基于集成学习投票系统的瓦斯涌出强度分类模型

详细信息    查看全文 | 推荐本文 |

	英文篇名：Classification Model of Gas Emission Intensity Based on Integrated Learning Voting System 作者：刘铖朴 英文作者：LIU Cheng-pu; 关键词：煤与瓦斯突出 ; 强度预测 ; 逻辑回归 ; 支持向量机 ; 随机森林 ; 集成方法 中文刊名：内蒙古煤炭经济 英文刊名：Inner Mongolia Coal Economy 机构：中国矿业大学(北京)地球科学与测绘工程学院; 出版日期：2019-04-15 出版单位：内蒙古煤炭经济 年：2019 期：07 语种：中文; 页：115-116 页数：2 CN：15-1115/F ISSN：1008-0155 分类号：TD713

摘要

以平煤一到十三矿1983年以来156次瓦斯突出历史记录为研究对象,提取和瓦斯突出强度相关的因素为特征,分别学习决策树模型、随机森林模型、逻辑斯蒂回归模型和支持向量机模型预测模型,并利用集成方法构建投票决策系统。采用以上模型对47组样本构成的测试集进行预测,逻辑斯蒂回归模型、支持向量机模型预测模型性能显著优于决策树模型,三个模型构建的投票决策系统预测准确率达到92%,F1分数0. 83,比单独模型有微弱提升。
        

引文

[1]缪燕子.多传感器信息融合理论及在矿井瓦斯突出预警系统中的应用研究[D].徐州:中国矿业大学,2009.
    [2]秦汝祥.煤与瓦斯突出预报研究现状综述[J].能源技术与管理,2005,(1).
    [3]肖红飞,等.改进BP算法在煤与瓦斯突出预测中的应用[J].中国安全科学学报,2003,13(9):59-61.
    [4]郭德勇,等.基于地理信息系统和神经网络的煤与瓦斯突出预警[J].北京科技大学学报,2009,31(1):15-18.
    [5]李定启,等.基于决策树ID3改进算法的煤与瓦斯突出预测[J].煤炭学报,2011,36(1):620-624.
    [6]朱志洁,等.基于PCA_BP神经网络的煤与瓦斯突出预测研究[J].中国安全科学学报,2013,23(4):46-52.
    [7]Pang-Ning Tan,Michael Steinbach,Vipin Kumar.Introduction to Data Mining[M]. 2011.
    [8]李航.统计学习方法[M].北京:清华大学出版社,2012.