買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜杭州電子科技大學申請的專利一種基于AdaBoost算法的復雜采掘工程高韌性安全評估方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN117151915B 。

龍圖騰網通過國家知識產權局官網在2025-05-06發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202310882745.4，技術領域涉及：G06Q50/02；該發明授權一種基于AdaBoost算法的復雜采掘工程高韌性安全評估方法是由施凡;常雷雷;徐曉濱設計研發完成，并于2023-07-18向國家知識產權局提交的專利申請。

本一種基于AdaBoost算法的復雜采掘工程高韌性安全評估方法在說明書摘要公布了：一種基于AdaBoost算法的復雜采掘工程高韌性安全評估方法。該方法將隧道設計參數、地質條件參數和施工參數作為模型的輸入，礦井沉降值作為輸出，將施工現場采集的輸入參數數據劃分為訓練數據集和測試數據集；然后從中抽取多個訓練子集，并分別建立多個子模型；然后分別計算子模型的誤差和權重；接著以神經網絡作為基準模型將所有訓練數據集劃分為正常數據和異常數據并對它們賦予不同的權重；最后根據加權后的數據集構建最終的預測模型。研究結果表明，基于正常數據和異常數據構建的AdaBoost高韌性安全評估方法比直接使用AdaBoost算法所得結果的準確率更高，這一優勢也體現在訓練集和測試集中添加額外噪聲的實驗結果中。

本發明授權一種基于AdaBoost算法的復雜采掘工程高韌性安全評估方法在權利要求書中公布了：1.一種基于AdaBoost算法的復雜采掘工程高韌性安全評估方法，其特征在于該方法包括以下步驟：1數據采集與劃分數據集；將隧道設計參數、地質條件參數和施工參數作為模型的輸入參數，從實際的煤礦采掘施工現場收集的時序數據中采集所述輸入參數的數據，構建完整數據集D；在完整數據集D中按順序將前80％劃分為訓練集DT，剩余20％劃分為測試集DV；2從訓練集DT中隨機抽S個子數據集構建S個子模型；在DT中按照相同比例隨機抽取S個子數據集來構建S個子模型，這些子數據集占完整訓練集的大多數數據并且子模型的數量至少30個以上，即S≥30，其目的是為了減少建模過程中的隨機誤差；本步驟中訓練子數據集的抽取允許有重復的抽取，即任意兩個訓練子集的交集允許不為空，僅需要確保各子集大小相同；3計算子模型的誤差和權重；3.1計算子模型誤差；首先對每個子模型中的每組數據計算輸出誤差如下所示： 其中，p代表子模型中數據量的大小，p∈[1,360]且p為整數，yp代表第p組數據的真實輸出；代表第p組數據在子模型s中的輸出；如果第p組數據沒有出現在子模型中，則然后利用BP神經網絡模型對第s個子模型計算平均絕對誤差百分比MAPEs，如下所示： 其中，P代表構建第s個子模型的P組數據，P為360，p代表第s個子模型中數據量的大小，p∈[1,360]且p為整數；3.2計算子模型權重計算子模型的MAPEs以表示它們識別相應子訓練數據集的能力，并且MAPEs∈[0,100％]；其中MAPEs＝0表示模型的最高建模能力，MAPEs＝100％表示模型的最低建模能力；因此根據如下公式得到第s個子模型權重：ws＝1-MAPEs3其中，ws∈[0,1]；3.3計算所有P組數據的平均誤差；通過每組數據的輸出誤差和子模型的權重，計算所有P組數據的平均誤差，如下所示： 其中，代表在第s個子模型中第p組數據的輸出誤差；ws代表第s個子模型的權重；s*代表此子模型沒有使用第p組數據構建；如果第p組數據不用于構建第s*個子模型，則ep＝0；上述公式也可以轉換為下式： 4數據加權并構建預測模型；把步驟3計算得來的子模型中每組數據的平均誤差按照從大到小順序排列，將前10％的數據定義為異常數據，其余90％的數據定義為正常數據；正常數據有助于建立精準的安全性評估模型，將其權重系數設置為1；而異常數據則會干擾安全性評估建模過程，應賦予更小的權重，將其權重系數設置為0.01；得到所有數據的更新權重后，對權重進行歸一化以避免權重之和大于1，并對訓練集DT中的每組數據進行加權后，返回新的加權數據集來構建最終的預測模型；5在測試集上進行驗證；隨著數據權重的更新，全部的加權訓練集用來構建最終的預測模型，并用步驟4最終構建的預測模型在測試集上進行驗證。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人杭州電子科技大學，其通訊地址為：310018 浙江省杭州市下沙高教園區2號大街3號路口；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。