[发明专利]基于改进ER规则的Stacking集成学习围岩分级方法、装置及介质

权利要求书

1.一种基于改进ER规则的Stacking集成学习围岩分级方法，其特征在于，包括如下步骤：

S1、构建围岩智能分级基模型；

S2、基于准确率和错误样本类型计算基模型可靠性，基于概率向量多样性度量计算基模型权重；

S3、基于得到的基模型的可靠性和权重改进ER规则，构建Stacking集成学习模型；

S4、依据构建的集成学习模型完成隧道围岩智能分级。

2.根据权利要求1所述的基于改进ER规则的Stacking集成学习围岩分级方法，其特征在于：所述步骤S1中包含2个及以上输入为地质信息、输出为围岩级别的围岩智能分级模型；所述地质信息包括推进速度、冲击压力、推进压力、回转压力的凿岩台车钻进参数。

3.根据权利要求1所述的基于改进ER规则的Stacking集成学习围岩分级方法，其特征在于：所述步骤S2中基于准确率和错误样本类型计算基模型可靠性，具体包括：

在准确率的基础上，增加错误样本惩罚因子来增加样本的数量，进而实现对准确率进行折减，并以此作为可靠性，即准确率≥可靠性，当准确率为100％时，错误样本数量为0，总样本数量不增加，二者相等；准确率和可靠性取值范围均为[0,1]；

错误样本的惩罚因子随错误样本类型不同而不同，包括负变更和正变更惩罚因子，其中负变更惩罚因子大于正变更；同一变更类型情况下，错判级别和真实级别差别越大，惩罚力度越大，准确性折减程度越大；负变更错判一级的惩罚因子等价于正变更错判两级；

根据以上原则，确定基模型的可靠性计算公式如下：

式中，r_i为第i个基模型的可靠性，n为基模型数量，N_c,i为第i个基模型的正确样本数量，分别为第i个基模型正、负变更时错判j级的样本数量，为其对应的惩罚因子，q为错判等级差。

4.根据权利要求1所述的基于改进ER规则的Stacking集成学习围岩分级方法，其特征在于：所述步骤S2中基于概率向量多样性度量计算基模型权重，具体包括：

定义两个分类基模型A、B对样本集中第j个样本的输出分类概率向量为P_A,j、P_B,j，表示为：

P_A,j＝[p_A1,j,p_A2,j,...p_Ac,j]  式(3)

P_B,j＝[p_B1,j,p_B2,j,...p_Bc,j]  式(4)

式中，c为分类标签数量；

将2个基模型概率向量中的元素从大到小进行排列，并返回其对应的类别标签值，得到分类器最大置信度概率由大到小排列对应的类标签向量LA,j、L_B,j，表示为：

L_A,j＝[l_A1,j,l_A2,j,...l_Ac,j]  式(5)

L_B,j＝[l_B1,j,l_B2,j,...l_Bc,j]  式(6)

定义2个基模型单个样本下的多样性D_AB,j计算公式为：

式中，k_s为不同排序位置差异系数，且位置越靠前k_s越大，k_s的确定通过试算法和专家决策法，f_ABs,j为第j个样本不同排序位置差异因子，l_As,j为第j个样本基模型A排序为s的最大置信度概率；

对于含有m个样本的样本集而言，基模型A、B的多样性D_AB为所有样本多样性的均值，计算公式为：

对于含有n个基模型的集成系统，第i个基模型的多样性D_i，为该基模型和其他基模型的多样性之和，计算公式为：

式中，D_it为第i个基模型与第t个基模型的多样性；

最后，对将各基模型D_i多样性进行归一化作为各基模型的权重w_i，计算公式为：