熵权正则化神经网络：煤岩截割载荷谱预测与性能提升

该篇论文《基于熵权的正则化神经网络煤岩截割载荷谱预测模型》主要探讨了在煤炭开采领域中，截齿截割煤岩载荷的重要性，它对于研发高性能采掘设备和推进智能化开采具有关键作用。由于截齿破碎煤岩的过程具有随机性，传统的理论载荷模型往往无法准确描绘各种复杂条件下的载荷情况，这提出了新的挑战。 作者们提出了一种创新的方法，即结合理论推演的截齿载荷幅值模型与有限实验载荷谱。他们利用信息熵理论，这是一种衡量信息不确定性的数学工具，来整合理论模型和实际测量数据，形成更为全面的载荷谱。这种综合方法有助于克服单值理论模型的局限性，更精确地反映载荷的动态特性。 进一步，他们采用了正则化神经网络，一种强大的机器学习工具，对载荷谱进行模型化重构。正则化技术在神经网络中引入约束，防止过拟合，从而提高模型的泛化能力。通过最小二乘法，他们构建了一个基于有限载荷曲线族的模型，能够预测不同楔入角下的载荷谱。 论文以30°到50°的楔入角实验数据为基础，分析了理论与实验载荷谱的综合结果，以及正则化神经网络在模型化重构中的应用效果。结果显示，这种方法成功地构建了截割阻力的理论推演模型，并且通过将理论与实验相结合，得到了30°至50°楔入角下的综合载荷谱，不仅刻画了载荷谱的幅值，还揭示了其变化规律。 此外，论文展示了如何使用建立的不同楔入角的载荷预测模型来进行实际载荷谱的预测，特别是针对30°和50°这两个角度，预测结果与正则化神经网络模型化重构的载荷谱有较高的相关性。这表明该方法在实际载荷预测上具有显著的优势。 这篇论文提供了一种有效的方法来处理煤岩截割载荷的不确定性，通过熵权、正则化神经网络等技术，改进了载荷谱的预测精度，为高性能采掘机械的设计和优化提供了有力的科学依据。