[發明專利]基于邏輯回歸和增強學習的煤與瓦斯突出預測的方法

有效

• 申請號: 201911139793.4
• 申請日: 2019-11-20
• 公開（公告）號: CN111079978B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 閻馨;吳書文;屠乃威;徐耀松;朱永浩;付華
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06F18/214;G06F18/21;G06F18/25
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李在川

1.一種基于邏輯回歸和增強學習的煤與瓦斯突出預測的方法，其特征在于包括如下步驟：

步驟1：采集煤與瓦斯突出的多種影響因素數據樣本，利用基于均值的分批估計融合方法對樣本數據進行融合處理并進行危險等級的劃分，將處理后的樣本作為訓練集，記為R；

步驟2：用訓練集訓練基于LR與Adaboost融合模型的煤與瓦斯突出預測模型；

步驟3：通過多傳感器在線檢測或離線檢測獲得突出預測所需的信息數據，利用基于均值的分批估計融合方法對多傳感器數據進行融合處理，將處理后的信息數據記為數據X；

步驟4：將步驟3獲得的數據X輸入步驟2訓練好的煤與瓦斯突出預測模型中，得到X的突出預測結果；

步驟5：檢測得到X的突出實際結果，如果X的突出預測結果與突出實際結果不一致，則將X及其突出實際結果加入到步驟1所述訓練集中，完成執行步驟2過程，實現對煤與瓦斯突出預測模型的修正，否則轉至執行步驟6；

步驟6：輸出數據X的預測結果。

2.根據權利要求1所述的基于邏輯回歸和增強學習的煤與瓦斯突出預測的方法，其特征在于步驟1所述煤與瓦斯突出的多種影響因素包括瓦斯壓力、瓦斯放散初速度、地質構造、煤層堅固性系數、開采深度。

3.根據權利要求1所述的基于邏輯回歸和增強學習的煤與瓦斯突出預測的方法，其特征在于所述基于LR與Adaboost融合模型由多個弱分類器和1個強分類器構成，所述弱分類器由多個LR分類器構成，采用one-VS-rest形式進行分類，將概率值最大的突出危險等級作為每個弱分類器的輸出；每個弱分類器中LR分類器的個數等于煤與瓦斯突出危險等級的類別數。

4.根據權利要求1所述的基于邏輯回歸和增強學習的煤與瓦斯突出預測的方法，其特征在于所述步驟2的過程如下：

步驟2.1：訓練樣本集表示為R＝{(T₁,S₁),…(T_k,S_k)…,(T_m,S_m)}；設置最大弱分類器個數g，學習率η₁與η₂、正則化參數λ、LR最大迭代次數n；

其中，T_k為第k個突出預測樣本的特征，T_k∈{t_k1,t_k2,…,t_ko}，t_kl為第k個樣本特征的第l個元素，l＝1,2,…,o，o為考慮的突出影響因素數量；S_k為對應T_k的突出危險等級，S_k∈{1,2,…,φ}，m為訓練集樣本個數；

步驟2.2：初始化當前弱分類器索引i＝1，初始化樣本權重值為e_ik＝1/m，k＝1,2,…,m，初始化強分類器H^fin＝0；

步驟2.3：采用one-VS-rest形式，訓練基于LR的第i個弱分類器，并根據分類錯誤率計算第i個弱分類器的輸出權重值；

步驟2.4：更新強分類器，并計算強分類器分類的錯誤率；

步驟2.5：判斷是否達到循環結束條件，若是則轉至執行步驟2.7結束循環，否則執行步驟2.6；

步驟2.6：依據第i個弱分類器的分類錯誤率重新計算樣本權重值，將新的樣本權重值加入樣本中，將i+1賦值給i，轉至執行步驟2.3；

步驟2.7：輸出訓練好的煤與瓦斯突出預測模型。