基于集成学习强化BPNN的掘进工作面温度预测模型
马恒1
张世龙2
高科1
1.辽宁工程技术大学 安全科学与工程学院,辽宁 葫芦岛 125000;辽宁工程技术大学教育部矿山热动力灾害与防治重点实验室,辽宁葫芦岛 1250002.辽宁工程技术大学 安全科学与工程学院,辽宁 葫芦岛 125000
摘要：针对现有掘进工作面温度预测方法存在预测模型泛化性不强、鲁棒性较差,且对非线性多维数据的预测能力有限的问题,提出了一种基于集成学习强化反向传播神经网络(BPNN)的掘进工作面温度预测模型,即t-SNE-BPNN-AdaBoost.首先采用t-分布随机邻域嵌入(t-SNE)非线性降维技术,将通风机前风量、温度、相对湿度等7项高维特征降至3维,保留数据局部结构并去除噪声.然后将降维数据输入BPNN作为基分类器,经迭代训练得到初步模型.最后通过自适应推进算法(AdaBoost)集成学习,迭代训练多个BPNN弱分类器并加权组合为强分类器,增强模型泛化能力.将60组掘进工作面实测数据按8∶2划分为训练集与测试集,经5折交叉验证确定AdaBoost最优弱学习器数量为30.实验结果表明:①t-SNE-BPNN-AdaBoost预测曲线和真实值贴合度最优,整体误差小,在温度突变区段适应力强,稳定性远超SVM,BPNN和t-SNE-BPNN.②t-SNE-BPNN-AdaBoost的预测相对误差最小,几乎在5％以内,表现出最优的预测精度.③在测试集上,t-SNE-BPNN-AdaBoost 的决定系数为 0.978 4,较 SVM,BPNN,t-SNE-BPNN 分别提高了 60.3％,17.2％,8.1％;平均绝对误差为0.167 6,均方误差为0.056 7,平均绝对百分比误差为0.964 0,指标均显著优于SVM,BPNN和t-SNE-BPNN,在温度突变区段适应性更强.
关键词：掘进工作面温度预测t-分布随机邻域嵌入BP神经网络t-SNE自适应推进算法AdaBoost集成学习5折交叉验证
分类号：TD727(矿山安全与劳动保护)
资助基金：国家自然科学基金(52074148)
论文发表日期：2025-08-30
在线出版日期：2025-09-18（本平台首次上网日期，不代表文献的发表时间）
页数：8( 88-94,158 )
英文信息