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！

摘要：本发明涉及一种基于正态化与平衡化集成Voting的岩爆烈度分级预测方法，S1：搜集、整理并汇总国内外岩爆烈度分级数据构建岩爆数据集；S2：对构建的岩爆数据集先后使用Yeo‑Johnson变换与K‑meansSMOTE过采样将数据正态化与平衡化处理；S3：以处理好的岩爆数据集为输入构建多个机器学习岩爆烈度分级预测模型；S4：计算各个模型预测性能好坏与预测结果差异的综合权重；S5：将所有机器学习模型放入Voting进行训练预测，用穷取法依次剔除权重小的模型筛得最优Voting岩爆烈度分级预测模型，对基模型预测结果采用少数服从多数原则，投票确定最终的预测结果。本发明数据优化上减少离群点以及数据不平衡的影响，算法优化上集成多个优秀模型，对提高岩爆预测的精度有重要意义。

主权项：1.一种基于正态化与平衡化集成Voting的岩爆烈度分级预测方法，其特征在于：包括如下步骤：步骤S1：搜集、整理并汇总国内外岩爆烈度分级数据，确定围岩最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度、岩石弹性应变能指数、岩石应力系数和岩石脆性系数为岩爆的影响因素，岩爆等级分为：Ⅰ级为无岩爆，Ⅱ级为轻微岩爆，Ⅲ级为中等岩爆，Ⅳ级为强烈岩爆，以此构建岩爆数据集；步骤S2：对步骤S1中构建的岩爆数据集，先后使用Yeo-Johnson变换与K-meansSMOTE过采样将数据正态化与平衡化处理；步骤S3：以步骤S2中正态化与平衡化后的岩爆数据集为输入，构建多个机器学习岩爆烈度分级预测模型；步骤S4：对已构建的模型，采用宏平均的精确率刻画模型预测性能好坏，Pearson相关性系数刻画模型之间预测结果的差异，计算各个模型预测性能好坏与预测结果差异的综合权重；步骤S5：将所有机器学习模型放入Voting进行训练预测，并用穷取法依次剔除权重小的模型，由此筛选得到最优Voting岩爆烈度分级预测模型，对基模型预测结果采用少数服从多数原则，投票确定最终的预测结果；步骤S4中使用综合权重的大小确定各模型的性能好坏，综合权重由模型预测结果的差异性权重大小与模型宏平均的精确率权重大小构成；模型预测结果的差异性权重大小计算公式为： 其中，b为模型与其余模型相关性大小的平均值；模型宏平均的精确率权重大小计算公式为： 其中，a为模型宏平均的精确率；模型的综合权重为：χi＝λi+wi。

全文数据：

权利要求：

百度查询： 武汉科技大学 基于正态化与平衡化集成Voting的岩爆烈度分级预测方法