System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于工程安全,涉及一种基于特征匹配度和异类子模型融合的安全性评估方法。
技术介绍
1、煤矿开采工程处于地表深处,一旦发生危险,营救任务十分困难,因此安全开采煤矿重中之重。要保证煤矿开采工程的安全不仅要关注开采环境的安全,还要关注附近地表的安全。而地表安全指标之一是煤矿开采引起的沉陷值。具体来说,煤矿开采必然伴随着发生围岩及地表移动和变形。当地表沉陷值超过最大可承受范围时,不仅煤矿开采工人的生命受到威胁,并且当地的环境也会受到破坏。因此,能够准确对沉陷值做出预测,对煤矿开采工程具有重要意义。
2、目前,基于机器学习的方法在煤矿开采工程中作为一种新的安全性评估方法引入。基于机器学习的安全评估模型将沉陷值作为输出,隧道设计参数、地质条件参数和施工相关参数三类影响参数作为输入。传统方法所建立的单一模型拟合对象间的输入输出关系时很容易受到数据量、数据格式、模型结构等影响,导致这个模型在解决某个问题的能力上比较出色,而在解决其他问题时,结果却不尽如人意。与单一模型相比,融合模型对复杂系统全局特性的描述更为全面。
技术实现思路
1、本专利技术提出了一种新的复杂工程施工安全评估方法,实现对模型的融合,获得更为准确的安全评估模型,能够优化和处理煤矿挖掘安全评估中单一模型易受诸多因素干扰导致拟合程度较差的问题。
2、本专利技术包括以下各步骤:
3、步骤(1)利用传感器,收集多组煤矿采掘数据,构建数据集;
4、其中,输入包括以下数据:隧道参数、地
5、输出为:矿井沉陷值;
6、步骤(2)采集得到的多组数据,将前80%的数据划分为训练集dt,后20%的数据划分为测试集dv;
7、步骤(3)将训练集dt按照输出值的大小排序,划分为k个子数据集,并且使用k个子数据集训练机器学习模型得到k个子模型;
8、步骤(4)计算测试数据和子模型之间的匹配度和平均匹配度
9、
10、步骤(5)根据步骤(4)计算得到的平均匹配度计算子模型权重wq,k。
11、步骤(6)根据模型权重,融合子模型产生的多个子输出并作为预测结果输出yq;
12、步骤(7)使用测试数据集进行测试,对测试数据集的预测准确性进行验证。
13、本专利技术的有益效果:
14、一、本专利技术通过对特征匹配度和异类子模型融合的方法,相对于多样本单模型、少样本单模型和传统的多模型方法和基于机器学习的方法,能够更加准确对煤矿开采工程进行安全评估。
15、二、本专利技术通过对将多个不同的子模型进行融合,充分集成各子模型所能提供的有效信息,减少和分散单一模型的预测误差,可以提高模型的预测精度和泛化能力。
本文档来自技高网...【技术保护点】
1.基于特征匹配度和异类子模型融合的安全性评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于特征匹配度和异类子模型融合的安全性评估方法,其特征在于,所述步骤3具体过程如下:
3.根据权利要求2所述的基于特征匹配度和异类子模型融合的安全性评估方法,其特征在于,3.1中所述子数据集之间没有交集,任何数据属于一个且仅属于一个子数据集。
4.根据权利要求2所述的基于特征匹配度和异类子模型融合的安全性评估方法,其特征在于,3.3中所述K个子模型均不相同。
5.根据权利要求2所述的基于特征匹配度和异类子模型融合的安全性评估方法,其特征在于,步骤4具体过程如下:
6.根据权利要求5所述的基于特征匹配度和异类子模型融合的安全性评估方法,其特征在于,步骤4具体过程如下:
【技术特征摘要】
1.基于特征匹配度和异类子模型融合的安全性评估方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于特征匹配度和异类子模型融合的安全性评估方法,其特征在于,所述步骤3具体过程如下:
3.根据权利要求2所述的基于特征匹配度和异类子模型融合的安全性评估方法,其特征在于,3.1中所述子数据集之间没有交集,任何数据属于一个且仅属于一个子数据集...
【专利技术属性】
技术研发人员:常雷雷,张云硕,施凡,徐晓滨,曹友,侯平智,张泽辉,徐晓健,马枫,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。