一种基于数据增强的神经网络的爆破块度预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113868943A(43)申请公布日2021.12.31(21)申请号202111077800.X(22)申请日2021.09.15(71)申请人中铁十九局集团矿业投资有限公司地址100161北京市丰台区风荷曲苑2号楼(72)发明人王挥云于洋王继野彭飞赵鑫(74)专利代理机构贵阳春秋知识产权代理事务所(普通合伙)52109代理人李剑(51)Int.Cl.G06F30/27(2020.01)G06N3/00(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图3页(54)发明名称一种基于数据增强的神经网络的爆破块度预测方法(57)摘要本发明公开了一种基于数据增强的神经网络的爆破块度预测方法，包括：采集某地区矿山爆破产生的数据；利用特征工程选择重要的爆破特征；建立神经网络模型；基于数据增强、参数优化方法建模和分析。本专利提出基于随机森林、皮尔逊相关系数相结合的方法进行特征筛选，该方法不仅保留了和目标值特性相关性较强的特征，而且克服了随机森林对关联特征重要性度量不稳定的缺点；采用数据增强的方法，在训练过程中以K折交叉验证为基本框架，每一折交叉验证的过程中，仅对训练数据进行数据增强，验证集保持不变，保证了模型学习更多更充分的样本，增强了模型的鲁棒性。本发明克进一步提高了爆破块预测的准确性和可靠性。CN113868943ACN113868943A权利要求书1/2页1.一种基于数据增强的爆破块度预测方法，其特征在于，包括以下步骤：步骤一获取爆破特征数据：原始数据采集，数据预处理，包括：数据清理、统计、校正得出原始爆破特征数据集A；步骤二爆破数据特征筛选2.1随机森林特征选择用随机森林方法对原始特征数据集A筛选特征得到重要特征数据集M，可表示为，其中x表示特征；2.2皮尔逊相关系数法特征选择利用Pearson相关系数计算特征集合A中的特征值与目标值之间相关性，筛选出与目标值具有强相关的特征集合N,记作为.取特征集合U=MN作为新的重要特征集合U，表示为；2.3特征工程方法融合取特征集合U=MN，采用Pearson相关系数计算特征集合A中各个特征之间的相关性，若特征,且、具有较强线性相关性，则删除其中一个特征，由于随机森林方法对关联特征的评估不稳定容易造成重要特征的丢失，若且与N中多个特征具有强线性关系，则删除，保留N中多个特征，经过调整后，最终获得特征集合，不仅包含了与目标值具有线性和非线性关系的特征，还避免了单独使用随机森林方法造成的重要关联特征丢失；步骤三神经网络建模和模型调优构建神经网络需要考虑网络层数，输入层节点的数量，隐含层节点的数量，输出层节点的数量，每层输出函数的选择以及训练函数的选取；输入层节点的数量由上述特征工程融合法获得爆破影响因素集合决定了输入层节点个数；(2)输出层节点数选取平均块度X50作为输出层参数来反映爆破的效果；(3)网络层数目、隐含层节点数目选取神经网络的网络层数据和隐含节点数目还没有一个具体的规定，本专利在确定神经网络的输入、输出之后，利用MSE作为评价指标，选择使MSE最小的隐层个数和隐层节点数作为网络层个数，该过程使用了网格搜索方法；（5）神经网络建模和模型调优本专利神经网络的分为网络1和网络2的构建；第一步：基于K折交叉验证使用数据增强的方法对网络1进行模型构建和调优；记引入的特征数据集为，和获取的中的特征不可能保持完全一致；选择和中相同的特征作为输入1，采用k折交叉验证的方式，将中属于输入1的特征数据集划分为k份，轮流合并其中k‑1份作为训练集，将与训练集合并，中剩下的一份作为验证集，重复该过程k遍，完成k个网络1的训练，保留网络参数；2CN113868943A权利要求书2/2页第二步：构建神经网络2单独使用数据集，使用网络1的参数初始化网络2中和网络1相同的结构部分，引入中其他特征作为输入2，结合网络1的结果完成网络2的训练和预测；步骤四模型验证与评估；将本专利训练得到的模型参数保存，相同矿山或地质结构的数据作为输入，利用训练好的模型，完成对矿山爆破块度的预测。3CN113868943A说明书1/8页一种基于数据增强的神经网络的爆破块度预测方法技术领域[0001]本发明涉及工程爆破技术领域，特别是一种基于数据增强的神经网络的爆破块度预测方法。背景技术[0002]爆破在矿上生产中的地位十分重要。其中爆破块度是定量评价爆破质量的重要指标,因此对岩体爆破块度的研究具有重要的实际意义。为了减少爆破施工的成本，增加爆破施工的成功率，利用机器学习方法预先预测出不同参数所产生的爆破块度范围，能有效降低矿山开采的成本，因此构建出具有较强泛化能力的预测模型是亟待解决的问题。[0003]早期爆破块度模型的构建主