马寒
- 作品数：7 被引量：49H指数：4
- 供职机构：辽宁工程技术大学理学院数学与系统科学研究所更多>>
- 发文基金：国家自然科学基金辽宁省高等学校杰出青年学者成长计划更多>>
- 相关领域：环境科学与工程自动化与计算机技术矿业工程天文地球更多>>
- 煤体瓦斯渗透率的PSO-LSSVM预测模型被引量：12
- 2015年
- 结合有关煤体渗透率的众多研究成果,总结出影响煤体渗透率的3个主要因素为有效应力、温度和瓦斯压力。采用粒子群优化算法(PSO)对最小二乘支持向量机(LSSVM)的参数进行优化选择,并以上述3个因素和抗压强度为输入值,以渗透率为目标输出值,建立煤体瓦斯渗透率的PSO-LSSVM预测模型。利用25组数据进行PSO-LSSVM模型与BP神经网络及支持向量机的比较实验,PSO-LSSVM预测结果与实际值拟合程度优于其他两个模型,且具有更小的误差。实验结果表明,采用PSO-LSSVM模型可由有效应力、温度和瓦斯压力对渗透率进行较高精度的预测。
- 邵良杉马寒
- 关键词：渗透率瓦斯粒子群优化算法最小二乘支持向量机
- 路堑开挖爆破对民房危害的随机森林预测模型被引量：2
- 2015年
- 为研究路堑开挖爆破对邻近民房安全的危害,运用主成分分析及随机森林算法对其进行预测.选取爆破参数、地质条件、民房结构3个方面的共16项重要影响因素,采用主成分分析法并从中提取6个主要成分.以主成分值为输入,房屋安全程度的量化值为输出,建立路堑开挖爆破对邻近民房安全危害的随机森林预测模型.利用18组工程实例数据为训练样本,另外4组数据为检验样本,进行了模型的预测实验.实验结果表明:基于主成分分析的随机森林模型对数据的拟合度较高,预测误差低,该模型可以作为实现路堑开挖爆破对邻近民房安全危害预测的一个有效方法.
- 李辉冯东梅马寒
- 关键词：路堑开挖爆破震动主成分分析
- 遗传算法优化的GM(1,1)模型研究被引量：8
- 2015年
- 为提高GM(1,1)模型预测精度,文章分析了模型中背景值构造与预测结果误差的关系,并总结了背景值改进研究的相关成果。采用权值序列替换原模型背景值构造公式中的单一权值,建立了GA-GM(1,1)预测模型,利用遗传算法迭代寻优获得的一组最优权值序列来构造背景值,以提高模型精度。用两组数据进行GA-GM(1,1)模型与GM(1,1)模型的对比实验,结果表明GA-GM(1,1)具有更小的预测误差,验证了该模型的有效性。
- 邵良杉马寒温廷新张银玲
- 关键词：GM(1,1)模型背景值遗传算法权值
- 基于旋转森林的分类器集成算法研究被引量：4
- 2015年
- 为提高决策树的集成分类精度,介绍了一种基于特征变换的旋转森林分类器集成算法,通过对数据属性集的随机分割,并在属性子集上对抽取的子样本数据进行主成分分析,以构造新的样本数据,达到增大基分类器差异性及提高预测准确率的目的。在Weka平台下,分别采用Bagging、AdaBoost及旋转森林算法对剪枝与未剪枝的J48决策树分类算法进行集成的对比试验,以10次10折交叉验证的平均准确率为比较依据。结果表明旋转森林算法的预测精度优于其他两个算法,验证了旋转森林是一种有效的决策树分类器集成算法。
- 邵良杉马寒
- 关键词：分类器集成主成分分析决策树
- 基于RF-ELM模型的边坡稳定性预测研究被引量：6
- 2015年
- 为实现对边坡稳定性的有效预测,将极限学习机算法与旋转森林算法相结合,并依据影响边坡稳定性的六项重要因素,建立了边坡稳定性预测的RF-ELM预测模型。该模型是以极限学习机算法为基分类器,以旋转森林算法为框架的集成学习模型,利用UCI数据库中三组数据集验证了该集成模型确实提高了ELM的预测性能。将RF-ELM模型应用于边坡稳定性的预测问题中,结合39组工程实例数据进行预测实验,结果表明该模型具有较高的预测精度,可有效的对边坡稳定性进行预测。
- 邵良杉马寒温廷新
- 关键词：边坡稳定性极限学习机分类器集成
- 极限学习机的分类器集成模型研究被引量：3
- 2016年
- 将极限学习机算法与旋转森林算法相结合,提出了以ELM算法为基分类器并以旋转森林算法为框架的RF-ELM集成学习模型。在8个数据集上进行了3组预测实验,根据实验结果讨论了ELM算法中隐含层神经元个数对预测结果的影响以及单个ELM模型预测结果不稳定的缺陷;将RF-ELM模型与单ELM模型和基于Bagging算法集成的ELM模型相比较,由稳定性和预测精度的两组对比实验的实验结果表明,对ELM的集成学习可以有效地提高ELM模型的性能,且RF-ELM模型较其他两个模型具有更好的稳定性和更高的准确率,验证了RF-ELM是一种有效的ELM集成学习模型。
- 邵良杉马寒温廷新
- 关键词：极限学习机分类器集成BAGGING算法
- 因子分析与支持向量机相结合的煤炭自燃预测被引量：14
- 2014年
- 针对煤炭自然发火预测问题,将因子分析理论与支持向量机算法相结合,构建了煤炭自燃的预测模型.采用SPSS软件对所选取预测煤炭自燃的8个指标进行因子分析,提取出4个主要因子,利用Matlab实现支持向量机模式识别,通过实际数据对模型训练与检验.研究结果表明:经因子分析降维后的SVM预测准确率高于未经因子分析的SVM预测结果,并验证了因子分析与支持向量机相结合可以较高精度实现对煤炭自燃的预测.
- 邵良杉马寒温廷新
- 关键词：煤炭自燃支持向量机数据降维
