基于LightGBM和DNNFL的陷落柱识别方法研究与应用
王怀秀
王慧
北京建筑大学 电气与信息工程学院,北京 102616
摘要：为了解决不平衡地震属性数据集中陷落柱识别准确率较低的问题,提出了一种基于轻梯度提升机(Light Gradient Boosting Machine,LightGBM)和利用焦点损失(Focal Loss)改进深度神经网络(Deep Neural Networks,DNN)相结合的陷落柱识别方法LightGBM-DNNF.首先通过相关性分析和重要性分析进行属性优选;其次提取LightGBM叶子节点的路径作为新的特征,并与原始数据集组合成新的数据集;最后输入到DNNFL模型中进行分类训练,预测地质构造类型.引入精确率(P)、召回率(R)、F1 分数(F1-score)、曲线下面积(AUC)作为评价指标,基于 3 个矿区的数据集开展对比实验和消融实验.实验结果表明,与传统的机器学习和单一的集成学习算法相比,LightGBM-DNNFL 模型的F1-score和AUC值均在93%以上,能有效识别陷落柱,且模型泛化能力更强.
关键词：陷落柱识别深度神经网络Focal LossLightGBM不平衡分类
分类号：P694(灾害地质学)TD167(矿山地质与测量)
资助基金：国家重点研发计划(2018YFC0807806)
论文发表日期：2024-10-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 125-131,141 )
英文信息