-
题名基于集成学习强化BPNN的掘进工作面温度预测模型
- 1
-
-
作者
马恒
张世龙
高科
-
机构
辽宁工程技术大学安全科学与工程学院
-
出处
《工矿自动化》
2025年第8期88-94,158,共8页
-
基金
国家自然科学基金项目(52074148)。
-
文摘
针对现有掘进工作面温度预测方法存在预测模型泛化性不强、鲁棒性较差,且对非线性多维数据的预测能力有限的问题,提出了一种基于集成学习强化反向传播神经网络(BPNN)的掘进工作面温度预测模型,即t−SNE−BPNN−AdaBoost。首先采用t−分布随机邻域嵌入(t−SNE)非线性降维技术,将通风机前风量、温度、相对湿度等7项高维特征降至3维,保留数据局部结构并去除噪声。然后将降维数据输入BPNN作为基分类器,经迭代训练得到初步模型。最后通过自适应推进算法(AdaBoost)集成学习,迭代训练多个BPNN弱分类器并加权组合为强分类器,增强模型泛化能力。将60组掘进工作面实测数据按8∶2划分为训练集与测试集,经5折交叉验证确定AdaBoost最优弱学习器数量为30。实验结果表明:①t−SNE−BPNN−AdaBoost预测曲线和真实值贴合度最优,整体误差小,在温度突变区段适应力强,稳定性远超SVM,BPNN和t−SNE−BPNN。②t−SNE−BPNN−AdaBoost的预测相对误差最小,几乎在5%以内,表现出最优的预测精度。③在测试集上,t−SNE−BPNN−AdaBoost的决定系数为0.9784,较SVM,BPNN,t−SNE−BPNN分别提高了60.3%,17.2%,8.1%;平均绝对误差为0.1676,均方误差为0.0567,平均绝对百分比误差为0.9640,指标均显著优于SVM,BPNN和t−SNE−BPNN,在温度突变区段适应性更强。
-
关键词
掘进工作面温度预测
t−分布随机邻域嵌入
BP神经网络
t−SNE
自适应推进算法
AdaBoost集成学习
5折交叉验证
-
Keywords
tunneling face temperature prediction
t-Distributed Stochastic Neighbor Embedding
BP neural network
t-SNE
Adaptive Boosting
AdaBoost ensemble learning
5-fold cross-validation
-
分类号
TD727
[矿业工程]
-
