买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中南大学申请的专利基于核极限学习机的爆破后冲距离智能预测和控制方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120252455B 。

龙图腾网通过国家知识产权局官网在2025-12-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510316904.3，技术领域涉及：F42D5/04；该发明授权基于核极限学习机的爆破后冲距离智能预测和控制方法是由李传奇;周健;杜坤;邱引桂;黄帅设计研发完成，并于2025-03-18向国家知识产权局提交的专利申请。

本基于核极限学习机的爆破后冲距离智能预测和控制方法在说明书摘要公布了：一种基于核极限学习机的爆破后冲距离智能预测和控制方法，采集影响爆破后冲距离的爆破设计参数和炸药参数作为输入特征，同时，实际测量爆破后冲距离作为输出特征；对原始数据内的特征参数进行验证和筛选，得到最终数据并构建训练集和测试集；利用训练集对基于沙猫群优化的核极限学习机模型进行训练，得到核极限学习机预测模型；利用测试集对核极限学习机预测模型进行性能检验；通过向核极限学习机预测模型输入特征参数直接得到爆破后冲距离的预测值，最后根据生产实际需要调整输入特征参数值来控制爆破后冲距离。该方法能实现对露天矿爆破后冲距离的精准预测和有效控制，其对于减少露天矿爆破危害性和确保开采进程具有重要的现实价值和科学意义。

本发明授权基于核极限学习机的爆破后冲距离智能预测和控制方法在权利要求书中公布了：1.一种基于核极限学习机的爆破后冲距离智能预测和控制方法，其特征在于，包括以下步骤： 步骤一：在露天矿实际执行不同爆破设计方案过程中，记录影响爆破后冲距离的爆破设计参数和炸药参数作为输入特征，输入特征包括炮孔长度、孔间距、抵抗线、堵塞长度、单位耗药量和钻孔率；同时，对爆破作业后的后冲距离进行实际测量，并作为输出特征；将每次爆破作业所对应的输入特征和输出特征作为一组原始数据样本，通过采集海量爆破作业过程中的数据，获得若干组原始数据样本，构建出爆破后冲距离数据库； 步骤二：对爆破后冲距离数据库中的所有特征进行检验和筛选，利用筛选后的特征及对应的数据样本构建出原始数据库，再按设定的比例将原始数据库中的所有数据划分为训练集和测试集； 步骤三：建立核极限学习机模型，并利用沙猫群优化算法对核极限学习机模型的超参数进行优化，得到基于沙猫群优化的核极限学习机模型；利用训练集对基于沙猫群优化的核极限学习机模型进行训练，得到核极限学习机预测模型； 构建基于沙猫群优化的核极限学习机模型的具体过程如下： S31：根据筛选后的输入特征建立核极限学习机模型的输入层，根据输入特征对应的样本量建立核极限学习机模型的隐藏层，根据输出特征建立核极限学习机模型的输出层；S32：引入核方程以提高核极限学习机模型的稳定性，根据公式2获得核极限学习机模型的预测值；2；式中，pi代表第i个输入特征，w表示输入层与隐藏层间的权重，b和G分别代表阈值和激活矩阵，u代表隐藏层与输出层间的权重，h和I分别表示输入层与隐藏层中的神经元个数，R表示正规化参数，表示单位化矩阵，表示核方程；S33：利用沙猫群优化算法选择核极限学习机模型的最佳超参数，得到基于沙猫群优化的核极限学习机模型； 构建基于沙猫群优化的核极限学习机模型的具体过程如下：S33-1：构建多种设定种群规模的沙猫群；S33-2：在一种特定种群规模条件下对每个沙猫个体赋予一组独立的核极限学习机模型的超参数候选值，并将每个沙猫个体随机分布在预定义的搜索空间内；完成种群初始化；S33-3：将不同位置的每个沙猫个体对应的超参数组合配置给核极限学习机模型开始执行迭代，输入训练集的输入特征至核极限学习机模型中，得到对应样本的输出特征预测值；计算预测值与实测值之间的误差值，并将该误差值定义为适应度，进而得到每个沙猫个体的适应度值，同时，在每次迭代过程中，使沙猫个体根据设定的搜索策略不断更新自身位置，以寻找适应度更低的猎物；在完成设定迭代次数后，记录当前种群规模中拥有最小适应度值的沙猫个体及其对应的超参数组合；在迭代过程中，根据公式3获得沙猫在+1次迭代时的位置t+1；3；式中，表示沙猫在第次迭代时的最佳位置，表示沙猫在第次迭代时的当前位置，代表每个沙猫的灵敏度范围，rand代表一个随机数，rnd代表沙猫向食物移动的过程中的随机位置，cos代表沙猫的移动方向，表示一个能左右沙猫执行搜索行为或攻击行为的因子S33-4：改变另一种特定种群规模条件，对每个沙猫个体赋予一组独立的核极限学习机模型的超参数候选值，并将每个沙猫个体随机分布在预定义的搜索空间内；完成种群初始化；S33-5：重新执行S33-3；S33-6：多次重复S33-4和S33-5，直至完成多种设定种群规模的迭代过程；S33-7：选择最小适应度值且在迭代结束前保持相对稳定的沙猫群认定为最佳种群，将该种群内拥有最佳位置的沙猫个体作为最佳个体，将该最佳个体对应的超参数组合作为核极限学习机模型的最佳超参数 其中，种群规模分别为25、50、100和200，设定迭代次数为300； 步骤四：利用测试集对核极限学习机预测模型进行性能检验，最终得到性能优良的核极限学习机预测模型； 步骤五：在实际执行爆破设计方案之前，将爆破设计参数和炸药参数作为输入数据输入至核极限学习机预测模型，利用核极限学习机预测模型进行爆破后冲距离的预测，并输出预测的爆破后冲距离；将预测的爆破后冲距离与实测的爆破后冲距离进行对比，并根据对比结果调整爆破设计参数和炸药参数，直至核极限学习机预测模型预测的爆破后冲距离与实测的爆破后冲距离相一致，得到实际生产所需要的爆破设计参数和炸药参数，并以该爆破设计参数和炸药参数设计爆破方案，通过实施该爆破方案来控制爆破后冲距离。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中南大学，其通讯地址为：410012 湖南省长沙市岳麓区麓山南路932号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。