申请/专利权人：昆明理工大学

申请日：2021-09-09

公开（公告）日：2024-04-26

公开（公告）号：CN113762394B

主分类号：G06F18/2431

分类号：G06F18/2431;G06Q10/04;G06Q50/02;G06F18/214;G06F18/27;G06N5/01;G06N20/20

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2021.12.24#实质审查的生效;2021.12.07#公开

摘要：本发明涉及一种爆破块度预测方法，属于爆破块度预测技术领域。本发明首先构建CART决策树模型；然后进行训练样本集重抽样；利用MATLAB脚本语言编写代码计算不同决策树树棵树Ntree与模型均方误差MSE之间关系；然后对决策树采用GINI系数作为属性分裂的标准，并基于这个标准选择节点；基于节点的训练集，得到不同的决策树，并最终生成第一层随机森林；依据第一层随机森林的训练残差，作为第二层随机森林的训练样本集，生成第二层随机森林；第一层随机森林模型与第二层随机森林模型的输出依次叠加，即可得到双层随机森林预测模型的最终输出，并依此预测爆破块度。本发明相比于传统预测方法具有更高的可靠性以及稳定性。

主权项：1.一种爆破块度预测方法，其特征在于：包括如下步骤：1形成训练数据集；2选择分裂节点；3生成第一层随机森林；4生成第二层随机森林；5第一层随机森林与第二层随机森林的输出依次叠加，得到双层随机森林预测模型的最终输出；所述步骤1包括如下步骤：Step1.1：将爆破试验实际测得的爆破平均块度值作为模型的输出变量，相应爆破试验场次采集到抵抗线距、钻孔排间距、台阶高度、钻孔直径、堵塞长度、岩体弹性模量、原位岩石块度、爆破单耗指标作为模型的输入变量，输出变量及输入变量组成训练数据集；Step1.2：使用Step1.1得来的数据集采用Bootstrap方法进行训练样本集重抽样，抽取m个数据样本，随机产生n个训练数据集的子集D，D＝{xb1,xb2,…,xbn,yb}b∈[1,m]；在Bootstrap数据集基础上采用Bagging方法进行随机有放回的选择训练数据，然后构造分类器，最后在通过组合学习后的模型来增加整体的采集效果；Step1.3：在各子集中使用决策树算法，根据基尼系数最小准则，选择最优方式进行节点分裂，分裂过程中不剪枝，设单棵决策树预测器fx，θk的预测结果为fix，则随机森林回归模型的最终预测结果表示为：式1定义了随机森林回归算法建模过程参数集RFP；式2用于进行基于随机森林回归的爆破块度预测；RFP＝{Ntree,Mtry}1 其中x表示输入向量，θk是表示生成每棵树生长路径的向量，Fx表示预测的爆破块度，Ntree为模型中决策树棵数，利用MATLAB脚本语言编写代码并进行不同决策树棵数Ntree与模型均方误差MSE之间关系仿真计算，Mtry为从特征中随机抽取的特征数目，Mtry值控制了随机森林模型属性的扰动程度，根据以下经验公式计算Mtry值：Mtry＝[log2M]3Mtry＝[M3]4式中：M为模型输入参数的数量；[]表示向下取整运算；所述步骤2包括如下步骤：Step2.1：采用二叉树形式决策树，利用二分递归将数据空间不断划分为不同子集，分类时，假设有K个类，则概率分布的基尼指数为： 其中，p表示样本点的概率，pj表示样本点属于第K类的概率；Step2.2：决策树采用GINI系数作为属性分裂的标准，选择基尼系数最低的特征作为根节点，以此类推，选择其余特征基尼系数最小的作为叶节点；Step2.3：根据训练数据集，从根节点开始，递归地对每个节点进行步骤3，构建二叉决策树；所述步骤3包括如下步骤：Step3.1：子集D根据特征A是否取某一值a被分割成两部分；Step3.2：对每一个特征A，对其每个取值a，根据样本点对A＝a的测试为“是”或“否”将D分割成D1和D2两部分，计算A＝a时的基尼指数；在所有特征A以及所有切分点a中，选择基尼指数最小的切分点作为切分点，依最优特征与最优切分点，从现切分点生成两个子节点，将训练数据集依特征分配到两个叶节点中去；Step3.3：对两个叶节点递归地调用Step2.3到Step3.2；Step3.4：重复步骤3.1到3.3，得到不同决策树，每棵决策树由上而下递归分枝生长，满足分割终止条件后回归树停止生长，最后将所有回归树组合在一起，构成随机森林；Step3.5：将预测集X中的输入向量x输入到第一层随机森林中，对单棵回归树Ti的预测值使用简单平均法求算术平均值；所述步骤4包括如下步骤：Step4.1：计算第一层随机森林在训练样本集上的输出用训练样本的实际值yi减去输出值即可得到训练残差将训练残差代入原训练样本中构建一个新的数据集作为第二层随机森林的训练样本，使其输入为xi，期望输出为Step4.2：因Step4.1所得训练残差数值太小，故训练残差需经进行归一化处理： 式中：lin为原始输入数据；lmin为原始输入数据中同类数据的最小；lmax为原始输入数据中同类数据的最大值；l为归一化处理之后的输入数据，归一化处理后组成第二层随机森林的训练数据集；Step4.3：按照Step1.1到Step4.1建立第二层随机森林模型，得到第二层随机森林模型的预测结果。

全文数据：

权利要求：

百度查询： 昆明理工大学 一种爆破块度预测方法

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