矿业安全与环保

作者：王怀秀, 王慧

关键词：陷落柱识别, 深度神经网络, Focal Loss, LightGBM, 不平衡分类

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( F 1-score)、曲线下面积( A UC)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 F 1-score和 A UC值均在93%以上，能有效识别陷落柱，且模型泛化能力更强。

来源：2024年第5期

《矿业安全与环保》期刊编辑部

查看矿业安全与环保杂志2024年第5期