来源：期刊VIP网 时间：
作者：王怀秀;王慧;
单位：北京建筑大学电气与信息工程学院;
摘要：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。
关键词：陷落柱识别;;深度神经网络;;Focal Loss;;LightGBM;;不平衡分类
基金资助：国家重点研发计划项目(2018YFC0807806)
