古叙矿区煤体及其组合的测井曲线识别技术

不同测井曲线对于煤体结构识别具有多解性。为提高判识精度,通过对古叙矿区石宝矿段煤储层特征和常规测井响应特征分析,提取了对煤体结构反应敏感的8条测井曲线,包括自然伽马、井径Ⅰ、井径Ⅱ、深侧向电阻率、浅侧向电阻率、补偿密度、补偿中子、补偿声波,采用BP(back propagation)神经网络算法,通过MTALAB软件,建立了神经元数量为100、训练函数为TRAINLM,适应学习函数为LEARNGDM、误差分析为MSE的二层BP神经网络煤体结构定量识别模型,预测结果与矿区其他井岩心进行对比,结果表明,基于BP神经网络的煤体结构测井识别方法精确度达89%,效果好于传统的测井判识方法。     

雷64区块砂砾岩储层岩性识别方法研究

在取心、岩石物理实验的基础上,采用统计方法对雷64区的岩性进行研究,将其分为砂质细砾岩和不等粒砂岩两大类.利用直方图法优选出识别这两大类岩性的敏感测井曲线,并且依据优选出来的敏感测井曲线,建立了用于识别砂质细砾岩和不等粒砂岩的测井响应交会图法、决策树模型、系统聚类模型.通过对上述三种模型进行精度分析,发现决策树模型的精度要高于测井响应交会图法和系统聚类模型.同时利用所建立的两种决策树模型对雷71井进行岩性识别,将识别结果与实际取心对比,发现综合判断准确率均大于85%.结果表明,给出的决策树模型可很好地用于该地区砂砾岩储层的岩性识别.     

基于逐步Logistic回归下分类算法的个人信用评估分析

为了给消费者信贷决策提供合理依据,基于真实的客户信贷数据,运用逐步Logistic回归方法依据AIC准则进行变量选择建立经典决策树、条件推断树、随机森林、支持向量机等分类模型,并对4个分类模型的预测结果进行比较.结果表明:基于逐步Logistic回归建立的随机森林分类模型准确率达97％,预测效果最优;随机森林算法具有较高的分类精度,可以很好地应用在个人信用评估问题研究中.     

针对城市道路拥堵的优化随机森林预测模型

为了及时对城市道路拥堵情况进行预测,缓解通行压力、降低能源损耗,通过一种结合Spark与阴阳对优化随机森林的模型预测城市道路交通拥堵情况,利用阴阳对优化算法对随机森林进行参数调优,选取决策树个数和分裂属性个数最优解,以此建立阴阳对优化随机森林(Yin-Yang-pair optimization random forest, YYPORF)城市道路拥堵情况预测模型,并通过Spark实现了YYPORF模型的并行化设计方案。结果表明,基于Spark的YYPORF准确率达到95.58%,较传统随机森林提高了3.17%;加速比达到2.83。可见,所提出的模型预测性能更优,可为大数据背景下城市智能交通管理提供可靠依据。     

基于分类精度和相关性的随机森林算法改进研究

为了提升传统随机森林算法的分类精度,本文首先对传统随机森林模型中的决策树根据分类性能评价指标AUC值进行降序排列,从中选取出AUC值高的决策树,计算这些决策树之间的相似度并生成相似度矩阵,然后根据相似度矩阵对这些决策树进行聚类,从每一类中选出一棵AUC最大的决策树组成新的随机森林模型,从而达到提升传统随机森林算法分类精度的目的。通过UCI数据集的实验表明,改进后的随机森林算法分类精度上最大提高了2.91%。     

一种基于粒子群算法优化的加权随机森林模型

随机森林是一种高效的分类算法,其模型中的投票选取机制会导致一些训练精度较低的决策树也拥有相同的投票能力,从而降低准确度,而且模型中的决策树棵数及其他参数通常难以选取.为解决此问题,在投票时将每棵决策树乘以一个与其训练精度成正比的权重,并采用粒子群算法优化随机森林模型,通过迭代优化选取模型中包含的参数.通过UCI数据库进行验证,结果显示提出的加权随机森林模型分类正确率高于一般的随机森林算法及传统的分类算法.     

基于机器学习算法预测核磁共振T2谱

近年来,深度学习算法被广泛应用于生成各种类型的数据。本文通过分析测井数据与核磁共振T2谱之间的映射关系,利用随机森林与LSTM网络模型实现了对核磁共振T2谱的重构。核磁共振测井每个深度获得的T2谱是在不同的时间序列中通过不同的布点数来显示形态上的变化的,随机森林算法能够处理高维度的核磁共振T2谱数据且不需要做特征选择,而LSTM可以很好地控制不同深度神经元对T2谱各分布点的影响,将这两种网络模型进行参数优化后对同一口井的预测结果进行对比分析。这里选取了中国海上A油田的测井数据作为例子进行方法测试。首先,利用灰色关联度算法分析T2几何均值与测井曲线的相关性。选取相关性高于设定值的测井曲线,将测井曲线标准化缩放在0~1后作为随机森林与LSTM模型的输入,预测同一地层T2谱形态分布规律并比较算法的优劣。在比较软件处理得到的核磁共振T2谱和预测结果后分析它们之间产生差异的原因。结果显示通过LSTM神经网络模型预测的数据与地层真实数据的符合度比随机森林算法更高,符合度可达90%以上。     

基于分类精度和相关性的随机森林算法改进

为了提升传统随机森林算法的分类精度,首先对传统随机森林模型中的决策树根据分类性能评价指标AUC(area under curve)值进行降序排列,从中选取出AUC值高的决策树,计算这些决策树之间的相似度,并生成相似度矩阵;然后根据相似度矩阵对这些决策树进行聚类。从每一类中选出一棵AUC最大的决策树组成新的随机森林模型,从而达到提升传统随机森林算法分类精度的目的。通过UCI(university of Californialrvine)数据集的实验表明,改进后的随机森林算法在分类精度上最大提高了2.91%。     

基于随机森林的大迎角非线性非定常气动建模方法

提出了一种新的大迎角非线性非定常气动力和气动力矩建模方法.传统的依据物理机理分析、实验观测等来建立飞机气动系数与飞行状态之间的建模方法在大迎角非线性非定常气动力和气动力矩建模中存在着局限性,导致模型精度不高,针对这个问题,提出了随机森林建模方法.根据风洞中飞机大迎角俯仰机动的特点,结合随机森林模型的原理,确定了与大迎角随机森林模型相关的输入特征,通过误差分析实验确定了随机森林模型中决策树个数和内部节点随机选择属性个数等关键参数的取值,利用F-18缩比模型在低速风洞中实验数据进行实验,结果表明,与经典的多项式模型相比所建立的随机森林模型得到的预测结果与真实数据之间的误差更小.      

基于蝙蝠算法-随机森林分类算法和脉搏波的精神疲劳检测算法

针对精神疲劳易诱发慢性病和癌症但却难以精准量化评估的问题,提出了一种基于BA-RFC的光电容积脉搏波信号(Photoplethysmographic,PPG)人体精神疲劳检测方法。模拟脑力工作者的疲劳状况,以被试者脉搏波信号为元数据,以蝙蝠算法(BatAlgorithm,BA)和随机森林分类算法(Random forest classification,RFC)相结合,建立疲劳检测模型。首先使用蝙蝠算法对随机森林分类算法中的决策树和分类特性等参数进行优化,通过迭代选取最优的决策树树数和分类特征数,然后根据最优决策树和分类特征进行疲劳识别。仿真结果表明,BA-RFC算法能筛选出与疲劳相关性较高的特征,利用筛选后的特征进行疲劳识别,该方法优化了参数,降低了维度灾难,提高了疲劳检测精度。识别准确率从93.3%提高到96.7%。     

基于机器学习方法的地震破坏预测

地震破坏预测研究对于建筑结构减灾规划、震前风险预测、震后应急评估有着重要意义。传统的方法因为受到震害资料数量的限制以及计算精度和能力的制约,一般基于经验只考虑少数因素对结构破坏的影响。通过使用随机森林算法,设计了一个综合考虑地震动、结构和场地等多维度信息的分类方法,用以预测建筑物的地震破坏程度。本文研究框架基于新西兰国家地震委员会所收集的27次地震详细破坏资料,处理得到14.2万条高质量建筑物损失数据,考虑了谱加速度、建筑形状、层数等16个影响因素,将4种不同的损伤状态作为模型的学习标签进行地震破坏预测训练。结果表明,随机森林算法在6种分类算法中性能最佳,经过学习曲线法调参、代价敏感学习之后,经过优化得到的随机森林模型对于测试集的整体预测精确率可以达到75.4%,对4种损伤标签的召回率分别达到了88.2%、55.0%、60.7%和70.8%,远好于其他方法。当只考虑对结果影响最重要的前12个因素,该模型的预测精度仍然能够达到73.7%。可见,基于此框架所训练的预测模型具有良好的精度与适用性,同时该框架对于中国震害资料大数据库的研究具有较高的参考价值。     

噪声大数据的MapReduce高度随机模糊森林算法

为解决日趋增长的噪声大数据分类问题,提出了一种高度随机模糊森林算法.该算法在决策树学习中生成连续属性的模糊分区,并给出在MapReduce框架中所提算法的分布式实现,用于受属性噪声污染的大数据集中学习模糊决策树的集合,该分布式实现模型可以适应计算的有效分配策略,从而产生良好的可扩展性数据,这种分布式算法使得模糊随机森林能够处理大数据集的学习和分类.高度随机模糊森林算法能够实现噪声大数据的高精度分类,为以后的大数据分析打下良好的基础.实验结果表明,所提算法比现有算法准确率更高,在属性噪声情况下,该文分类准确率也高于随机森林算法,说明该文算法的可行性和有效性.     

露天煤矿边坡稳定性的随机森林预测模型

 边坡工程是露天煤矿中的重点工程,边坡的稳定性关系着煤矿的安全生产。边坡稳定性预测是边坡防治工作的前提,针对煤矿边坡工程稳定性预测的复杂性,为了快速、有效地判别煤矿边坡稳定性,利用随机森林算法建立煤矿边坡稳定性预测模型。通过选取与煤矿边坡工程密切相关的岩石重度、黏聚力、内摩擦角、边坡角、边坡高度、孔隙水压力6 个指标作为边坡稳定性的影响因素,即为随机森林预测模型的输入,边坡稳定性状态作为随机森林预测模型的输出,通过随机森林算法建立边坡稳定性影响因素与边坡稳定状态之间的非线性关系。利用煤矿实测30 组边坡稳定性数据作为随机森林预测模型的训练数据集,进行模型的学习训练;另用12 组边坡稳定性数据作为预测模型的测试数据,通过训练好的边坡稳定性预测模型进行测试;为了验证随机森林预测模型的准确率,同时与SVM 和BP 神经网络的测试数据进行比较。结果说明,选取煤矿边坡稳定性的6 个指标建立的随机森林预测模型,人工控制参数较少、结构简单、容易实现,且具有较高的准确度,边坡稳定状态预测结果与煤矿边坡工程实际状态相吻合,能有效预测边坡稳定性状态,指导煤矿边坡防治工作的开展。     

基于梯度提升决策树的焦炭质量预测模型研究

焦炭是高炉炼铁的重要原料,其质量是影响铁水质量和高炉顺行的重要因素,针对焦炭质量存在检验难、滞后性、预测误差大等问题,提出一种基于梯度提升决策树算法的焦炭预测模型;结合专家经验与相关性分析方法,深入研究配合煤质量对焦炭质量的影响;最后利用配合煤质量指标对焦炭质量指标灰分、硫分、耐磨强度、抗碎强度进行建模预测;根据某焦化厂历史生产数据对模型进行评估,实验结果表明:基于梯度提升决策树的焦炭质量预测模型相较于线性回归模型、随机森林模型,决策树模型误差小、准确率高,可以为焦化厂配煤炼焦提供一定的理论依据。     

基于BTS数据集的航班延误分类和预测算法

针对神经网络分类模型对美国联邦运输统计局(Bureau of Transportation Statistics, BTS)航班数据集中的不均衡数据预测误差较大的问题,采用自适应合成采样算法(adaptive synthetic sampling approach, ADASYN)和合成少数类过采样算法(synthetic minority over-sampling technique, SMOTE)对航班延误类别进行平衡处理,并用随机森林(random forest, RF)模型进行训练和贝叶斯调参。结果表明：与不经过平衡采样的方法比较,该方法在权重平均下的精确率、召回率和F₁评分分别提高了19%、8%和16%;分类预测准确率提升8.03%,模型拟合指数AUC(area under curve)提升5.4%。同时,采用多特征相融合的图神经网络模型Graph WaveNet对航班平均延误时间进行预测。实验结果表明：与单特征模型比较,该模型平均绝对误差和均方根误差分别降低了16%和12.45%。这些方法和结果对研究航班延误分类和预测算法研究具有参考价值。