河北工业大学 人工智能与数据科学学院, 天津 300401
露天矿山台阶爆破后矿岩的平均块度是衡量爆破质量的重要指标。早期研究主要依靠经验公式总结、岩体力学模型计算等方法, 这些方法存在准确率不够、主观性强等缺点。近期, 机器学习算法应用于块度预测, 但基本通过专家经验选用固定的特征来进行预测且预测稳定性不足, 泛化能力差。针对以上缺点, 提出一种基于特征工程的极端梯度提升树(XGBoost)爆破块度预测模型。以太原袁家村铁矿为研究区, 采集近半年的爆破数据作为原始数据, 综合考虑影响平均块度的各方面因素。首先使用随机森林(RF)的袋外估计和互信息(MI)两种方法分别进行特征选择, 其次将不同方法选择的特征子集集成并利用特征之间的互信息进行去冗余, 最后以MSE的值为评价指标选出最优特征子集表征爆破, 完成基于数据驱动的特征选择。更进一步, 在最优特征子集上采用XGBoost 算法进行块度预测, 通过均方误差(MSE)、平均绝对误差(MAE)两个指标构成模型的评价体系将文章所提方法与其他传统机器学习算法进行对比。对比结果表明:文章提出方法比传统机器学习算法的预测准确率更高, 可以为爆破的管理与控制提供科学指导。
随机森林 互信息 Xgboost模型 平均块度 random forest mutual information XGBoost-model average lumpiness
1 武汉理工大学,资源与环境工程学院,武汉 430070
2 矿物资源加工与环境湖北省重点实验室, 武汉 430070
3 武汉理工大学,安全科学与应急管理学院, 武汉 430070
针对小样本条件下使用机器学习方法预测岩石爆破块度存在的数据利用率不足, 预测精度存在浮动较大的问题。将留一法(LOO)与极限梯度提升(XGboost)算法结合, 利用Python 3.7构建LOO-XGboost岩石爆破块度预测模型, 选取31组爆破数据进行LOO-XGboost模型训练与预测, 通过调用不同参数, 得到模型的最优内置参数如下：求解方式为树模型, 学习率为0.30, 决策树数量为50, 决策树最大迭代深度为3, 叶子节点最小样本数为3, 随机采样比例为0.8。将预测结果与同条件下的支持向量机回归(SVR)、BP神经网络(BPNN)、随机森林(RF)模型以及10折交叉验证下的XGboost模型进行对比, 对比结果为LOO-XGboost模型预测精度明显高于其他4种模型, 其相关系数、均方根误差、平均绝对误差分别为0.9128、0.0587、0.0342。结果表明：LOO-XGboost模型既保证了小样本情况下的数据利用率, 又提高了预测精度, 适合应用于岩石爆破块度预测。
岩石块度 LOO-XGboost模型 小样本预测 模型对比 rock fragmentation LOO-XGboost model small sample prediction model comparison Python 3.7 Python 3.7
华中光电技术研究所-武汉光电国家研究中心, 湖北 武汉 430223
分析了PFSM的迟滞非线性特性和蠕变特性对控制精度的影响, 提出将XGBoost模型应用于PFSM的动态迟滞非线性特征建模。通过提取PFSM的加压历史特征, 有效地解决了迟滞非线性中数据一对多的问题, 提取的特征包括电压的电压值、变化频率、变化方向、电压增量、历史局部极大值与局部极小值和时间间隔等。仿真结果表明, 此模型可以对迟滞非线性特性和蠕变特性有较好的拟合效果, 相对于静态PI模型, 拟合精度提高了约40 μrand。同时具有模型参数容易识别、易移植到嵌入式芯片等优点。该动态迟滞非线性特征建模方法有理论意义和实用价值。
压电式快速倾斜镜 XGBoost模型 迟滞特性 蠕变特性 特征提取 piezoelectric fast steering mirror XGBoost model hysteresis nonlinear characteristics creep characteristics feature extraction
