[发明专利]基于集成学习的群智能采煤机切割模式识别系统

权利要求书

1.基于集成学习的群智能采煤机切割模式识别系统，其特征在于：包括数据预处理模块、采煤机切割模式识别极限梯度提升模型建模模块、群智能寻优模块以及采煤机未知切割模式识别模块；

所述数据预处理模块用以进行采煤机切割数据预处理，采用如下过程完成：

(1.1)从数据库中采集1个采煤机切割信号，其特征分别为x_j，j＝1,2,…d，d为特征维度；

(1.2)对样本特征进行归一化处理，得到归一化特征值

所述采煤机切割模式识别极限梯度提升模型建模模块用以建立采煤机切割XGBoost识别模型，采用如下过程完成：

(2.1)从数据库中采集N_s个采煤机切割信号X_s及其所对应的采煤机切割工作模式标签Y_s作为训练集,采集N_v个采煤机切割信号X_v及其所对应的采煤机切割工作模式标签Y_v作为测试集；

(2.2)采用训练集进行监督训练，得到基于XGBoost的采煤机切割模式识别模型：

Y_s＝f(X_s)； (2)

所述群智能寻优模块用以对XGBoost的重要参数：学习率learning_rate、最大树深度max_depth、最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma进行优化；采用如下过程完成：

(3.1)对于重要基础参数学习率和最大树深度采用网格搜索方法：

learning_rate＝0.05～0.3,stride＝0.05；

max_depth＝2～7,stride＝1；

即先固定学习率learning_rate和最大树深度为搜索网格中的一个点上的值，在此基础上进行最小叶子节点样本权重min_child_weight和节点分裂所需的最小损失函数下降值gamma的寻优，其中stride为网格搜索步长；

(3.2)对于最小叶子节点样本权重min_child_weight、节点分裂所需的最小损失函数下降值gamma采用自适应粒子群算法进行寻优；

(3.2.1)随机产生初始粒子群速度和位置；

(3.2.2)计算种群多样性指数D(t)：

其中，Gbest(t)是整个粒子群在第t次迭代时到达过的全局最优解，F(Gbest(t))表示对应的适应度值，m是粒子群规模，r_i(t)是第i个粒子在第t次迭代时的位置，F(r_i(t))表示r_i(t)对应的适应度值；

(3.2.3)更新粒子群学习速率参数μ(t)：

(3.2.4)更新粒子的速度和位置，产生新的群体；

其中，α₁是个体加速度参数，α₂是全局加速度参数，和是0-1之间的随机数，t为迭代次数，m为粒子群规模；v_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的速度，v_ik(t)是第i个粒子的第k个分量在第t次迭代的速度，r_ik(t+1)是第i个粒子的第k个分量在第t+1次迭代的位置，r_ik(t)是第i个粒子的第k个分量在第t次迭代的位置，Lbest_ik是第i个粒子的第k个分量到达过的最优解，Gbest_k是第k个分量的全局最优解，R是待寻优的参数个数，k＝1,2分别对应于最小叶子节点样本权重min_child_weight与节点分裂所需的最小损失函数下降值gamma；

(3.2.5)判断是否符合算法终止条件，若符合，输出全局最优粒子及其代表的最优解，并结束迭代；否则返回第(3.2.2)步继续迭代；

其中，粒子群规模为50－100，个体加速度参数为0.5，全局加速度参数为0.35，个体适应度选择错误率的相反数，终止条件为连续五次迭代全局最优解不变；

(3.3)重复步骤(3.1)和步骤(3.2)，将优化好的模型在验证集上进行测试，选取验证集上正确率最高的模型作为最优XGBoost采煤机切割模式识别模型；

所述采煤机未知切割模式识别模块，利用训练好的最优XGBoost采煤机切割模式识别模型对新采集的采煤机未知切割信号进行识别；采用如下过程完成：

(4.1)对新采集到的采煤机未知切割信号X_t进行预处理：

(4.2)利用群智能寻优模块优化后的最优XGBoost采煤机切割模式识别模型对采煤机未知切割进行识别：

其中，f_opt为优化后的最优模型，为预测的未知采煤机切割类别。