典型文献
基于AdaBoost卷积神经网络的矿山边坡稳定性预测
文献摘要：
为了准确快速地分析露天矿边坡的稳定性,提出利用AdaBoost卷积神经网络(AdaBoost-CNN)分析露天矿边坡稳定性和影响因素之间的非线性关系.AdaBoost-CNN是结合自适应Boosting算法(AdaBoost)和卷积神经网络(CNN)的一种新的机器学习方法.其核心思想是将CNN的特征提取能力和AdaBoost处理非平衡数据的能力结合起来,具有高可靠性、高精度性、训练时间少等优点.AdaBoost-CNN利用迁移学习,不仅消除了传统CNN需要大量训练样本的限制,而且解决了AdaBoost算法序列化过程中存在着的降低实际性能的问题.分别采用BP神经网络、支持向量机(SVM)、卷积神经网络以及AdaBoost-CNN对工程实测数据进行建模与分析,通过对比均方根误差(RMSE)和相对预测误差(RPE),发现AdaBoost-CNN的预测精度最高、模型泛化能力最强.结果表明,AdaBoost-CNN能够较精确地对边坡的稳定性进行预测,是边坡稳定性预测的可靠性工具.
文献关键词：
矿山边坡;边坡稳定;自适应增强算法;卷积神经网络;稳定性预测
中图分类号：
作者姓名：
冯小鹏;李勇;袁于思;黄定于;张磊
作者机构：
中铁武汉电气化局集团第一工程有限公司,武汉430074;武汉科技大学,武汉430081
文献出处：
引用格式：
[1]冯小鹏;李勇;袁于思;黄定于;张磊-.基于AdaBoost卷积神经网络的矿山边坡稳定性预测)[J].有色金属（矿山部分）,2022(03):65-70,77
A类：
B类：
AdaBoost,矿山边坡,边坡稳定性,稳定性预测,准确快速,露天矿边坡,非线性关系,Boosting,机器学习方法,核心思想,特征提取能力,非平衡数据,高可靠性,训练时间,迁移学习,训练样本,序列化,实际性,工程实测数据,建模与分析,RMSE,预测误差,RPE,模型泛化,泛化能力,自适应增强算法
AB值：
0.245544
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
