CN109146195A - 一种基于cart树回归算法的爆破块度预测方法 - Google Patents
一种基于cart树回归算法的爆破块度预测方法 Download PDFInfo
- Publication number
- CN109146195A CN109146195A CN201811039099.0A CN201811039099A CN109146195A CN 109146195 A CN109146195 A CN 109146195A CN 201811039099 A CN201811039099 A CN 201811039099A CN 109146195 A CN109146195 A CN 109146195A
- Authority
- CN
- China
- Prior art keywords
- cart
- tree
- feature
- cut
- trained
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于cart树回归算法的爆破块度预测方法,利用已有的历史岩石块度相关参数作为样本属性采用CLS算法构建CART决策树模型并进行训练,收集新的石块度相关参数,利用训练好的CART决策树模型进行预测。与现有技术相比,本发明首先通过已有的历史岩石块度相关参数构建CART决策树模型并进行训练,然后即可以利用训练好的CART决策树模型进行爆破块度的预测,本发明从根源上预防爆破块度事故发生,降低爆破过程中产生的大块率,降低二次破碎,提高生产效率,节约爆破成本。
Description
技术领域
本发明涉及工程爆破技术领域,特别是一种基于cart树回归算法的爆破块度预测方法。
背景技术
影响矿石爆破块度分布的因素包括:炸药参数、爆破参数、岩体结构及其力学特征等各种不同类型的因素。矿石爆破后的块度大小及组成不仅是反映爆破设计与作业水平的主要信息,而且还影响着后续诸如铲装、破碎、运输、消除根底、矿物加工等生产工艺,从而影响着矿山生产成本和效率。爆破矿石块度较大则需要二次爆破,爆破矿石块度较小则爆破成本增加。
发明内容
本发明的目的是要提供一种基于cart树回归算法的爆破块度预测方法,从根源上预防爆破块度事故发生,降低爆破过程中产生的大块率,降低二次破碎,提高生产效率,节约爆破成本。
为达到上述目的,本发明是按照以下技术方案实施的:
一种基于cart树回归算法的爆破块度预测方法,包括以下步骤:
步骤一、利用已有的历史岩石块度相关参数作为样本属性构建CART决策树模型,根据训练数据集,从根节点开始,递归地对每个节点进行以下操作,构建二叉决策树:
(1)设节点的训练集为D,计算现有的特征对该数据集的基尼指数,此时,对每一个特征A,对其可能的每个取值a,根据样本点对A=a的测试为“是”或“否”将D分割成D1和D2两部分,计算A=a时的基尼指数;
(2)在所有可能的特征A以及所有可能的切分点a中,选择基尼指数最小的特征及其对应的切分点作为最优特征与最优切分点,依最优特征与最优切分点,从现切分点生成两个子节点,将训练数据集依特征分配到两个子节点中去;
(3)对两个子节点递归地调用(1),(2),直至满足样本集的基尼指数小于预定阈值。
(4)生成CART决策树。
步骤二、收集新的石块度相关参数,利用训练好的CART决策树模型进行预测。
与现有技术相比,本发明首先通过已有的历史岩石块度相关参数构建CART决策树模型并进行训练,然后即可以利用训练好的CART决策树模型进行爆破块度的预测,本发明从根源上预防爆破块度事故发生,降低爆破过程中产生的大块率,降低二次破碎,提高生产效率,节约爆破成本。
附图说明
图1为本发明实施例构建的CART决策树。
图2为本发明实施例构建的CART决策树构造过程图。
具体实施方式
下面结合具体实施例对本发明作进一步描述,在此发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
如图1、图2所示,本实施例的一种基于cart树回归算法的爆破块度预测方法,包括以下步骤:
步骤一、利用已有的历史岩石块度相关参数作为样本属性(参加表1)构建CART决策树模型,具体为:
决策树算法模型采用的是二叉树形式,利用二分递归将数据空间不断划分为不同子集。同样的,每一个叶节点都有着与之相关的分类规则,对应了不同的数据集划分;
为了减小CART决策树的深度,在决策树某一分支节点对应数据集大多数为一类时,即将该分支设为叶节点。
分类时,假设有K个类,样本点属于第K类的概率是pk,则概率分布的基尼指数:
CART算法采用GINI系数作为属性分裂的标准
如果样本集合D根据特征A是否取某一可能值a被分割成D1和D2两部分,D1={(x,y)∈D|A(x)=a},D2=D-D1,则特征A的条件下,集合D的基尼指数定义为
根据训练数据集,从根节点开始,递归地对每个节点进行以下操作,构建二叉决策树:
(1)设节点的训练集为D,计算现有的特征对该数据集的基尼指数.此时,对每一个特征A,对其可能的每个取值a,根据样本点对A=a的测试为“是”或“否”将D分割成D1和D2两部分,计算A=a时的基尼指数.
(2)在所有可能的特征A以及所有可能的切分点a中,选择基尼指数最小的特征及其对应的切分点作为最优特征与最优切分点,依最优特征与最优切分点,从现切分点生成两个子节点,将训练数据集依特征分配到两个子节点中去.
(3)对两个子节点递归地调用(1),(2),直至满足样本集的基尼指数小于预定阈值。
(4)生成CART决策树。
表1历史岩石块度相关参数作为样本属性
步骤二、收集新的石块度相关参数,利用训练好的CART决策树模型进行预测。
本发明的技术方案不限于上述具体实施例的限制,凡是根据本发明的技术方案做出的技术变形,均落入本发明的保护范围之内。
Claims (1)
1.一种基于cart树回归算法的爆破块度预测方法,其特征在于,包括以下步骤:
步骤一、利用已有的历史岩石块度相关参数作为样本属性构建CART决策树模型,根据训练数据集,从根节点开始,递归地对每个节点进行以下操作,构建二叉决策树:
(1)设节点的训练集为D,计算现有的特征对该数据集的基尼指数,此时,对每一个特征A,对其可能的每个取值a,根据样本点对A=a的测试为“是”或“否”将D分割成D1和D2两部分,计算A=a时的基尼指数;
(2)在所有可能的特征A以及所有可能的切分点a中,选择基尼指数最小的特征及其对应的切分点作为最优特征与最优切分点,依最优特征与最优切分点,从现切分点生成两个子节点,将训练数据集依特征分配到两个子节点中去;
(3)对两个子节点递归地调用(1),(2),直至满足样本集的基尼指数小于预定阈值。
(4)生成CART决策树。
步骤二、利用训练好的CART决策树模型进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811039099.0A CN109146195A (zh) | 2018-09-06 | 2018-09-06 | 一种基于cart树回归算法的爆破块度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811039099.0A CN109146195A (zh) | 2018-09-06 | 2018-09-06 | 一种基于cart树回归算法的爆破块度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109146195A true CN109146195A (zh) | 2019-01-04 |
Family
ID=64827394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811039099.0A Pending CN109146195A (zh) | 2018-09-06 | 2018-09-06 | 一种基于cart树回归算法的爆破块度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146195A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934917A (zh) * | 2019-02-28 | 2019-06-25 | 武汉大学 | 基于机器学习预测计算强度的并行化点云生成dem方法 |
CN110687024A (zh) * | 2019-09-18 | 2020-01-14 | 北方爆破科技有限公司 | 一种基于图像的爆破粉尘量的测量方法 |
CN113468821A (zh) * | 2021-07-22 | 2021-10-01 | 郑州大学 | 一种基于决策回归算法的坡面产流产沙阈值确定方法 |
CN113705110A (zh) * | 2021-09-03 | 2021-11-26 | 玉溪矿业有限公司 | 一种基于双重随机森林回归方法的爆破振动速度预测方法 |
CN113762394A (zh) * | 2021-09-09 | 2021-12-07 | 昆明理工大学 | 一种爆破块度预测方法 |
CN114117765A (zh) * | 2021-11-18 | 2022-03-01 | 北京奥信化工科技发展有限责任公司 | 实现钻爆成本最低的爆破设计参数优化方法及装置 |
CN115659263A (zh) * | 2022-10-14 | 2023-01-31 | 长江三峡通航管理局 | 一种基于大数据的船舶操控行为风险评估系统及评估方法 |
CN115907236A (zh) * | 2023-02-17 | 2023-04-04 | 西南石油大学 | 基于改进决策树的井下复杂情况预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608600A (zh) * | 2015-12-18 | 2016-05-25 | 焦点科技股份有限公司 | 一种对b2b卖家效果评估和优化方法 |
CN107301513A (zh) * | 2017-06-27 | 2017-10-27 | 上海应用技术大学 | 基于cart决策树的水华预警方法和装置 |
-
2018
- 2018-09-06 CN CN201811039099.0A patent/CN109146195A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105608600A (zh) * | 2015-12-18 | 2016-05-25 | 焦点科技股份有限公司 | 一种对b2b卖家效果评估和优化方法 |
CN107301513A (zh) * | 2017-06-27 | 2017-10-27 | 上海应用技术大学 | 基于cart决策树的水华预警方法和装置 |
Non-Patent Citations (1)
Title |
---|
庙延钢等编: "《特种爆破技术》", 30 September 2004, 北京冶金工业出版社 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109934917B (zh) * | 2019-02-28 | 2023-05-16 | 武汉大学 | 基于机器学习预测计算强度的并行化点云生成dem方法 |
CN109934917A (zh) * | 2019-02-28 | 2019-06-25 | 武汉大学 | 基于机器学习预测计算强度的并行化点云生成dem方法 |
CN110687024A (zh) * | 2019-09-18 | 2020-01-14 | 北方爆破科技有限公司 | 一种基于图像的爆破粉尘量的测量方法 |
CN113468821A (zh) * | 2021-07-22 | 2021-10-01 | 郑州大学 | 一种基于决策回归算法的坡面产流产沙阈值确定方法 |
CN113468821B (zh) * | 2021-07-22 | 2024-03-19 | 郑州大学 | 一种基于决策回归算法的坡面产流产沙阈值确定方法 |
CN113705110A (zh) * | 2021-09-03 | 2021-11-26 | 玉溪矿业有限公司 | 一种基于双重随机森林回归方法的爆破振动速度预测方法 |
CN113762394A (zh) * | 2021-09-09 | 2021-12-07 | 昆明理工大学 | 一种爆破块度预测方法 |
CN113762394B (zh) * | 2021-09-09 | 2024-04-26 | 昆明理工大学 | 一种爆破块度预测方法 |
CN114117765B (zh) * | 2021-11-18 | 2022-07-29 | 北京奥信化工科技发展有限责任公司 | 实现钻爆成本最低的爆破设计参数优化方法及装置 |
CN114117765A (zh) * | 2021-11-18 | 2022-03-01 | 北京奥信化工科技发展有限责任公司 | 实现钻爆成本最低的爆破设计参数优化方法及装置 |
CN115659263A (zh) * | 2022-10-14 | 2023-01-31 | 长江三峡通航管理局 | 一种基于大数据的船舶操控行为风险评估系统及评估方法 |
CN115659263B (zh) * | 2022-10-14 | 2023-08-08 | 长江三峡通航管理局 | 一种基于大数据的船舶操控行为风险评估系统及评估方法 |
CN115907236A (zh) * | 2023-02-17 | 2023-04-04 | 西南石油大学 | 基于改进决策树的井下复杂情况预测方法 |
CN115907236B (zh) * | 2023-02-17 | 2023-11-03 | 西南石油大学 | 基于改进决策树的井下复杂情况预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146195A (zh) | 一种基于cart树回归算法的爆破块度预测方法 | |
CN105069173A (zh) | 基于有监督的拓扑保持哈希的快速图像检索方法 | |
CN102184216B (zh) | 基于数据场划分网格的自动聚类方法 | |
Zhang et al. | Improved genetic algorithm for high-utility itemset mining | |
CN108268460A (zh) | 一种基于大数据的自动选择最优模型的方法 | |
CN104933444A (zh) | 一种面向多维属性数据的多层聚类融合机制的设计方法 | |
CN101464910A (zh) | 基于数据相似的平衡聚类压缩方法 | |
CN112257917B (zh) | 一种基于熵特征和神经网络的时间序列异常模式检测方法 | |
CN108280289B (zh) | 基于局部加权c4.5算法的冲击地压危险等级预测方法 | |
CN111368936A (zh) | 基于改进svm-rfe的特征选择方法 | |
CN111737477A (zh) | 一种基于知识产权大数据的情报调查方法、系统和存储介质 | |
CN103870489A (zh) | 基于搜索日志的中文人名自扩展识别方法 | |
CN117114116A (zh) | 一种基于机器学习的根因分析方法、介质和设备 | |
CN108897820B (zh) | 一种denclue算法的并行化方法 | |
Pedrycz et al. | A decomposition of fuzzy relations | |
Lin et al. | Efficient updating of sequential patterns with transaction insertion | |
US11461372B1 (en) | Data clustering in logic devices using unsupervised learning | |
CN104809185A (zh) | 面向不确定数据的闭项集挖掘方法 | |
CN114169542A (zh) | 用于不完整数据分类的集成学习树构建方法 | |
CN117494726B (zh) | 一种情报关键词提取方法 | |
Shen et al. | RP-NBSR: A Novel Network Attack Detection Model Based on Machine Learning. | |
CN107833144B (zh) | 一种表征矿区油页岩含油率状态的方法 | |
Zhang et al. | A genetic evolutionary ROCK algorithm | |
CN105245498A (zh) | 一种基于粗糙集的攻击挖掘和检测方法 | |
CN109885547B (zh) | 基于it基础架构的多源运行数据中多模块日志的行为感知方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |