煤与瓦斯突出missForest-EGWO-SVM预测模型

针对煤与瓦斯突出预测的数据不完整或缺失问题,提出一种基于miss Forest-EGWO-SVM的煤与瓦斯突出预测模型。以淮南地区的实测数据作为研究样本,采用missForest算法对样本数据进行缺失值填补;为解决SVM算法性能受参数影响大的问题,利用高效灰狼算法(EGWO)对SVM进行参数寻优;完善后的数据集作为EGWO-SVM模型的输入进行实验,与其他模型对比。研究结果表明:采用missForest填补缺失数据,提高了模型的突出事故预测率,EGWO-SVM模型能够有效避免GWO在后期搜索中陷入局部最优,进一步提高了SVM的预测精度。研究结论为缺失数据情况下煤与瓦斯突出预测提供了一种途径。

昆仑山北坡高山流域洪水变化特征

洪水作为最具破坏力的自然灾害之一,在全球变暖背景下,高海拔山区洪水发生的强度和时间已经发生了显著变化,对人类社会和生态系统造成了深远的影响。因此,利用MissForest方法填补昆仑山北坡6大流域的出山口日流量序列,分析6条源流6个出山口站点1961—2022年的洪水强度、发生时间、起涨消退时间以及年最大洪水日平均流量的变化趋势。结果表明:(1)97%的年最大1日流量(AMF)事件发生在夏季,乌鲁瓦提和同古孜洛克站的AMF呈增加趋势,而皮山、策勒、努努买买提兰干和且末站呈减少趋势,除皮山和乌鲁瓦提站外,其余站点AMF变化均显著。所有站点的春季最大1日流量(AMFSp)均呈增加趋势,其中,乌鲁瓦提、同古孜洛克和努努买买提兰干站显著增加。洪水发生时间方面,除皮山站的年最大1日流量发生的日期(AMFD)呈现出显著延迟趋势外,其余5个站点的AMFD显示出不显著的提前趋势;对于春季最大1日流量发生的日期(AMFDSp),6个站点均呈现出不显著提前的趋势。(2)在洪水起涨时间上,同古孜洛克和且末站延长,皮山等4个站点缩短;洪水消退时间上,皮山和策勒站延长,其他站点缩短,整体变化趋势不显著。年最大洪水日平均流量方面,皮山站显著增加,努努买买提兰干和且末站显著减少,其他站点减少趋势不显著。研究成果对提升干旱区水文生态效益、防洪减灾及区域水管理和灾害风险评估具有重要意义。

基于术前评分模型对腹腔镜胰十二指肠切除术术后胰瘘风险的预测分析

目的探究腹腔镜胰十二指肠切除术(LPD)术后胰瘘的危险因素,构建“术前-术中”两位一体评分模型,在术前预测LPD术后胰瘘发生风险,并评估模型的临床应用价值。方法回顾性分析2014年1月至2019年1月湖南省人民医院及常德市第一人民医院176例LPD患者的临床资料,其中30例患者在术后发生B级及以上胰瘘(B级胰瘘28例,C级胰瘘2例)。通过对患者的临床特点、影像学表现、病理特征、治疗及术后恢复等相关数据进行处理,基于术前数据估计术中数据,进而构建“术前-术中”两位一体评分模型预测胰瘘发生风险。结果多因素Logistic回归结果显示,年龄(P<0.001)、血小板计数(P<0.001)、胰腺质地(P=0.003)、胰管直径(P<0.001)、术中出血量(P<0.001)为影响胰瘘发生的显著因素。基于年龄、血小板计数、胰腺质地和胰管直径这4个术前指标数据,采用MissForest算法预估术中出血量,预测术后胰瘘准确率达89.2%(157/176)。基于术前数据和估计出的术中数据,构建LPD术后胰瘘风险评分模型,最终预测效能较好,AUC值达0.792。结论本研究构建的“术前-术中”两位一体评分模型能够基于患者术前身体指标以及估计出的术中出血量,较为准确地预估出LPD术后胰瘘的发生风险。

基于缺失森林模型的稀疏函数型数据修复方法

为解决函数型数据缺失插补问题,在函数型数据分析框架下,以缺失森林模型(MF)为基础,采用基于条件期望主成分分析的函数型插补方法PACE进行初始插补,并通过K-means聚类借助样本之间的相关性插补,给出了一种融合类信息的函数型多重插补方法。模拟数据插补实验结果表明,在不同缺失比例(5%~55%)下,本文方法相较于Hot.deck、MF、均值插补、PACE、MFP、SFI、HFI等7种插补方法,更能保证插补的准确性和有效性。同时,针对股票数据的实例应用验证了本文方法插补得到的数据符合实际情况和规律。

基于数据填补-机器学习的煤与瓦斯突出预测效果研究

为解决煤与瓦斯突出事故数据集少,数据缺失严重的问题,提出将多重插补(MI)和随机森林填补(MF)应用于填补缺失参数,并将填补前和填补后的数据输入SVM,ELM,RF 3种机器学习算法进行训练,构建9种耦合模型。采用总体准确率、局部准确率、运行时间这3种指标评价模型性能。研究结果表明:采用数据填补算法后,由于训练样本增大,煤与瓦斯突出事故预测的总体准确率提高,运行时间增长;MF-RF模型的总体准确率与事故预测准确率最高,分别为97.90%和98.93%;RD-ELM模型的运行时间最短,为0.24 s;多重插补使得煤与瓦斯突出预测的总体准确率提高0.98%~1.11%,随机森林填补总体准确率提高5.13%~7.50%,随机森林填补的效果好于多重插补。

基于随机森林的桁架结构损伤程度预测

为适应桁架结构健康监测技术的发展,进一步优化桁架结构损伤程度预测效果,提出一种基于随机森林的桁架结构损伤程度预测算法。算法建立并优化桁架结构损伤数据库,对多个损伤信号分量提取频域特征,通过孤立森林算法和缺失森林算法对数据库进行异常检测和数据补全,并采用主成分分析法对其进行特征降维。经实验验证,算法能够针对不同损伤程度的桁架结构敏感度做出有效判定,与极端随机树、AdaBoost、Bagging等回归算法相比,均方误差显著降低,为桁架结构健康监测提供了有效的预测手段。