CN115860134A - 基于机器学习和极限学习机混合模型的爆破块度预测方法 - Google Patents

Abstract

本发明涉及基于机器学习和极限学习机混合模型的爆破块度预测方法，包括如下步骤：A)获取爆破的原始数据，确定其变量参数，计算各变量参数的偏度值；B)根据偏度值对变量参数进行分类，对各类变量参数基于设定的转换方法进行转化生成新变量参数，对新变量参数基于至少一种机械学习方法进行处理生成新特征数据集；C)根据新特征数据单元确定极限学习机模型隐藏层神经元个数，并据此到得最佳极限学习机模型网络结构，保存最佳极限学习机模型网络结构中对应的权重参数值；D)基于新特征数据集、最佳极限学习机模型网络结构和权重参数值预测爆破平均块度。本发明的基于机器学习和极限学习机混合模型的爆破块度预测方法能够减少运算量，且精度高。

Description

基于机器学习和极限学习机混合模型的爆破块度预测方法

技术领域

本发明涉及爆破预测方法，具体地，涉及一种基于机器学习和极限学习机混合模型的爆破块度预测方法。

背景技术

爆破是地下空间工程、采矿工程和隧道工程中广泛使用的一种破岩方法。其主要目的是将完整的岩体或大块的石块分割成所需的小块。

爆破后的岩石块度大小直接影响到下游作业的生产率和整个项目的经济效益，过大的岩块会大大降低铲装阶段的满载率，通常需要额外的二次爆破来进一步破碎较大的岩块，这不仅增加了成本，也给设备和工人带来了新的安全问题。相反，过细的爆破块度会导致炸药消耗和成本的增加，运输过程中的矿石损失，以及最终的回收率，因此，准确预测每次爆破后的岩石碎裂尺寸分布是分析和优化爆破设计的有效途径。

在现有技术中，碎裂尺寸可以通过两种方法测量：直接法和间接法。最常用的直接方法是筛分法，通过不同孔径的筛子进行筛选，然后称量在不同筛子下通过的碎片的重量，就可以得到整体的块度分布特征，虽然通过这种方式可以获得更准确的结果，但时间和人力成本巨大。间接法包括观察法、经验法和图像摄影法，并进一步结合数字分析处理以得到碎裂尺寸的分布，现有的对碎裂尺寸的分布的数字处理过程算法细节过于冗余和复杂，使得预测的效率低，且泛化能力不强，往往一个公式只能够适应一种场景。

有鉴于此，需要设计一种基于机器学习和极限学习机混合模型的爆破块度预测方法。

发明内容

本发明所要解决的技术问题是提供一种基于机器学习和极限学习机混合模型的爆破块度预测方法。

为了解决上述技术问题，本发明提供一种基于机器学习和极限学习机混合模型的爆破块度预测方法，包括如下步骤：

A)获取爆破的原始数据，确定所述原始数据的变量参数，计算所述原始数据各变量参数的偏度值；

B)根据各所述变量参数的所述偏度值对所述变量参数进行分类，对各类的所述变量参数基于设定的转换方法进行转化，以生成新变量参数，并对所述新变量参数基于至少一种机械学习方法进行处理，以生成新特征数据集；

C)根据所述新特征数据单元确定极限学习机模型隐藏层神经元个数，并据此的到得最佳极限学习机模型网络结构，并保存所述最佳极限学习机模型网络结构中对应的权重参数值；

D)基于所述新特征数据集、所述最佳极限学习机模型网络结构以及所述权重参数值预测爆破平均块度。

具体地，所述变量参数包括爆破设计参数：S/B，H/B，B/D，T/B、炸药参数Pf以及岩石力学性质参数：X_B、E，其中S表示炮孔间距、B表示排距、H表示台阶高度、D表示炮孔直径、T表示填塞长度、Pf表示炸药单耗、X_B表示现场岩块尺度、E表示岩石的杨氏弹性模量。

进一步地，所述偏度值基于各所述变量参数的标准差获得：

其中，x_i为所述变量参数，n为所述变量参数的样本量数，S表示所述变量参数的标准差，S_K为偏度值。

进一步地，所述变量参数的转化过程包括：对所述偏度值大于0的所述变量参数利用均方根的方法进行转换；对所述偏度值小于0的所述变量参数利用取相反数的方法进行转换以得到新变量参数x′_i：

进一步地，所述机械学习方法包括随机森林回归算法、自适应提升回归算法、梯度增强回归算法以及极限树回归算法，对各所述新变量参数x′_i利用所述随机森林回归算法、自适应提升回归算法、梯度增强回归算法以及极限树回归算法进行机器学习，并将各所述新变量参数x′_i经过机器学习后得到的新特征数据集合成为该新变量参数x′_i的所述新特征数据集。

进一步地，所述新变量参数x′_i利用所述随机森林回归算法处理的步骤包括：

A1)对所述新变量参数x′_i基于切分选取公式选取最佳的切分变量j和切分点s，所述切分选取公式如下：

其中：c₁为D1数据集的样本输出均值，c2为D2数据集的样本输出均值，遍历所述变切分量j，对固定的所述切分变量j，遍历所述切分点s，求使得所述切分选取公式达到最小值的切分对(j，s)；

A2)对选定得所述切分对(j，s)，划分区域并决定相应的输出值：

R₁(j，s)＝{x|x^(j)≤s}，R₂(j，s)＝{x|x^(j)＞s}

其中，R₁为所有的所述变量参数x′_i的数据集中对应的待切分的所述变量参数x′_i的值小于等于所述切分点s的区域，R₂为所有的所述变量参数x′_i的数据集中对应的待切分的所述变量参数x′_i的值大于所述切分点s的区域，x为所有的所述变量参数x′_i，x^(j)为选择切分的所述变量参数x′_i，N_m为R₁或者R₂区域中样本的数量，R_m为划分出来的R₁和R₂，y_i为R₁和R₂中对应的输出值X₅₀，

表示R₁和R₂中输出的均值；

A3)将所述原始数据划分为M个子区域R₁，R₂，...，R_M，生成最终得决策树：

其中，I表示单位矩阵。

进一步地，所述新变量参数x′_i利用所述自适应提升回归算法处理的步骤包括：

B1)初始化所述变量参数的权重，定义每一个所述新变量参数x′_i的样本的权重均初始化为1/N：

W₁(x′_i)＝1/N，W_t(x′_i)＝1/N，t∈{1，2，...，T}

其中，T表示循环迭代次数；

B2)循环迭代，在所述变量参数的样本分布为W_t(X)的基础上，利用训练集训练弱分类器h_t，计算所述弱分类器h_t在所述训练集上的最大误差E_t：

E_t＝max|y_i-h_t(x′_i)|，i＝1，2，...，N

其中，h_t(x′_i)表示所述弱分类器h_t对所述新变量参数x′_i的预测结果，y_i表示所述新变量参数x′_i的目标值；

B3)根据所述最大误差E_t，计算所述弱分类器h_t对每个所述新变量参数x′_i的相对误差∈_ti：

并根据所述相对误差∈_ti，计算出所述弱分类器h_t的误差率∈_t：

其中，w_ti表示每个所述新变量参数对应的权重值；基于所述误差率∈_t更新所述弱分类器h_t的权重W_t+1(X_i)：

其中，α_t表示弱分类器h_t的权重系数，W_t(X_i)表示上次更新的样本的权重，W_t+1(X_i)表示本次更新的样本的权重，Z_t表示归一化因子；

B4)结束迭代，基于所述误差率∈_t得到强回归器H(x)：

其中，f(x)为所有所述弱分类器h_t的权重W_t+1(X_i)出结果的中位数，且t＝1，2，...，T。

进一步地，所述新变量参数x′_i利用所述梯度增强回归算法处理的步骤包括：

C1)初始化基学习器：

其中，L(y，H(x))表示均方误差损失函数，c为常量，表示所有新变量参数x′_i的目标值的均值；

C2)计算所述变量参数经过t次迭代的负梯度：

其中

表示损失函数求偏导，利用(x′_i，r_ti)i＝1，2，...，m，得到第i颗回归树对应的叶子节点区域为R_tj，j＝1，2，...，J：

R_tj＝{(X_i，r_ti)，i＝1，2，...，m}

其中J为叶子节点的个数，对所述叶子结点区域R_tj，计算最佳拟合值：

C3)基于所述叶子结点区域R_tj更新强学习器：

进一步地，所述新变量参数x′_i利用所述极限树回归算法处理的步骤包括：

D1)对随机的切分对(j，s)，划分区域并决定相应的输出值：

R₁(j，s)＝{x|x^(j)≤s}，R₂(j，s)＝{x|x^(j)＞s}

D2)将所述原始数据划分M个子区域R₁，R₂，...，R_M，生成最终得决策树：

进一步地，所述最佳极限学习机模型网络结构的回去步骤包括：计算所述极限学习机模型预测的平均块度值与真实块度值之间的均方根误差和R平方，确定最小的均方根误差和最大的R平方所对应的所述极限学习机模型的神经元个数，从而得到所述最佳的极限学习机网络结构，并保存好该网络结构中对应的权重参数值：

其中，g(x)表示激活函数，W_i表示隐藏层中第i个神经元的权重值，β_i表示第i个神经元输出层的权重值，b_i表示第i个隐藏层神经元的偏置值，L表示隐藏层中的神经元数量，O表示输出结果值，采用均方根误差和R平方作为评判准则，取均方根误差最小，R平方最大，所对应的所述神经元数量L为最佳值：

其中，y_i表示新变量参数x′_i对应的目标值，y′_i表示新变量参数x′_i对应的预测值，

表示所有新变量参数x′_i目标值的均值。

通过上述技术方案，在本发明所提供的基于机器学习和极限学习机混合模型的爆破块度预测方法，其在确定了数据的变量参数之后，先计算变量参数的偏度值，从而能够对根据偏度值将变量参数进行分类，随后将各类变量参数基于相应的转换方法进行转化，以能够得到新变量参数，根据不同的爆破变量参数对应的偏度信息，采用不同的转换方法，能够使整个数据集更加符合正态分布，能够保证预测的准确度；对新变量参数基于至少一种机械学习方法进行处理，使得每个新变量参数在经过至少一种机械学习方法的处理后能够得到的到具有多个新特征数据的新特征数据集，通过机械学习方法进行处理得到的新特征数据集是低维度特征参数，能够避免直接采用多影响的高维度参数作为输入变量带来的数据复杂性和建模难得问题，使得预测的建模难度降低，且能够减少预测过程的计算量；随后根据新特征数据单元确定极限学习机模型隐藏层神经元个数，并据此的到得最佳极限学习机模型网络结构，并保存最佳极限学习机模型网络结构中对应的权重参数值，以能够基于新特征数据集、最佳极限学习机模型网络结构以及权重参数值预测爆破平均块度，利用极限学习机对爆破块度进行预测，能够减少模型训练优化迭代的次数，快速获得预测模型，且能够充分保障了爆破平均块度预测的精度和模型鲁棒性和可靠性。

有关本发明的其它优点以及优选实施方式的技术效果，将在下文的具体实施方式中进一步说明。

附图说明

图1是本发明基于机器学习和极限学习机混合模型的爆破块度预测方法的流程图；

图2是本发明基于机器学习和极限学习机混合模型的爆破块度预测方法中的新特征生成流程图；

图3是本发明基于机器学习和极限学习机混合模型的爆破块度预测方法中的变量参数S/B的柱状图；

图4是本发明基于机器学习和极限学习机混合模型的爆破块度预测方法中的变量参数H/B的柱状图；

图5是本发明基于机器学习和极限学习机混合模型的爆破块度预测方法中的变量参数B/D的柱状图；

图6是本发明基于机器学习和极限学习机混合模型的爆破块度预测方法中的变量参数T/B的柱状图；

图7是本发明基于机器学习和极限学习机混合模型的爆破块度预测方法中的变量参数Pf的柱状图；

图8是本发明基于机器学习和极限学习机混合模型的爆破块度预测方法中的变量参数XB的柱状图；

图9是本发明基于机器学习和极限学习机混合模型的爆破块度预测方法中的变量参数E的柱状图；

图10是本发明基于机器学习和极限学习机混合模型的爆破块度预测方法中的变量参数X50的柱状图。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

如图1所示，作为本发明所提供的基于机器学习和极限学习机混合模型的爆破块度预测方法的一种实施例，该方法包括如下步骤：

A)获取爆破的原始数据，在爆破现场可通过激光测距仪、卷尺等设备测量爆破设计参数和室内岩石力学实验得到岩石力学性质参数，确定原始数据的变量参数，计算原始数据各变量参数的偏度值；

B)根据各变量参数的偏度值对变量参数进行分类，对各类的变量参数基于设定的转换方法进行转化，以生成新变量参数，并对新变量参数基于至少一种机械学习方法进行处理，以生成新特征数据集；

C)根据新特征数据单元确定极限学习机模型隐藏层神经元个数，并据此的到得最佳极限学习机模型网络结构，并保存最佳极限学习机模型网络结构中对应的权重参数值；

D)基于新特征数据集、最佳极限学习机模型网络结构以及权重参数值预测爆破平均块度。

具体地，变量参数包括爆破设计参数：S/B，H/B，B/D，T/B、炸药参数Pf以及岩石力学性质参数：X_B、E，其中S表示炮孔间距、B表示排距、H表示台阶高度、D表示炮孔直径、T表示填塞长度、Pf表示炸药单耗、X_B表示现场岩块尺度、E表示岩石的杨氏弹性模量，可通过如图3至图10所示的柱状图来获取上述7种变量参数的分布情况。

进一步地，计算上述7种变量参数的偏度值S_K，偏度值S_K是基于各变量参数的标准差获得：

其中，x_i为变量参数，n为变量参数的样本量数，S表示变量参数的标准差，当偏度＜0时，称为负偏，数据出现左侧长尾；当偏度＞0时，称为正偏，数据出现右侧长尾，并据此将上述的7中变量参数进行分类，以对不同类别的变量参数进行不同方式的转化。

进一步地，变量参数的转化过程包括：对偏度值大于0的变量参数利用均方根的方法进行转换；对偏度值小于0的变量参数利用取相反数的方法进行转换以得到新变量参数x′_i(偏度值为0则无需转换)：

根据不同的爆破变量参数对应的偏度信息，采用不同的转换方法进行转换，能够使整个数据集更加符合正态分布，更加接近实际情况。

进一步地，机械学习方法包括随机森林回归算法(RFR)、自适应提升回归算法(ABR)、梯度增强回归算法(GBR)以及极限树回归算法(ETR)，对各新变量参数x′_i利用随机森林回归算法、自适应提升回归算法、梯度增强回归算法以及极限树回归算法进行机器学习，生成新的特征，如图2所示，原始数据集D＝{(X₁，Y₁)，(X₂，Y₂)，...(X_N-1，Y_N-1)，(X_N，Y_N)}，其中每一组数据X_i包含S/B、H/B、B/D、T/B、Pf、X_B、E 7个参数变量，Y_i表示对应的目标块度值，每一组参数X_i通过随机森林回归算法、自适应提升回归算法、梯度增强回归算法以及极限树回归算法进行机器学习，都会得到四个新的特征值F₁、F₂、F₃、F₄，并将各新变量参数x′_i经过机器学习后得到的新特征数据(F₁、F₂、F₃、F₄)集合成为该新变量参数x′_i的新特征数据集。因此，原始的爆破数据维度为N×7，通过机器学习模型转换之后生成的新的特征维度为N×4，通过随机森林回归算法、自适应提升回归算法、梯度增强回归算法以及极限树回归算法生成新的特征参数，一方面充分考虑了尽可能影响爆破块度的所有因素，另一方面，通过生成新的低维度特征参数又避免了直接采用多影响(高维度)参数作为输入变量带来的数据复杂性和建模难得间题。

具体地，对新变量参数x′_i利用随机森林回归算法处理的步骤包括：

A1)对新变量参数x′_i基于切分选取公式选取最佳的切分变量j和切分点s，切分选取公式如下：

其中：c₁为D1数据集的样本输出均值，c2为D2数据集的样本输出均值，遍历变切分量j，对固定的切分变量j，遍历切分点s，求使得切分选取公式达到最小值的切分对(j，s)，具体地，以表1为例：

表1

假设切分变量j为所有变量参数中的第一个变量S/B，然后设定切分点s为1.2，也就是说变量S/B的值小于等于1.2的就归为D1数据集，大于1.2的就归为D2数据集，那么D1数据集与D2数据集则分别如表2，表3所示：

表2

表3

然后再分别对新划分出的D1数据集和D2数据集按照上述方法进行进一步划分，并以此类推；

A2)对选定得切分对(j，s)，划分区域并决定相应的输出值：

R₁(j，s)＝{x|x^(j)≤s}，R₂(j，s)＝{x|x^(j)＞s}

其中，R₁为所有的变量参数x′_i的数据集中对应的待切分的变量参数x′_i的值小于等于切分点s的区域，R₂为所有的变量参数x′_i的数据集中对应的待切分的所述变量参数x′_i的值大于切分点s的区域，x为所有的变量参数x′_i，x^(j)为选择切分的变量参数x′_i，N_m为R₁或者R₂区域中样本的数量，R_m为划分出来的R₁和R₂，y_i为R₁和R₂中对应的输出值X₅₀，

表示R₁和R₂中输出的均值，以步骤A1)中的阐述为例，假设我们的切分变量j为所有参数中的第一个变量S/B，然后我们的切分点s为1.2，也就是说(j，s)为(S/B，1.2)，那么{x|x^(j)≤s}中的参数含义则分别为：x表示所有的特征变量S/B，H/B，B/D，T/B)、炸药参数(Pf)以及岩石力学性质参数(X_B、E)；x^(j)则表示我们本次选择切分的特征(例如S/B)；那s就表示切分点值(例如1.2)；所以R₁(j，s)就表示所有数据集中对应S/B值小于等于s的区域(即表2)；同理R₂(j，s)就是表示所有数据集中对应S/B值大于s的区域(即表3)；N_m表示R₁或者R₂区域中样本的数量；R_m为划分出来的两个区域R₁和R₂；y_i表示R₁和R₂中对应的输出值X₅₀；

分别表示R₁和R₂中输出的均值；

A3)将原始数据划分为M个子区域R₁，R₂，...，R_M，生成最终得决策树：

其中，I表示单位矩阵。

具体地，对新变量参数x′_i利用自适应提升回归算法处理的步骤包括：

B1)初始化变量参数的权重，定义每一个新变量参数x′_i的样本的权重均初始化为1/N：

W₁(x′_i)＝1/N，W_t(x′_i)＝1/N，t∈{1，2，...，T}

其中，T表示循环迭代次数；

B2)循环迭代，在变量参数的样本分布为W_t(X)的基础上，利用训练集训练弱分类器h_t，计算弱分类器h_t在训练集上的最大误差E_t：

E_t＝max|y_i-h_t(x′_i)|，i＝1，2，...，N

其中，h_t(x′_i)表示弱分类器h_t对新变量参数x′_i的预测结果，y_i表示新变量参数x′_i的目标值；

B3)根据最大误差E_t，计算弱分类器h_t对每个新变量参数x′_i的相对误差∈_ti：

并根据相对误差∈_ti，计算出弱分类器h_t的误差率∈_t：

其中，w_ti表示每个新变量参数对应的权重值；基于误差率∈_t更新弱分类器h_t的权重W_t+1(X_i)：

其中，α_t表示弱分类器h_t的权重系数，W_t(X_i)表示上次更新的样本的权重，W_t+1(X_i)表示本次更新的样本的权重，Z_t表示归一化因子；

B4)结束T轮迭代，基于误差率∈_t得到强回归器H(x)：

其中，f(x)为所有弱分类器h_t的权重W_t+1(X_i)出结果的中位数，且t＝1，2，...，T。

进一步地，对新变量参数x′_i利用梯度增强回归算法处理的步骤包括：

C1)初始化基学习器：

其中，L(y，R(x))表示均方误差损失函数，c为常量，表示所有新变量参数x′_i的目标值的均值；

C2)计算变量参数经过t次迭代的负梯度：

其中

表示损失函数求偏导，利用(x′_i，r_ti)i＝1，2，...，m，得到第i颗回归树对应的叶子节点区域为R_tj，j＝1，2，...，J：

R_tj＝{(X_i，r_ti)，i＝1，2，...，m}

其中J为叶子节点的个数，对叶子结点区域R_tj，计算最佳拟合值：

C3)基于叶子结点区域R_tj更新强学习器：

进一步地，对新变量参数x′_i利用极限树回归算法处理的步骤与随机森林回归算法步骤类似，只是极限树回归是使用所有的训练样本得到每棵决策树，同时，极限树回归是完全随机的得到分叉值，其他的回归过程与随机森林回归算法完全相同，具体地，新变量参数x′_i利用所述极限树回归算法处理的步骤包括：

D1)对随机的切分对(j，s)，划分区域并决定相应的输出值：

R₁(j，s)＝{x|x^(j)≤s}，R₂(j，s)＝{x|x^(j)＞s}

D2)将所述原始数据划分M个子区域R₁，R₂，...，R_M，生成最终得决策树：

进一步地，最佳极限学习机模型网络结构的回去步骤包括：计算极限学习机模型预测的平均块度值与真实块度值之间的均方根误差和R平方，确定最小的均方根误差和最大的R平方所对应的极限学习机模型的神经元个数，从而得到最佳的极限学习机网络结构，并保存好该网络结构中对应的权重参数值：

其中，g(x)表示激活函数，W_i表示隐藏层中第i个神经元的权重值，β_i表示第i个神经元输出层的权重值，b_i表示第i个隐藏层神经元的偏置值，L表示隐藏层中的神经元数量，O表示输出结果值(即爆破块度的预测结果)，采用均方根误差和R平方作为评判准则，取均方根误差最小，R平方最大，所对应的神经元数量L为最佳值：

其中，y_i表示新变量参数x′_i对应的目标值，y′_i表示新变量参数x′_i对应的预测值，

表示所有新变量参数x′_i目标值的均值。

通过上述技术方案，在本发明所提供的基于机器学习和极限学习机混合模型的爆破块度预测方法，其在确定了数据的变量参数之后，先计算变量参数的偏度值，从而能够对根据偏度值将变量参数进行分类，随后将各类变量参数基于相应的转换方法进行转化，以能够得到新变量参数，根据不同的爆破变量参数对应的偏度信息，采用不同的转换方法，能够使整个数据集更加符合正态分布，能够保证预测的准确度；对新变量参数基于至少一种机械学习方法进行处理，使得每个新变量参数在经过至少一种机械学习方法的处理后能够得到的到具有多个新特征数据的新特征数据集，通过机械学习方法进行处理得到的新特征数据集是低维度特征参数，能够避免直接采用多影响的高维度参数作为输入变量带来的数据复杂性和建模难得问题，使得预测的建模难度降低，且能够减少预测过程的计算量；随后根据新特征数据单元确定极限学习机模型隐藏层神经元个数，并据此的到得最佳极限学习机模型网络结构，并保存最佳极限学习机模型网络结构中对应的权重参数值，以能够基于新特征数据集、最佳极限学习机模型网络结构以及权重参数值预测爆破平均块度，利用极限学习机对爆破块度进行预测，能够减少模型训练优化迭代的次数，快速获得预测模型，且能够充分保障了爆破平均块度预测的精度和模型鲁棒性和可靠性。

以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于此。在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，包括各个具体技术特征以任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。但这些简单变型和组合同样应当视为本发明所公开的内容，均属于本发明的保护范围。

Claims (10)

1.基于机器学习和极限学习机混合模型的爆破块度预测方法，其特征在于，包括如下步骤：

A)获取爆破的原始数据，确定所述原始数据的变量参数，计算所述原始数据各变量参数的偏度值；

B)根据各所述变量参数的所述偏度值对所述变量参数进行分类，对各类所述变量参数基于设定的转换方法进行转化，以生成新变量参数，并对所述新变量参数基于至少一种机械学习方法进行处理，以生成新特征数据集；

C)根据所述新特征数据集确定极限学习机模型隐藏层神经元个数，据此得到最佳极限学习机模型网络结构，并且保存所述最佳极限学习机模型网络结构中对应的权重参数值；

D)基于所述新特征数据集、所述最佳极限学习机模型网络结构以及所述权重参数值预测爆破平均块度。

2.根据权利要求1所述的基于机器学习和极限学习机混合模型的爆破块度预测方法，其特征在于，所述变量参数包括爆破设计参数：S/B，H/B，B/D，T/B、炸药参数Pf以及岩石力学性质参数：X_B、E，其中S表示炮孔间距、B表示排距、H表示台阶高度、D表示炮孔直径、T表示填塞长度、Pf表示炸药单耗、X_B表示现场岩块尺度、E表示岩石的杨氏弹性模量。

3.根据权利要求2所述的基于机器学习和极限学习机混合模型的爆破块度预测方法，其特征在于，所述偏度值基于各所述变量参数的标准差获得：

其中，x_i为所述变量参数，n为所述变量参数的样本量数，S表示所述变量参数的标准差，S_K为偏度值。

4.根据权利要求3所述的基于机器学习和极限学习机混合模型的爆破块度预测方法，其特征在于，所述变量参数的转化过程包括：对所述偏度值大于0的所述变量参数利用均方根的方法进行转换；对所述偏度值小于0的所述变量参数利用取相反数的方法进行转换以得到新变量参数x′_i：

5.根据权利要求4所述的基于机器学习和极限学习机混合模型的爆破块度预测方法，其特征在于，所述机械学习方法包括随机森林回归算法、自适应提升回归算法、梯度增强回归算法以及极限树回归算法，对各所述新变量参数x′_i利用所述随机森林回归算法、自适应提升回归算法、梯度增强回归算法以及极限树回归算法进行机器学习，并将各所述新变量参数x′_i经过机器学习后得到的新特征数据集合成为该新变量参数x′_i的所述新特征数据集。

6.根据权利要求5所述的基于机器学习和极限学习机混合模型的爆破块度预测方法，其特征在于，所述新变量参数x′_i利用所述随机森林回归算法处理的步骤包括：

A1)对所述新变量参数x′_i基于切分选取公式选取最佳的切分变量j和切分点s，所述切分选取公式如下：

其中：c₁为D1数据集的样本输出均值，c2为D2数据集的样本输出均值，遍历所述变切分量j，对固定的所述切分变量j，遍历所述切分点s，求使得所述切分选取公式达到最小值的切分对(j，s)；

A2)对选定得所述切分对(j，s)，划分区域并决定相应的输出值：

R₁(j,s)＝{x|x^(j)≤s},R₂(j,s)＝x|x^(j)>s}

其中，R₁为所有的所述变量参数x′_i的数据集中对应的待切分的所述变量参数x′_i的值小于等于所述切分点s的区域，R₂为所有的所述变量参数x′_i的数据集中对应的待切分的所述变量参数x′_i的值大于所述切分点s的区域，x为所有的所述变量参数x′_i，x^(j)为选择切分的所述变量参数x′_i，N_m为R₁或者R₂区域中样本的数量，R_m为划分出来的R₁和R₂，y_i为R₁和R₂中对应的输出值X₅₀，

表示R₁和R₂中输出的均值；

A3)将所述原始数据划分为M个子区域R1,R2,…,R_M，生成最终得决策树：

其中，I表示单位矩阵。

7.根据权利要求6所述的基于机器学习和极限学习机混合模型的爆破块度预测方法，其特征在于，所述新变量参数x′_i利用所述自适应提升回归算法处理的步骤包括：

B1)初始化所述变量参数的权重，定义每一个所述新变量参数x′_i的样本的权重均初始化为1/N：

W₁(x′_i)＝1/N,W_t(x′_i)＝1/N,t∈{1,2,…,T}

其中，T表示循环迭代次数；

B2)循环迭代，在所述变量参数的样本分布为W_t(X)的基础上，利用训练集训练弱分类器h_t，计算所述弱分类器h_t在所述训练集上的最大误差E_t：

E_t＝max|y_i-h_t(x′_i)|,i＝1,2,…,N

其中，h_t(x′_i)表示所述弱分类器h_t对所述新变量参数x′_i的预测结果，y_i表示所述新变量参数x′_i的目标值；

B3)根据所述最大误差E_t，计算所述弱分类器h_t对每个所述新变量参数x′_i的相对误差∈_ti：

并根据所述相对误差∈_ti，计算出所述弱分类器h_t的误差率∈_t：

其中，w_ti表示每个所述新变量参数对应的权重值；基于所述误差率∈_t更新所述弱分类器h_t的权重W_t+1(X_i)：

其中，α_t表示弱分类器h_t的权重系数，W_t(X_i)表示上次更新的样本的权重，W_t+1(X_i)表示本次更新的样本的权重，Z_t表示归一化因子；

B4)结束迭代，基于所述误差率∈_t得到强回归器H(x)：

其中，f(x)为所有所述弱分类器h_t的权重W_i+1(x′_i)出结果的中位数，且t＝1,2,…,T。

8.根据权利要求7所述的基于机器学习和极限学习机混合模型的爆破块度预测方法，其特征在于，所述新变量参数x′_i利用所述梯度增强回归算法处理的步骤包括：

C1)初始化基学习器：

其中，L(y,H(x))表示均方误差损失函数，c为常量，表示所有新变量参数x′_i的目标值的均值；

C2)计算所述变量参数经过t次迭代的负梯度：

其中

表示损失函数求偏导，利用(X_i,r_ti)i＝1,2,…,m，得到第i颗回归树对应的叶子节点区域为R_tj,j＝1,2,…,J：

R_tj＝{(x′_i,r_ti),i＝1,2,…,m}

其中J为叶子节点的个数，对所述叶子结点区域R_tj，计算最佳拟合值：

C3)基于所述叶子结点区域R_tj更新强学习器：

9.根据权利要求8所述的基于机器学习和极限学习机混合模型的爆破块度预测方法，其特征在于，所述新变量参数x′_i利用所述极限树回归算法处理的步骤包括：

D1)对随机的切分对(j，s)，划分区域并决定相应的输出值：

R₁(j,s)＝{x|x^(j)≤s},R₂(j,s)＝{x|x^(j)>s}

D2)将所述原始数据划分M个子区域R₁,R₂,…,R_M，生成最终得决策树：

10.根据权利要求9所述的基于机器学习和极限学习机混合模型的爆破块度预测方法，其特征在于，所述最佳极限学习机模型网络结构的获取步骤包括：计算所述极限学习机模型预测的平均块度值与真实块度值之间的均方根误差和R平方，确定最小的均方根误差和最大的R平方所对应的所述极限学习机模型的神经元个数，从而得到所述最佳的极限学习机网络结构，并保存好该网络结构中对应的权重参数值：

其中，g(x)表示激活函数，W_i表示隐藏层中第i个神经元的权重值，β_i表示第i个神经元输出层的权重值，b_i表示第i个隐藏层神经元的偏置值，L表示隐藏层中的神经元数量，O表示输出结果值，采用均方根误差和R平方作为评判准则，取均方根误差最小，R平方最大，所对应的所述神经元数量L为最佳值：

其中，y_i表示新变量参数x′_i对应的目标值，y′_i表示新变量参数x′_i对应的预测值，

表示所有新变量参数x′_i目标值的均值。

Images