基于LightGBM和DNNFL的陷落柱识别方法研究与应用

P694%TD167; 为了解决不平衡地震属性数据集中陷落柱识别准确率较低的问题,提出了一种基于轻梯度提升机(Light Gradient Boosting Machine,LightGBM)和利用焦点损失(Focal Loss)改进深度神经网络(Deep Neural Networks,DNN)相结合的陷落柱识别方法LightGBM-DNNF.首先通过相关性分析和重要性分析进行属性优选;其次提取LightGBM叶子节点的路径作为新的特征,并与原始数据集组合成新的数据集;最后输入到DNNFL模型中进行分类训练,预测地质构造类型.引入精确率(P)、召回率(R)、F1 分数(F1-score)、曲...

Full description

Saved in:
Bibliographic Details
Published in矿业安全与环保 Vol. 51; no. 5; pp. 125 - 141
Main Authors 王怀秀, 王慧
Format Journal Article
LanguageChinese
Published 北京建筑大学 电气与信息工程学院,北京 102616 01.10.2024
Subjects
陷落柱识别
深度神经网络
LightGBM
collapse column recognition
imbalanced classification
Focal Loss
不平衡分类
deep neural network
Online AccessGet full text
ISSN1008-4495
DOI10.19835/j.issn.1008-4495.20230498

Cover

More Information
Summary:P694%TD167; 为了解决不平衡地震属性数据集中陷落柱识别准确率较低的问题,提出了一种基于轻梯度提升机(Light Gradient Boosting Machine,LightGBM)和利用焦点损失(Focal Loss)改进深度神经网络(Deep Neural Networks,DNN)相结合的陷落柱识别方法LightGBM-DNNF.首先通过相关性分析和重要性分析进行属性优选;其次提取LightGBM叶子节点的路径作为新的特征,并与原始数据集组合成新的数据集;最后输入到DNNFL模型中进行分类训练,预测地质构造类型.引入精确率(P)、召回率(R)、F1 分数(F1-score)、曲线下面积(AUC)作为评价指标,基于 3 个矿区的数据集开展对比实验和消融实验.实验结果表明,与传统的机器学习和单一的集成学习算法相比,LightGBM-DNNFL 模型的F1-score和AUC值均在93%以上,能有效识别陷落柱,且模型泛化能力更强.
ISSN:1008-4495
DOI:10.19835/j.issn.1008-4495.20230498