xnn,wnn)) ‑> R；

其中，x为逻辑语句中的观测变量，y为目标变量，gnn为神经网络，xnn和wnn分别为神经网络的输入和模型参数；

T

A2:每条逻辑规则语句设置一个权重w，最终的能量函数E = w [O(y, x, gnn(xnn,Twnn))] ‑> R，其中w 是每条逻辑语句权重组成向量的转置，[O(y, x, gnn(xnn,wnn))]是每条逻辑语句映射实值组成的向量；

A3:能量函数E的实值的所在区间将煤矿安全态势等级划分为：低风险、一般风险、中等风险、重大风险和特大风险；

步骤三：取步骤一中的数据集的少部分做人工标注记为S，用于对矿井安全态势等级评估预训练模型进行有监督训练形成初始分类器C，剩下无标注的数据集记为S’；

步骤四：将S’数据集中的数据输入初始分类器C进行预测，得到每个数据的伪标签；

步骤五：将步骤四中获得的每个数据的伪标签与逻辑推理模块输出的结果进行比较，最小化不一致性，通过反绎学习框架获得该数据的反绎标签，将该数据和反绎标签加入数据集S并进行相应的替换，形成新的数据集S；

最小化不一致性的策略过程如下：

将神经网络预测的伪标签与逻辑推理获得的结果进行比较，若神经网络预测的安全态势等级与逻辑推理邻近，则保留该标签，若不邻近，则以逻辑推理结果为准，将伪标签修正为逻辑推理结果，最后，将该标签作为反绎标签及其对应的数据加入数据集并进行相应的替换；具体步骤为：S1:将机器学习模块中神经网络的预测结果与逻辑推理模块的逻辑推理结果相比较；

S2:设置阈值，并基于机器学习模块中神经网络的预测结果产生伪标签，若神经网络的预测结果与逻辑推理结果的差值没有超过阈值，保留神经网络的预测结果，否则，以逻辑推理结果替换伪标签；

S3:将S2中得到的标签作为反绎标签，将该反绎标签及其对应的数据加入数据集并进行相应的替换，重新训练矿井安全态势等级评估预训练模型；

步骤六：将步骤五中获得的新数据集S用于分类器C的训练，并且更新模型参数，形成新的分类器C，再将新数据集S输入C进行预测，重复步骤五过程；

步骤七：不断循环步骤六的过程，直到不需要最小化不一致性或者机器学习模型达到收敛，停止循环后，构建出最终的矿井安全态势等级评估模型。