来源：期刊VIP网 时间：
作者：马恒;张世龙;高科;
单位：辽宁工程技术大学安全科学与工程学院;辽宁工程技术大学教育部矿山热动力灾害与防治重点实验室;
摘要：针对现有掘进工作面温度预测方法存在预测模型泛化性不强、鲁棒性较差，且对非线性多维数据的预测能力有限的问题，提出了一种基于集成学习强化反向传播神经网络（BPNN）的掘进工作面温度预测模型，即t-SNE-BPNN-AdaBoost。首先采用t-分布随机邻域嵌入（t-SNE）非线性降维技术，将通风机前风量、温度、相对湿度等7项高维特征降至3维，保留数据局部结构并去除噪声。然后将降维数据输入BPNN作为基分类器，经迭代训练得到初步模型。最后通过自适应推进算法（AdaBoost）集成学习，迭代训练多个BPNN弱分类器并加权组合为强分类器，增强模型泛化能力。将60组掘进工作面实测数据按8∶2划分为训练集与测试集，经5折交叉验证确定AdaBoost最优弱学习器数量为30。实验结果表明：(1) t-SNE-BPNN-AdaBoost预测曲线和真实值贴合度最优，整体误差小，在温度突变区段适应力强，稳定性远超SVM,BPNN和t-SNE-BPNN。(2) t-SNE-BPNNAdaBoost的预测相对误差最小，几乎在5%以内，表现出最优的预测精度。(3)在测试集上，t-SNEBPNN-AdaBoost的决定系数为0.978 4，较SVM,BPNN,t-SNE-BPNN分别提高了60.3%,17.2%,8.1%；平均绝对误差为0.167 6，均方误差为0.056 7，平均绝对百分比误差为0.964 0，指标均显著优于SVM,BPNN和t-SNE-BPNN，在温度突变区段适应性更强。
关键词：掘进工作面温度预测;;t-分布随机邻域嵌入;;BP神经网络;;t-SNE;;自适应推进算法;;AdaBoost集成学习;;5折交叉验证
基金资助：国家自然科学基金项目（52074148）
