买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜杭州电子科技大学申请的专利一种基于AdaBoost算法的复杂采掘工程高韧性安全评估方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117151915B 。

龙图腾网通过国家知识产权局官网在2025-05-06发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310882745.4，技术领域涉及：G06Q50/02；该发明授权一种基于AdaBoost算法的复杂采掘工程高韧性安全评估方法是由施凡;常雷雷;徐晓滨设计研发完成，并于2023-07-18向国家知识产权局提交的专利申请。

本一种基于AdaBoost算法的复杂采掘工程高韧性安全评估方法在说明书摘要公布了：一种基于AdaBoost算法的复杂采掘工程高韧性安全评估方法。该方法将隧道设计参数、地质条件参数和施工参数作为模型的输入，矿井沉降值作为输出，将施工现场采集的输入参数数据划分为训练数据集和测试数据集；然后从中抽取多个训练子集，并分别建立多个子模型；然后分别计算子模型的误差和权重；接着以神经网络作为基准模型将所有训练数据集划分为正常数据和异常数据并对它们赋予不同的权重；最后根据加权后的数据集构建最终的预测模型。研究结果表明，基于正常数据和异常数据构建的AdaBoost高韧性安全评估方法比直接使用AdaBoost算法所得结果的准确率更高，这一优势也体现在训练集和测试集中添加额外噪声的实验结果中。

本发明授权一种基于AdaBoost算法的复杂采掘工程高韧性安全评估方法在权利要求书中公布了：1.一种基于AdaBoost算法的复杂采掘工程高韧性安全评估方法，其特征在于该方法包括以下步骤：1数据采集与划分数据集；将隧道设计参数、地质条件参数和施工参数作为模型的输入参数，从实际的煤矿采掘施工现场收集的时序数据中采集所述输入参数的数据，构建完整数据集D；在完整数据集D中按顺序将前80％划分为训练集DT，剩余20％划分为测试集DV；2从训练集DT中随机抽S个子数据集构建S个子模型；在DT中按照相同比例随机抽取S个子数据集来构建S个子模型，这些子数据集占完整训练集的大多数数据并且子模型的数量至少30个以上，即S≥30，其目的是为了减少建模过程中的随机误差；本步骤中训练子数据集的抽取允许有重复的抽取，即任意两个训练子集的交集允许不为空，仅需要确保各子集大小相同；3计算子模型的误差和权重；3.1计算子模型误差；首先对每个子模型中的每组数据计算输出误差如下所示： 其中，p代表子模型中数据量的大小，p∈[1,360]且p为整数，yp代表第p组数据的真实输出；代表第p组数据在子模型s中的输出；如果第p组数据没有出现在子模型中，则然后利用BP神经网络模型对第s个子模型计算平均绝对误差百分比MAPEs，如下所示： 其中，P代表构建第s个子模型的P组数据，P为360，p代表第s个子模型中数据量的大小，p∈[1,360]且p为整数；3.2计算子模型权重计算子模型的MAPEs以表示它们识别相应子训练数据集的能力，并且MAPEs∈[0,100％]；其中MAPEs＝0表示模型的最高建模能力，MAPEs＝100％表示模型的最低建模能力；因此根据如下公式得到第s个子模型权重：ws＝1-MAPEs3其中，ws∈[0,1]；3.3计算所有P组数据的平均误差；通过每组数据的输出误差和子模型的权重，计算所有P组数据的平均误差，如下所示： 其中，代表在第s个子模型中第p组数据的输出误差；ws代表第s个子模型的权重；s*代表此子模型没有使用第p组数据构建；如果第p组数据不用于构建第s*个子模型，则ep＝0；上述公式也可以转换为下式： 4数据加权并构建预测模型；把步骤3计算得来的子模型中每组数据的平均误差按照从大到小顺序排列，将前10％的数据定义为异常数据，其余90％的数据定义为正常数据；正常数据有助于建立精准的安全性评估模型，将其权重系数设置为1；而异常数据则会干扰安全性评估建模过程，应赋予更小的权重，将其权重系数设置为0.01；得到所有数据的更新权重后，对权重进行归一化以避免权重之和大于1，并对训练集DT中的每组数据进行加权后，返回新的加权数据集来构建最终的预测模型；5在测试集上进行验证；随着数据权重的更新，全部的加权训练集用来构建最终的预测模型，并用步骤4最终构建的预测模型在测试集上进行验证。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人杭州电子科技大学，其通讯地址为：310018 浙江省杭州市下沙高教园区2号大街3号路口；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。