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！

申请/专利权人：西安科技大学

摘要：本发明实施例公开了基于机器学习的煤自燃倾向性预测方法。该方法包括：获取样本集；将样本集划分为训练集、验证集和测试集；基于训练集，利用机器学习方法多层感知机MLP或者随机森林RF构建煤自燃交叉点温度回归预测模型；基于训练集和验证集得到模型的学习曲线，评估模型所处状态；基于测试集，利用模型得到煤自燃交叉点温度，并预测煤自燃倾向性风险等级。本方案能够通过机器学习模型表示复杂的物理化学过程和外部因素的影响，构建关于交叉点温度和涉及煤的固有属性和外部因素的回归预测模型，采用K‑fold交叉验证法和网格搜索法来提高模型的拟合能力和泛化能力，从而预测煤自燃交叉点温度，适用性广并且预测结果准确。

主权项：1.一种基于机器学习的煤自燃倾向性预测方法，其特征在于，包括：获取样本集，所述样本集包括多个样本数据，每个所述样本数据至少包括煤的特性信息和气象条件信息；将所述样本集划分为训练集、验证集和测试集；基于所述训练集，利用机器学习方法构建煤自燃交叉点温度回归预测模型，所述煤自燃交叉点温度回归预测模型为多层感知机MLP预测模型或者随机森林RF预测模型；基于所述训练集和所述验证集得到所述煤自燃交叉点温度回归预测模型的学习曲线，调整所述煤自燃交叉点温度回归预测模型的参数；基于所述测试集，利用所述煤自燃交叉点温度回归预测模型得到煤自燃交叉点温度，并根据所述煤自燃交叉点温度，预测煤自燃倾向性风险等级；若所述煤自燃交叉点温度回归预测模型为多层感知机MLP预测模型，所述基于所述训练集，利用机器学习方法构建煤自燃交叉点温度回归预测模型，包括：步骤一：构建平方损失函数；其中，为多层感知机MLP预测模型的损失函数，为神经网络的第i个输出结果，为神经网络的第i个真实值；步骤二：构建代价函数；其中，为多层感知机MLP预测模型的代价函数，为样本容量，为正则化项系数，为神经网络的总层数，为第L层单元数；步骤三：构建修正线性单元ReLU函数；其中，为ReLU函数，为隐藏层神经元的输入值；步骤四：构建恒等identity函数；其中，为恒等函数，为输出层神经元的输入值；步骤五：前向传播和反向传播算法假设多层感知机MLP预测模型中输入层节点数是12个，隐藏层节点数是50个，输出层节点是1个，其中，输出层第j个神经元的阈值用θj表示，隐藏层第h个节点的阈值用γh表示，输入层第i个节点与隐藏层第h个神经元之间的连接权重为vih，隐藏层第h个神经元与输出层第j个神经元之间的连接权重为whj；对于多层感知机MLP预测模型的前向传播过程如下：隐藏层第h个节点的输入：；输出层第j个节点的输入：；其中，bh为隐藏层第h个节点的输出，隐藏层和输出层的激活函数分别为ReLu函数和identity函数，因此多层感知机MLP预测模型的输出为： ；BP算法基于梯度下降策略，以目标的负梯度方向对参数进行调整，对于误差，给定学习率η，对于多层感知机MLP预测模型反向传播的过程有：输出层到隐藏层传递过程为： ；对于identity函数：； ；根据上式可以得到：； ；同理，隐藏层到输入层传递过程为：对于ReLU函数：； ； ； ；步骤六：超参数调节对于隐藏层单元数的选择利用均方误差MSE判断，通过MSE结果确定最佳隐藏层单元数为50个单元，MSE公式如下：；其中，MSE是均方误差，m为样本容量，为输出目标的预测值，为输出目标的实验值；若所述煤自燃交叉点温度回归预测模型为随机森林RF预测模型，所述基于所述训练集，利用机器学习方法构建煤自燃交叉点温度回归预测模型，包括：步骤一：Bagging并行集成从原始样本集中抽取训练集，每轮从原始样本集中使用Bootstrap的方法抽取n个训练样本，共进行m轮抽取，得到m个训练集，m个训练集之间是相互独立的；每次使用一个训练集对应得到一个决策树模型，m个训练集共得到m个决策树模型；计算m个决策树模型的均值作为随机森林RF预测模型最后的输出结果：；其中，为煤自燃交叉点温度的预测值，为随机森林RF预测模型的树木的棵数，为第m棵决策树的预测结果；步骤二：袋外数据误差样本集中大约三分之一的数据未被采样，称为袋外数据OOB可用于检测模型的泛化能力；剩余的数据称为袋内数据，袋外误差的值越小，表明模型的泛化能力越强：；其中，MSEOOB是袋外数据误差n是数据集的样本量，是袋外数据的实验值，是袋外数据的预测值；步骤三：超参数调节利用Python工具箱构建了一个基于回归树的随机森林RF模型，该模型的Bagging算法选择并行集成，利用袋外数据确定最佳树目。

全文数据：

权利要求：

百度查询： 西安科技大学 基于机器学习的煤自燃倾向性预测方法