CN107908915A - 预测隧道挤压变形的建模及分析方法、设备和存储介质 - Google Patents
预测隧道挤压变形的建模及分析方法、设备和存储介质 Download PDFInfo
- Publication number
- CN107908915A CN107908915A CN201711422632.7A CN201711422632A CN107908915A CN 107908915 A CN107908915 A CN 107908915A CN 201711422632 A CN201711422632 A CN 201711422632A CN 107908915 A CN107908915 A CN 107908915A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- crimp
- classification
- prediction
- svm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种预测隧道挤压变形的建模及分析方法、设备和存储介质。建模方法,包括以下步骤:建立隧道挤压变形历史数据集,所述历史数据集选自历史案例,并包括描述所述数据的用作训练库参数的多个特征;对所述历史数据集进行参数优化得到优化数据库;以隧道挤压变形程度作为分类标准,利用所述优化数据库进行多分类SVM训练,得到多分类SVM模型。能够缩短分类器的训练时间,将隧道根据变形大小进行分类,在预测精度上表现出较好的性能;可以根据预测的挤压类别来估计潜在的挤压问题的严重性。
Description
技术领域
本公开一般涉及隧道变形预测技术领域,尤其涉及一种预测隧道挤压变形的建模及分析方法、设备和存储介质。
背景技术
在软岩体隧道施工过程中,由于高地应力的影响,软岩隧道挤压大变形是在经常发生的重大地质灾害之一。期间发生坍塌,盾构隧道掘进机施工(TBM)堵塞,导致工程被迫中断,预算超支和施工延误,有时甚至可能导致隧道的不稳定和人员伤亡,如荷兰西斯凯尔特河隧道施工过程中因围岩挤压强烈而被困两周;引黄工程隧道施工过程中掘进机遇到软岩挤压变形而长时间被困,给工程带来严重后果。
目前对于软岩挤压大变形隧道的研究,主要侧重于常规定性定量分析,无法对隧道挤压大变形进行预测,更无法评估潜在的挤压问题的严重性,这对隧道的设计和施工产生极为不利的影响。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种能够有效预测隧道挤压变形的方案。
第一方面,本申请实施例提供了一种预测隧道挤压变形的建模方法,包括以下步骤:
建立隧道挤压变形历史数据集,所述历史数据集选自历史案例,并包括描述所述数据的多个特征;
对所述历史数据集进行参数优化得到优化数据库;
以隧道挤压变形程度作为分类标准,利用所述优化数据库进行多分类SVM训练,得到多分类SVM模型。
本发明的目的及解决其技术问题还可采用以下技术措施进一步实现。
所述多个特征包括隧道的直径,隧道埋深(H),岩石质量指数(Q)和支护刚度。采用上述特征作为训练库参数,使得训练更加科学高效。
对所述历史数据集进行参数优化包括采用粒子群优化算法或网格搜索法。采用粒子群优化算法是一种基于群体智能方法的优化技术,用于解决全局优化问题,本专利中主要用来进行SVM模型参数的优化,以提高分类精度,减少误分类数量。
所述进行多分类SVM训练包括采用DAGSVM法进行训练。DAGSVM是有向无环图支持向量机的简称,是针对“一对一(one-against-one)”多分类SVM存在误分、拒分现象提出的,DAGSVM在训练阶段与“一对一”SVM方法相同,也要对任意两类创建SVM分类器,所创建SVM分类器的总数为n(n-1)/2。DAGSVM简单易行,只需使用n-1个SVM分类器即可做出预测,与“一对一”SVM方法相比提高了计算速度,而且不存在误分、拒分区域;另外,DAGSVM有一定的容错性,分类精度较高。
在所述利用所述优化数据库进行多分类SVM训练过程中,采用交叉验证法对所述SVM训练进行精度检验,可以有效的避免过学习以及欠学习状态的发生,最后得到的结果也比较具有说服性。
在所述利用所述优化数据库进行多分类SVM训练过程中,采用混淆矩阵来显示所创建的多分类SVM的性能和分类效果,能够直观的显示所创建的多分类SVM的性能和分类效果。
第二方面,本申请实施例提供了一种预测隧道挤压变形的分析方法,包括:
下载待预测的隧道数据集,所述隧道数据集包括描述所述数据的多个特征;利用上述建模方法形成的模型采用DAGSVM方法对所述数据按照隧道挤压变形程度进行分类。
一种预测隧道挤压变形的分析方法,包括:
下载待预测的隧道挤压变形数据集,所述隧道数据集包括描述所述数据的多个特征;利用经过多分类SVM训练形成的隧道挤压模型采用DAGSVM方法对所述数据按照隧道挤压变形程度进行分类。
DAGSVM简单易行,只需使用n-1个SVM分类器即可做出预测,与“一对一”SVM方法相比提高了计算速度,而且不存在误分、拒分区域;另外,DAGSVM有一定的容错性,分类精度较高。
第三方面,本申请实施例提供了一种设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行时实现上述预测隧道挤压变形的建模方法。
本申请实施例还提供了一种设备,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行时完成上述预测隧道挤压变形的分析方法。
第四方面,本申请实施例提供了一种存储有计算机程序的计算机可读存储介质,其特征在于,该程序被处理器执行时实现上述预测隧道挤压变形的建模方法或分析方法。
目前,将概率分析方法应用到软岩挤压大变形隧道来进行分类预测的相关研究非常少。本申请实施例提供的预测隧道挤压变形的方案,提出利用概率分析方法来对隧道变形的分类进行预测:通过建立隧道挤压变形历史数据集,采用多分类支持向量机算法来预测挤压类别,进而可以评估潜在的挤压问题的严重性,从而实现对支护刚度影响性的评估。由于支持向量机算法(Support Vector Machine,SVM)是一种基于统计学习理论的机器学习算法,其采用结构风险最小化(Structural Risk Minimization,SRM)准则,可以在最小化样本误差的同时缩小模型泛化误差的上界,从而提高模型的泛化能力,提高对隧道挤压变形分类预测的准确性和适应性。与现有的经验方法相比,所提出的多分类支持向量机分类器模型在准确性和适用性方面产生了更好的性能,耗时更短,精度更高,对于处理隧道挤压变形数据特别有用,能产生良好的预测结果。与其他技术相比,多分类支持向量机分类器可以非常有效地进行训练,并且可以用来获得非常好的预测准确性。能够缩短分类器的训练时间,将隧道根据变形大小进行分类,在预测精度上表现出较好的性能;可以根据预测的挤压类别来估计潜在的挤压问题的严重性。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了一种多分类支持向量机的隧道挤压变形的预测分类方法的结构;
图2为本申请实施例一中隧道挤压变形预测使用的四个参数;
图3为本申请实施例一中按照变形程度对隧道的分类情况;
图4为本申请实施例一中支持向量机结构;
图5为本申请实施例一中支持向量机最佳超平面示意图;
图6为本申请实施例一中对于三类多分类支持向量机的二叉树分类结构;
图7为本申请实施例一中8-CV交叉验证数据集划分情况;
图8为本申请实施例一中采用8-CV法的预测分类流程结构;
图9为本申请实施例一中混淆矩阵分类结果展示;
图10为本申请实施例一中最佳参数c和g的寻优结果;
图11为本申请实施例一中测试集的实际分类和预测分类示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
实施例一
本申请实施例提供一种能够有效预测隧道挤压变形的方案,具体包括预测隧道挤压变形的建模方法、预测隧道挤压变形的分析方法和用以预测隧道挤压变形的设备和存储介质。
预测隧道挤压变形的建模方法,主要包括对导入数据库进行处理及相关分析,如图1所示流程,具体包括以下过程:
1)基于四个因素,如图2所示,包括:隧道的直径(D),埋深(H),岩石质量指数(Q)和支护刚度(K),作为训练库参数。采用这四种因素作为训练库参数,使得训练更加科学高效。
2)建立隧道挤压变形数据集,从印度,尼泊尔,不丹等不同国家,根据文献汇编了一个数据库,获得的117个案例数据,来训练多分类SVM模型。隧道挤压变形分类如图3所示,其中变形小于1%为1类变形(不发生挤压大变形),变形在1%到2.5%之间为2类变形(轻微挤压大变形),变形大于2.5%为3类变形(严重挤压大变形)。
3)参数优化;包括以下过程:
3.1)数据归一化处理,分类前运用Mapminmax函数,对数据做[-1,1]归一化预处理。
3.2)主成成分分析PCA降维预处理;用于降维。在n行p列的数据集X上做主成分分析。返回主成分系数。X的每行表示一个样本的观测值,每一列表示特征变量。COEFF是一个p行p列的矩阵,每一列包含一个主成分的系数,列是按主成分变量递减顺序排列。COEFF是X矩阵所对应的协方差阵V的所有特征向量组成的矩阵,即变换矩阵或称投影矩阵,COEFF每列对应一个特征值的特征向量,列的排列顺序是按特征值的大小递减排序。
3.3)粒子群优化算法,指定参数值的一种穷举搜索方法,通过将估计函数的参数通过交叉验证的方法进行优化来得到最优的学习算法。粒子群优化为初始化为一群随机粒子(随机解),然后通过迭代找到最优解,在每一次叠代中,粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解,这个解叫做个体极值pBest,另一个极值是整个种群找到的最优解,这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分最优粒子的邻居,那么在所有邻居中的极值就是局部极值。
此外,也可以在使用粒子群优化算法的同时采用网格搜索法,或单独采用网格搜索法。本实施例同时采用网格搜索法:将各个参数可能的取值进行排列组合,列出所有可能的组合结果生成“网格”。然后将各组合用于SVM训练,并使用交叉验证对表现进行评估。在拟合函数尝试了所有的参数组合后,返回一个合适的分类器,自动调整至最佳参数组合,获得参数值。
3.4)使用交叉验证方法找到最佳参数(惩罚因子)c和参数g(RBF核函数中的方差),然后用最佳参数训练模型。使c和g在一定范围内运行找到最好的参数c和g,然后使用交叉验证方法找到c和g的最高精度。然后程序找到c和g的最佳CV准确性(交叉验证准确性),使用CV方法。得到最终CV中的最佳分类精度。有不同的c和g对应最高的精度,最小的c和g组是最好的参数c和g。由于惩罚参数c不能设得过高,因此当模型的性能相同时,为了减少计算时间,惩罚因子c被给予小的参数组合,因为惩罚因子c越大,支持向量的数量越多,计算量越大。高惩罚参数可以提高验证数据的准确性,但惩罚参数c过高会导致学习状态过度,惩罚参数c过高会导致最终测试集的准确度不理想。网格边界[-8,+8],网格边界[-8,+8],网格c步长为0.5,网格g步长为0.5。同时采用pso方法作为训练辅助。支持向量机通过网格搜索法和粒子群优化算法计算出最优参数g和c,在两种方法中选择准确率最高的一组,得到最优分类率,如图10所示。
4)对优化好的数据库,进行DAGSVM训练,得到SVM模型。
如图4和图5所示,支持向量机算法(Support Vector Machine,SVM)是一种基于统计学习理论的机器学习算法,采用结构风险最小化(Structural Risk Minimization,SRM)准则,在最小化样本误差的同时缩小模型泛化误差的上界,从而提高模型的泛化能力。
支持向量机算法最初是针对二类分类问题而提出的,如何将其有效地推广到多类别分类是当前支持向量机用于遥感分类研究的重要内容之一。目前,对于多类分类问题,SVM的解决途径通常有两种:一种是构造多个SVM二值分类器并将它们组合起来实现多类分类,例如one-against-rest,one-against-one和DAGSVM;另一种是将多个分类面的参数求解合并到一个最优化问题中,通过求解该最优化问题“一次性”地实现多类分类。第二类方法尽管看起来简洁,但是在最优化问题求解过程中的变量远远多于第一类方法,训练速度又不及第一类方法,而且在分类精度上也不占优。当训练样本数非常大时,这一问题更加突出,正因如此,本申请实施例选用第一类方法。
这里采用的DAGSVM方法,具有层次结构,每层子SVM的级别和重要性不同,其训练集合的构成也不同;测试按层完成,对某个输入数据样本,从根结点开始,它是向左还是向右取决于输出值,而到达分支结点前所走过的路径就预示所属的层,测试速度快;没有理论指导,需要一定的先验知识。
这种方法实际上就是将SVM与决策树相结合,其训练过程与一对一组合方法相同,也是通过构造解决个二值SVM,但是,在检测过程中,该法用了一个二叉有向非循环图。
如图6所示,设对k类数据样本构造一个二叉决策树(DAG),则树的每个结点对应一种类别,每个度为2的非叶结点对应一个子SVM分类器。所以决策树共有2k-1个结点,叶结点个数为k,子SVM分类器个数为k-1。据此构造一棵树有k个叶子结点的严格DAG有多种不同方案:首先将所有类别分成两个子类,再将子类进一步划分成两个次级子类,如此循环下去,直到得到一个单独的类别为止,这样最终将得到一个由一系列支持向量机构成的二叉分类树,完成二叉树多类支持向量机分类器的构建;在分类过程中使分类误差在远离根结点的分类器中出现,把不同的类别按照SVM模型分离出来;利用建立的二叉树多类支持向量机分类器,实现软岩隧道挤压大变形的分类。DAGSVM简单易行,只需使用n-1个SVM分类器即可做出预测,与“一对一”SVM方法相比提高了计算速度,而且不存在误分、拒分区域;另外,DAGSVM有一定的容错性,分类精度较高。
5)使用训练好的SVM模型,使用8-CV交叉验证法,如图7和图8所示,将原始数据集,部分作为训练集,其他部分作为验证集。首先将训练集用于训练分类器,然后使用验证集对模型进行测试,以评估训练集(训练集)的分类器部分的性能,另一部分作为验证集(验证集),首先用训练集来训练分类器,在使用验证集来测试训练模型(模型)时,评估分类器的性能。首先将训练集用于训练分类器,然后用测试集对训练得到的模型进行测试,以评估分类器的性能。对于各种类型的隧道,共有117个实验数据集样品从不同的国家获得。原始数据分为8组,前7组数据组每组有15个数据,最后一组数据组有12个数据,每个数据子集做一个验证集,其余7个组设置训练集,将得到8个模型,以8个模型分类的最终验证集的平均精度作为8-CV方法性能指标的分类器。
如图9所示,同时采用了混淆矩阵,被称为可能性形式或误差矩阵,是一个特定的矩阵,用于渲染算法性能的视觉效果。为了使分类清晰,每一行代表预测值,每一列代表实际类别。这个名字来源于它可以清楚地表明是否有多个类别混淆了(即一个类别被预测为另一个类别),混淆矩阵可以清楚地描述预测与实际的对比。
通过对分类器进行训练,完成预测隧道挤压变形的建模。
预测隧道挤压变形的分析方法,包括:下载新隧道的数据包,该数据包包括所需的特征因素,在本实施例中,具体包括新隧道的直径(D),埋深(H),岩石质量指数(Q)和支护刚度(K)。
用上述训练好的分类器,对未参与训练的隧道数据进行隧道变形分类预测,即利用经过多分类SVM训练形成的隧道挤压模型采用DAGSVM方法对所述数据进行分类,得到分类结果。如图11和表1所示,采用预测隧道挤压变形的分析方法,其准确率高达88.13%。
表1 8-CV分类准确率
对支护刚度K值进行去除,让分类器对数据进行预测,评估K值影响性。如表2所示,隧道变形的分类准确率为88.13%,对隧道挤压变形预测结果较高,隧道分类得到了较好的预测。
同样的,可以用上述训练好的分类器,对在建的隧道数据进行隧道变形分类预测,可以预见,采用该方法对于处理隧道挤压变形数据能产生良好的预测结果。
表2去除K值分类准确率
特别地,根据本公开的实施例,上文描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,所述计算机程序包含用于执行预测隧道挤压变形的建模方法和/或分析方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分从网络上被下载和安装,和/或从可拆卸介质被安装。具体的本申请实施例提供一种用以预测隧道挤压变形的设备,设备包括:一个或多个处理器;存储器,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行时实现上述预测隧道挤压变形的建模方法和/或分析方法。可以理解,设备包括但不限于个人电脑、智能手机、平板电脑等。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中所述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,所述程序被一个或者一个以上的处理器用来执行描述于本申请的上述预测隧道挤压变形的建模方法或分析方法。
本发明与现有的经验方法相比,所提出的多分类支持向量机分类器模型在准确性和适用性方面产生了更好的性能,耗时更短,精度更高。对于处理隧道挤压变形数据特别有用,能产生良好的预测结果。与其他技术相比,多分类支持向量机分类器可以非常有效地进行训练,并且可以用来获得非常好的预测准确性。其它实施与上例相同。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离所述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种预测隧道挤压变形的建模方法,其特征在于,包括以下步骤:
建立隧道挤压变形历史数据集,所述历史数据集选自历史案例,并包括描述所述数据的用作训练库参数的多个特征;
对所述历史数据集进行参数优化得到优化数据库;
以隧道挤压变形程度作为分类标准,利用所述优化数据库进行多分类SVM训练,得到多分类SVM模型。
2.根据权利要求1所述的预测隧道挤压变形的建模方法,其特征在于,所述多个特征包括隧道的直径,隧道埋深,岩石质量指数和支护刚度。
3.根据权利要求1所述的预测隧道挤压变形的建模方法,其特征在于,对所述历史数据集进行参数优化包括采用粒子群优化算法或网格搜集法。
4.根据权利要求1-3任一所述的预测隧道挤压变形的建模方法,其特征在于,所述进行多分类SVM训练包括采用DAGSVM法进行训练。
5.根据权利要求4所述的预测隧道挤压变形的建模方法,其特征在于,在所述利用所述优化数据库进行多分类SVM训练过程中,采用交叉验证法对所述SVM训练进行精度检验。
6.根据权利要求4所述的预测隧道挤压变形的建模方法,其特征在于,在所述利用所述优化数据库进行多分类SVM训练过程中,采用混淆矩阵来显示所创建的多分类SVM的性能和分类效果。
7.一种预测隧道挤压变形的分析方法,其特征在于,包括:
下载待预测的隧道数据集,所述隧道数据集包括描述所述数据的多个特征;利用如权利要求1-6任一所述的建模方法形成的模型采用DAGSVM方法对所述数据按照隧道挤压变形程度进行分类。
8.一种预测隧道挤压变形的分析方法,其特征在于,包括:
下载待预测的隧道数据集,所述隧道数据集包括描述所述数据的多个特征;利用经过多分类SVM训练形成的挤压变形模型采用DAGSVM方法对所述数据按照隧道挤压变形程度进行分类。
9.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器执行时实现如权利要求1-6或权利要求7或8中任一项所述的方法。
10.一种存储有计算机程序的计算机可读存储介质,其特征在于,该程序被处理器执行时实现如权利要求1-6或权利要求7或8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711422632.7A CN107908915A (zh) | 2017-12-25 | 2017-12-25 | 预测隧道挤压变形的建模及分析方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711422632.7A CN107908915A (zh) | 2017-12-25 | 2017-12-25 | 预测隧道挤压变形的建模及分析方法、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107908915A true CN107908915A (zh) | 2018-04-13 |
Family
ID=61871166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711422632.7A Pending CN107908915A (zh) | 2017-12-25 | 2017-12-25 | 预测隧道挤压变形的建模及分析方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107908915A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711931A (zh) * | 2018-12-14 | 2019-05-03 | 深圳壹账通智能科技有限公司 | 基于用户画像的商品推荐方法、装置、设备及存储介质 |
CN110005430A (zh) * | 2019-04-09 | 2019-07-12 | 天地科技股份有限公司 | 一种等效断面支护方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102610055A (zh) * | 2011-12-19 | 2012-07-25 | 大连海事大学 | 隧道自动监测多元信息无线智能报警系统 |
CN102982390A (zh) * | 2012-11-02 | 2013-03-20 | 广东电网公司电力科学研究院 | 一种基于支持向量机增量算法的锅炉燃烧效率预测方法 |
CN104820072A (zh) * | 2015-04-30 | 2015-08-05 | 重庆大学 | 基于云计算的电子鼻空气质量监测系统及其方法 |
CN106446940A (zh) * | 2016-09-13 | 2017-02-22 | 大连理工大学 | 一种基于支持向量机的超级电容器电容值退化趋势的预测方法 |
-
2017
- 2017-12-25 CN CN201711422632.7A patent/CN107908915A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102610055A (zh) * | 2011-12-19 | 2012-07-25 | 大连海事大学 | 隧道自动监测多元信息无线智能报警系统 |
CN102982390A (zh) * | 2012-11-02 | 2013-03-20 | 广东电网公司电力科学研究院 | 一种基于支持向量机增量算法的锅炉燃烧效率预测方法 |
CN104820072A (zh) * | 2015-04-30 | 2015-08-05 | 重庆大学 | 基于云计算的电子鼻空气质量监测系统及其方法 |
CN106446940A (zh) * | 2016-09-13 | 2017-02-22 | 大连理工大学 | 一种基于支持向量机的超级电容器电容值退化趋势的预测方法 |
Non-Patent Citations (2)
Title |
---|
SHAFIEI A: ""Rock squeezing prediction by a support vector machine classifier"", 《46TH US ROCK MECHANICS/GEOMECHANICS SYMPOSIUM HELD IN CHICAGO》 * |
张宏等: "《基于支持向量机的桩基缺陷类型识别研究》", 《第四届中国水利水电岩土力学与工程学术讨论会暨第七届全国水利工程渗流学术研讨会论文集》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711931A (zh) * | 2018-12-14 | 2019-05-03 | 深圳壹账通智能科技有限公司 | 基于用户画像的商品推荐方法、装置、设备及存储介质 |
CN110005430A (zh) * | 2019-04-09 | 2019-07-12 | 天地科技股份有限公司 | 一种等效断面支护方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2018101946A4 (en) | Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton | |
Taghi Sattari et al. | M5 model tree application in daily river flow forecasting in Sohu Stream, Turkey | |
CN105446988B (zh) | 预测类别的方法和装置 | |
CN112599208A (zh) | 生成目标材料属性的材料结构的机器学习系统和方法 | |
Yao et al. | Simulating urban growth processes by integrating cellular automata model and artificial optimization in Binhai New Area of Tianjin, China | |
CN108647691A (zh) | 一种基于点击特征预测的图像分类方法 | |
CN102955894A (zh) | 一种基于用户细分的流失率预测的控制方法 | |
Jun | A forecasting model for technological trend using unsupervised learning | |
CN102088709A (zh) | 基于聚类和arima模型的话务量预测方法 | |
CN110706015A (zh) | 一种面向广告点击率预测的特征选取方法 | |
Zhuang et al. | Long-lead prediction of extreme precipitation cluster via a spatiotemporal convolutional neural network | |
CN107908915A (zh) | 预测隧道挤压变形的建模及分析方法、设备和存储介质 | |
CN113570861B (zh) | 一种基于合成数据的交通流量预测方法及装置 | |
CN113516019B (zh) | 高光谱图像解混方法、装置及电子设备 | |
KR101703972B1 (ko) | 공간정보를 이용한 지하수 부존 지역 예측시스템 및 지하수 부존 지역 예측방법 | |
CN114386466A (zh) | 一种用于脉冲星搜寻中候选体信号挖掘的并行的混合聚类方法 | |
Noor et al. | Prediction map of rainfall classification using random forest and inverse distance weighted (IDW) | |
Ozyegen et al. | Evaluation of local explanation methods for multivariate time series forecasting | |
CN115310355A (zh) | 考虑多能耦合的综合能源系统多元负荷预测方法及系统 | |
CN114819344A (zh) | 一种基于关键影响因子的全局时空气象农灾预测方法 | |
Wan et al. | Combined particle swarm optimization and linear discriminant analysis for landslide image classification: application to a case study in Taiwan | |
DE112021006640T5 (de) | Automatisiertes maschinelles mehrebenen- und mehrziel-lernen | |
Walker | Visualising multi-objective populations with treemaps | |
Taneja | Implementation of novel algorithm (SPruning Algorithm) | |
Souza et al. | A data mining approach to landslide prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |