期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于改进残差网络的陷落柱识别方法
被引量:
2
1
作者
张天
孙连英
+2 位作者
杨琰
涂帅
王金锋
《煤田地质与勘探》
EI
CAS
CSCD
北大核心
2023年第5期171-179,共9页
矿区地质条件复杂,高效、准确的陷落柱识别至关重要。在传统方法中,解释陷落柱最常采用的是人机交互解释方法,但随着勘探规模的扩大、生成数据的不断积累,传统的人工解释陷落柱已满足不了实际生产需要。为了提高陷落柱的识别精度,提出了...
矿区地质条件复杂,高效、准确的陷落柱识别至关重要。在传统方法中,解释陷落柱最常采用的是人机交互解释方法,但随着勘探规模的扩大、生成数据的不断积累,传统的人工解释陷落柱已满足不了实际生产需要。为了提高陷落柱的识别精度,提出了CINet(Collapse Column Identification Network)网络模型,把自动识别陷落柱的方法看作二分类问题,在深度学习算法残差网络的基础上对残差模块进行改进,构建出新的网络模型CINet,引入平衡交叉熵损失,解决数据中陷落柱与非陷落柱比例高度不平衡问题,使模型朝着正确的方向收敛。通过模型的预测结果与实际数据比对表明,相比于传统的机器学习和残差网络模型,CINet网络模型可以从原始数据中学习到更加详细的特征信息,提高陷落柱的识别精度,F1评分可以达到91.10%,实现了陷落柱快速精准识别,对预防地质灾害的发生具有较好的指导作用。
展开更多
关键词
陷落柱识别
CINet网络
数据不平衡
残差网络
下载PDF
职称材料
基于K-means SMOTE和随机森林算法的陷落柱识别模型
被引量:
3
2
作者
郝帅
王怀秀
刘最亮
《煤矿安全》
CAS
北大核心
2023年第2期174-180,共7页
为了克服单一地震属性在对陷落柱进行识别时出现多解性和不确定性问题以及样本数据不平衡带来的识别准确率偏移问题,构建了基于K-means SMOTE和随机森林二分类陷落柱识别模型,通过对多个地震属性进行联合分析以达到识别陷落柱的目的。...
为了克服单一地震属性在对陷落柱进行识别时出现多解性和不确定性问题以及样本数据不平衡带来的识别准确率偏移问题,构建了基于K-means SMOTE和随机森林二分类陷落柱识别模型,通过对多个地震属性进行联合分析以达到识别陷落柱的目的。以山西新元煤炭责任有限公司首采区东翼南部矿区作为研究区域,将前方解释人员通过三维地震勘探技术提取到的12种地震属性作为样本特征,并将实际揭露的陷落柱信息作为样本标签,构建地震多属性数据集;通过相关性分析和聚类分析评估以及随机森林重要性分析进行地震属性优选,最终优选相对独立的6种地震属性作为样本特征;利用K-means SMOTE算法对数据集进行平衡处理,补充得到8 992个数据,选取其中6 294个数据作为训练集,2 698个数据作为测试集;基于python语言平台搭建随机森林二分类模型,最终预测陷落柱的准确率可达到87%。通过对比3种常见机器学习分类算法,该模型识别陷落柱的准确率更高。
展开更多
关键词
陷落柱识别
K-means
SMOTE
随机森林
三维地震勘探技术
地震属性优选
机器学习
下载PDF
职称材料
题名
基于改进残差网络的陷落柱识别方法
被引量:
2
1
作者
张天
孙连英
杨琰
涂帅
王金锋
机构
北京联合大学智慧城市学院
北京联合大学城市轨道交通与物流学院
出处
《煤田地质与勘探》
EI
CAS
CSCD
北大核心
2023年第5期171-179,共9页
基金
国家重点研发计划课题(2018YFC0807806)。
文摘
矿区地质条件复杂,高效、准确的陷落柱识别至关重要。在传统方法中,解释陷落柱最常采用的是人机交互解释方法,但随着勘探规模的扩大、生成数据的不断积累,传统的人工解释陷落柱已满足不了实际生产需要。为了提高陷落柱的识别精度,提出了CINet(Collapse Column Identification Network)网络模型,把自动识别陷落柱的方法看作二分类问题,在深度学习算法残差网络的基础上对残差模块进行改进,构建出新的网络模型CINet,引入平衡交叉熵损失,解决数据中陷落柱与非陷落柱比例高度不平衡问题,使模型朝着正确的方向收敛。通过模型的预测结果与实际数据比对表明,相比于传统的机器学习和残差网络模型,CINet网络模型可以从原始数据中学习到更加详细的特征信息,提高陷落柱的识别精度,F1评分可以达到91.10%,实现了陷落柱快速精准识别,对预防地质灾害的发生具有较好的指导作用。
关键词
陷落柱识别
CINet网络
数据不平衡
残差网络
Keywords
identification of karst collapse column
Collapse Column Identification Network
data imbalance
residual network
分类号
TP39 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于K-means SMOTE和随机森林算法的陷落柱识别模型
被引量:
3
2
作者
郝帅
王怀秀
刘最亮
机构
北京建筑大学电气与信息工程学院
华阳新材料科技集团有限公司
出处
《煤矿安全》
CAS
北大核心
2023年第2期174-180,共7页
基金
国家重点研发计划资助项目(2018YFC0807806-2)。
文摘
为了克服单一地震属性在对陷落柱进行识别时出现多解性和不确定性问题以及样本数据不平衡带来的识别准确率偏移问题,构建了基于K-means SMOTE和随机森林二分类陷落柱识别模型,通过对多个地震属性进行联合分析以达到识别陷落柱的目的。以山西新元煤炭责任有限公司首采区东翼南部矿区作为研究区域,将前方解释人员通过三维地震勘探技术提取到的12种地震属性作为样本特征,并将实际揭露的陷落柱信息作为样本标签,构建地震多属性数据集;通过相关性分析和聚类分析评估以及随机森林重要性分析进行地震属性优选,最终优选相对独立的6种地震属性作为样本特征;利用K-means SMOTE算法对数据集进行平衡处理,补充得到8 992个数据,选取其中6 294个数据作为训练集,2 698个数据作为测试集;基于python语言平台搭建随机森林二分类模型,最终预测陷落柱的准确率可达到87%。通过对比3种常见机器学习分类算法,该模型识别陷落柱的准确率更高。
关键词
陷落柱识别
K-means
SMOTE
随机森林
三维地震勘探技术
地震属性优选
机器学习
Keywords
collapse column identification
K-means SMOTE
random forest
3D seismic exploration technology
seismic attribute optimization
machine learning
分类号
TD163.1 [矿业工程—矿山地质测量]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于改进残差网络的陷落柱识别方法
张天
孙连英
杨琰
涂帅
王金锋
《煤田地质与勘探》
EI
CAS
CSCD
北大核心
2023
2
下载PDF
职称材料
2
基于K-means SMOTE和随机森林算法的陷落柱识别模型
郝帅
王怀秀
刘最亮
《煤矿安全》
CAS
北大核心
2023
3
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部