【《基于逻辑回归和AdaBoost混合的煤与瓦斯突出预测分析》2600字（论文）】

基于逻辑回归和AdaBoost混合的煤与瓦斯突出预测分析目录TOC\o"1-3"\h\u20954基于逻辑回归和AdaBoost混合的煤与瓦斯突出预测分析 1144231.1基于逻辑回归和AdaBoost混合的煤与瓦斯突出预测模型 13091.2煤与瓦斯突出预测实验 3185061.2.1煤与瓦斯突出实验数据 325441.2.2煤与瓦斯突出预测实验分析 51.1基于逻辑回归和AdaBoost混合的煤与瓦斯突出预测模型将煤与瓦斯突出的危险性划分为五个等级，分别用1,2,3,4,5表示。以瓦斯压力、瓦斯放散初速度、煤种类别、煤层普氏系数、开采深度和煤种类别为输入，设计基于逻辑回归和AdaBoost混合的煤与瓦斯突出预测模型。所建模型旨在寻找煤与瓦斯突出危险性六种指标内在的数学关系，实现对煤与瓦斯突出危险性的准确性预测。所建模型结构如图1.1所示。图1.1逻辑回归和AdaBoost混合的煤与瓦斯突出危险性预测模型Fig.1.1LogicalregressionandAdaBoosthybridcoalandgasoutburstriskpredictionmodel图1.1所建模型中的煤炭普氏系数、开采深度和地质构造指标数据采用第三章所叙述的离散方式获取；瓦斯放散初速度和瓦斯压力采用在线多传感器检测+分批估计融合处理的方式获取；煤种类别指标采用第四章所描述方法获取。经过大量实验，从建模的速度和所建模型的精度综合来看，弱识别器个数选定为50时，效果最佳。Hiini表示第i个弱识别器，i=1,…,50，它是由五个逻辑回归二分类器构成。hi,jini表示第i个弱识别器的第j个逻辑回归二分类器，50个弱识别器对各个突出危险等级预测的概率值加权和，所对应概率值最大的危险等级，即强分类器的输出结果。根据图1.1所建的煤与瓦斯突出预测模型进行煤与瓦斯突出危险性预测过程如图1.2所示。图1.2基于模型的煤与瓦斯突出预测Fig.1.2Predictionofcoalandgasoutburstbasedonmodel获取现场的煤层普氏系数、地质构造、开采深度指标（离线检测获得）数据以及煤种类别（基于逻辑回归和卷积网络混合的煤炭图像识别模型获得）指标数据、瓦斯压力指标数据和瓦斯放散初速度指标数据（多传感器在线检测和基于均值分批估计融合获得），将指标数据输入到煤与瓦斯突出预测模型，最终获得煤与瓦斯突出危险性等级。现场获取的指标数据同时存放到系统数据库中，以完成模型数据样本的更新。当模型预测结果与实际结果偏差较大时，需要更新样本，针对这个新样本完成模型训练，实现模型实时更新，保证模型预测的准确性。1.2煤与瓦斯突出预测实验1.2.1煤与瓦斯突出实验数据收集到瓦斯压力、地质构造、煤层普氏系数（坚固性系数）、开采深度和煤种类别指标22组数据。数据具体见表1.1。表1.1煤与瓦斯突出数据集Tab.1.1Coalandgasoutburstdataset序号地质构造瓦斯压力MPa瓦斯放散初速度mL/s开采深度m煤的普氏系数煤炭种类实际突出危险等级132.75196200.3124250.9564450.2422331.20184620.1622411.1753950.6121531.2587450.3623632.8084250.5922712.0074600.4821831.4094260.4224931.4044280.58211030.9564550.24231121.054.84770.60211232.39115150.28221323.80126600.21241453.86135880.32241531.4034000.51211642.16144850.58221720.5024000.7211840.747.47400.37231953.95115430.50242021.6544380.53212141.6597060.35232234147700.124在22个收集到的实验数据中遴选出15组数据用于煤与瓦斯突出预测构建的模型训练数据，具体见表1.2，其余数据用于测试。表1.2训练数据表Tab.1.2Trainingdatasheet序号地质构造瓦斯压力MPa瓦斯放散初速度mL/s开采深度m煤的普氏系数煤炭种类实际突出危险等级132.75196200.3124250.9564450.2422331.20184620.1622411.1753950.6121531.2587450.3623632.8084250.5922712.0074600.4821831.4094260.4224931.4044280.58211030.9564550.24231121.054.84770.60211232.39115150.28221323.80126600.21241453.86135880.32241531.4034000.5121表1.3测试数据表Tab.1.3Testdatasheet组号煤炭种类瓦斯压力MPa瓦斯放散初速度mL/s开采深度m煤的普氏系数煤炭种类实际突出危险性等级142.16144850.5822220.5024000.721340.747.47400.3723453.95115430.5024521.6544380.5321641.6597060.3523734147700.1241.2.2煤与瓦斯突出预测实验分析利用ScikitLearn库，运用Python语言，针对表1.2数据，根据表1.4所述的参数设置，构建图1.1所示煤与瓦斯突出预测模型。表1.4基于逻辑回归和增强学习混合智能学习算法超参数设置Tab.1.4Super-parametersettingofintelligentlearningalgorithmbasedonlogicalregressionandreinforcementlearning参数名称参数取值弱识别器最大个数n50AdaBoost学习率η0.8LR学习率η0.01正则化λ110LR最大学习次数100为了验证本文所建的逻辑回归AdaBoost混合的煤与瓦斯突出预测模型的优越性，本文分别设计AdaBoost和SVM混合学习模型以及AdaBoost和ANN混合学习模型，也针对表1.2数据进行煤与瓦斯突出预测模型搭建，两个模型结构见图1.3、图1.4。在设计AdaBoost和SVM混合学习模型以及AdaBoost和ANN混合学习模型过程中，控制AdaBoost架构的超参数值n、η1、图1.3支持向量机和AdaBoost算法混合学习模型Fig.1.3AhybridlearningmodelofsupportvectormachineandAdaBoostalgorithm图1.4神经网络和AdaBoost算法混合学习模型Fig.1.4HybridlearningmodelofneuralnetworkandAdaBoostalgorithm对于表1.2所示的训练数据，利用本文所设计的煤与瓦斯突出预测模型、AdaBoost和SVM混合学习模型、AdaBoost和ANN混合学习模型进行煤与瓦斯突出预测，学习结果见图1.5所示。注：图中◊表示实际危险等级，□表示LR&AdaBoost方法的学习结果，∆表示NNs&AdaBoost方法的学习结果，×表示SVM&AdaBoost方法的学习结果图1.5煤与瓦斯突出预测模型在训练数据集中的测试结果Fig.1.5Testresultsofcoalandgasoutburstpredictionmodelinthetrainingdataset针对表1.3所示的测试数据，利用本文所建的煤与瓦斯突出预测模型、AdaBoost和SVM混合学习模型、AdaBoost和ANN混合学习模型进行煤与瓦斯突出预测，预测结果见图1.6所示。注：图中◊表示实际危险等级，□表示LR&AdaBoost方法的学习结果，∆表示NNs&AdaBoost方法的学习结果，×表示SVM&AdaBoost方法的学习结果图1.6煤与瓦斯突出预测模型在测试数据集中的测试结果Figure1.6Testresultsofcoalandgasoutburstpredictionmodelinthetestdataset从图1.5和图1.6中可以看出：（1）逻辑回归和AdaBoost混合学习模型、NNs和AdaBoost混合学习模型以及SVM和AdaBoost混合学习模型在对煤与瓦斯突出训练数据的学习准确率分别为93%、93%和100%。（2）逻辑回归和AdaBoost混合学习模型、NNs和AdaBoost混合学习模型以及SVM和AdaBoost混合学习模型对煤与瓦斯突出测试数据的预测准确率分别为100%、81.7%、81.7%。（3）NNs和AdaBoost混合学习模型在煤与瓦斯突出训练数据上学习准确率高达100%，而测试数据上的准确率却只有81.7%，由此可以看出NNs和AdaBoost混合的煤与瓦斯突出预测模型出现过拟合。（4）SVM和AdaBoost混合学习模型、逻辑回归和AdaBoost混合学习模型在训练集学习准确率均为93%，然而SVM和AdaBoost混合学习模