申请/专利权人：河南理工大学

申请日：2023-11-21

公开（公告）日：2024-02-23

公开（公告）号：CN117591957A

主分类号：G06F18/2415

分类号：G06F18/2415;G06F18/214;G06Q50/02;G06N3/006;G06N3/045;G06N3/047;G06N3/086;G06N3/126

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.12#实质审查的生效;2024.02.23#公开

摘要：本发明属于矿井突水水源识别技术领域，涉及一种基于MSDBO‑DBN‑ELM模型的矿井突水水源识别方法，包括采集水源数据，利用深度置信网络DBN模型对采样数据进行特征提取，利用极限学习机ELM替换深度置信网络DBN模型中的反向传播层进行分类，深入分析水化学特征与水源类别之间的相关性，提高模型的识别准确率，再利用镜像选择蜣螂搜索算法MSDBO对三层深度置信网络DBN模型和极限学习机ELM的隐藏层神经元个数进行寻优，利用得到的最优DBN‑ELM矿井突水水源识别模型进行水源预测分类。本发明可以增强水化学特征的强聚类效果，提高模型的收敛速度、全局搜索能力和预测性能，进而提高了对水源识别的效率和准确率。

主权项：1.一种基于MSDBO-DBN-ELM模型的矿井突水水源识别方法，其特征在于，包括以下步骤：S1：采集水源数据，选取各含水层的多个水样作为样本，以各含水层均有的离子作为矿井突水水源的判别指标，筛选出能代表含水层特征的M组标准水样，对选取的M组标准水样的样本数据进行归一化处理，得到归一化后的M＇组矿井突水水源样本数据；S2：利用受限玻尔兹曼机RBM逐层叠加建立三层深度置信网络DBN模型，然后利用极限学习机ELM模型对深度置信网络DBN模型的反向传播层进行替换，将进行归一化处理后的M＇组矿井突水水源样本数据中选取M1＇组样本数据作为训练集进行训练，并将剩余的M2＇组样本数据作为测试样本；将M1＇组样本数据输入深度置信网络DBN模型进行特征提取得到特征矩阵，将特征矩阵作为极限学习机ELM模型的输入变量，将对应的突水水源类型作为极限学习机ELM模型的输出目标，构建DBN-ELM矿井突水水源识别模型；S3：采用镜像选择蜣螂搜索算法对DBN-ELM矿井突水水源识别模型的隐藏层神经元个数进行整体寻优，使用10折交叉验证的平均准确率作为镜像选择蜣螂搜索算法的适应度函数，依据镜像选择蜣螂搜索算法在迭代过程中不断更新最终得到的全局最优解，确定DBN-ELM矿井突水水源识别模型的隐藏层神经元个数的组合，得到最优DBN-ELM矿井突水水源识别模型，记作MSDBO-DBN-ELM模型；S4：将测试样本输入训练得到的MSDBO-DBN-ELM模型进行水源预测分类。

全文数据：

权利要求：

百度查询： 河南理工大学 一种基于MSDBO-DBN-ELM模型的矿井突水水源识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD