基于随机森林模型判别矿井涌(突)水水源

发布时间：2024-03-23 00:01

　　快速准确判别矿井涌(突)水水源对保障矿井安全生产有重要意义。近年来人类的活动对不同含水层的影响与日俱增,为提高矿井涌(突)水水源判别的准确性,提出选取地下水中7种常见离子浓度,和能够充分反映人类活动痕迹的硝酸根离子浓度及化学需氧量作为水化学判别指标,采用随机森林模型进行矿井涌(突)水水源判别。为验证选取指标和判别方法的有效性,以大孤山铁矿为例,将数据输入随机森林模型进行100次交叉验证,并将验证结果与支持向量机模型和极限学习机模型进行比较。结果表明,随机森林模型预测结果稳定性较强,预测正确率不容易波动;随机森林在建模过程中参数拥有宽广的适应范围。树的棵数为50时,训练误差趋于稳定,改变树的棵数对预测结果没有实际影响,而其余二者对参数选取较为敏感;随机森林的参数可以通过袋外数据(OOB)错误率简单地得到,而其余二者参数调整时需要通过交叉验证的方式才可以取得;随机森林对训练样本进行验证,正确率可达100%,对测试样本进行验证,正确率可达97.38%,两项精度均优于支持向量机与极限学习机;随机森林模型拥有更高的预测精度和鲁棒性,在矿井涌(突)水水源判定方面有较好的应用前景。

【文章页数】：8 页

【部分图文】：

图8ELM性能测试

g(x)=1/(1+e-x)(8)2.5对比结果

图1随机森林模型计算原理

Step3进行决策。根据生成的k棵决策树分类器对新的测试数据xt进行预测,分类结果按每棵树分类器的投票多少而决定。详细计算过程如图1所示。1.2随机森林决策树构建原则

图2随机森林中的一棵CART树

对划分好的集合Sd1如果其Gini(Sd1)大于设定值则选取另一个特征值重复上述划分过程。经过上述不断的划分会形成如图2所示的一棵树。新的测试数据xt会按照m的条件分配到不同划分好的集合中。决策树将分配到的集合中概率最高的类别认为是xt的类别。经过多次不同的划分后找到实数C#使得....

图3研究区地质与实验样本分布

研究区为大孤山铁矿周边地区,距鞍山市东南12km。研究区为丘陵地形,南北高中间低,多年平均降雨量720.6mm,矿坑西部有河流从南向北流过。研究区主要地层为第四系地层、下白垩统地层、太古宇地层。其中第四系地层主要为黏土,其余地层为同时期侵入岩以花岗岩为主。受寒岭断裂的控制,形....

本文编号：3935140