CN109359738A - 一种基于qpso-bp神经网络的滑坡危险性评估方法 - Google Patents
一种基于qpso-bp神经网络的滑坡危险性评估方法 Download PDFInfo
- Publication number
- CN109359738A CN109359738A CN201811219468.4A CN201811219468A CN109359738A CN 109359738 A CN109359738 A CN 109359738A CN 201811219468 A CN201811219468 A CN 201811219468A CN 109359738 A CN109359738 A CN 109359738A
- Authority
- CN
- China
- Prior art keywords
- qpso
- evaluation
- neural network
- assessment
- impact factor
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于QPSO‑BP神经网络的滑坡危险性评估方法,包括如下步骤:S1:采集历史滑坡样本;S2:使用等频率划分方法,确定评价阈值并根据评价阈值划分评价标准;S3:评价影响因子和破坏程度,构成数据集;S4:建立QPSO‑BP评估模型;S5:根据QPSO‑BP评估模型,输入训练集进行训练,得到训练后QPSO‑BP评估模型;S6:根据训练后QPSO‑BP评估模型,输入测试集,计算影响因子的权重;S7:根据影响因子权重,在Arcgis对评估区域影响因子的图件进行叠加,形成评估区域的滑坡危险度评估区划图;本发明解决了现有技术存在的评价模型的精度低、速度慢以及不适用于大面积区域评估的问题。
Description
技术领域
本发明属于工程建设技术领域,具体涉及一种基于QPSO-BP神经网络的滑坡危险性评估方法。
背景技术
滑坡是目前山区工程建设中遇到的数量最多、危害性最大的自然灾害,如何理解滑坡发生的力学机制以及快速识别工程范围内危险度较高的位置对工程的前期规划、设计极其重要。像公路、铁路这样的重要线性工程,工程辐射面积较大,建设区域内可能存在的滑坡数量有几千至几万个,这样的工程特点对滑坡危险度评估技术提出了更严格的要求:如何在保证精度和速度前提下,最大程度地扩大评估范围。
区域滑坡危险度评估是对评估区域内的滑坡影响因子致灾可能性和严重程度的综合反映,在相同触发因子条件下,危险度评价值高的地方发生危害性较大的滑坡的可能性大。目前区域滑坡危险度评估模型主要使用统计模型。
统计模型是一种建立在已有滑坡统计分析的基础上,对未来的滑坡危险度进行预测的方法,其基本假设是:过去滑坡的地理环境条件,极有可能导致未来滑坡的产生。因此统计模型通常需要大量的历史滑坡数据,即滑坡样本,通过机器学习的方式来构建预测模型,滑坡样本的质量和统计模型的选择共同决定了预测结果的质量。在滑坡危险度评价中常用的统计模型有支持向量机(SVM)、逻辑回归、模糊逻辑分析、决策树、BP神经网络等,虽然这些模型在小面积(几千平方公里)区域的滑坡危险度评价中具有较好的精度,但是随着评估面积的提升,影响因子空间变异性越来越突出,这些模型的评估能力(精度、速度)必然随之下降,因此,为了满足线性工程的滑坡危险度评估需求,建立一种适用于大面积区域的滑坡危险度预测模型,并探讨其评估能力的工作十分必要。
发明内容
针对现有技术中的上述不足,本发明提供的一种精度高、速度快以及适用于大面积区域评估的基于QPSO-BP神经网络的滑坡危险性评估方法,解决了现有技术存在的评价模型的精度低、速度慢以及不适用于大面积区域评估的问题。
为了达到上述发明目的,本发明采用的技术方案为:
一种基于QPSO-BP神经网络的滑坡危险性评估方法,包括如下步骤:
S1:采集评估区域的历史滑坡样本;
S2:使用等频率划分方法,确定评价阈值并根据评价阈值划分评价标准;
S3:根据评价标准,评价历史滑坡样本的影响因子和破坏程度,构成数据集,并分为训练集和测试集;
S4:使用量子粒子群QPSO算法优化BP神经网络的权重和阈值,建立QPSO-BP评估模型;
S5:根据QPSO-BP评估模型,输入训练集进行训练,得到训练后QPSO-BP评估模型;
S6:根据训练后QPSO-BP评估模型,输入测试集,计算影响因子的权重;
S7:根据影响因子权重,在Arcgis对评估区域影响因子的图件进行叠加,形成评估区域的滑坡危险度评估区划图,实现滑坡危险性评估。
进一步地,步骤S1中,采集的历史滑坡样本数量大于50个。
进一步地,步骤S2中,等频率划分方法是指等面积划分滑坡样本评价因子即影响因子的分布曲线与坐标轴所围成的面积,以面积划分的边界评价值作为评价阈值来构建评价标准,计算公式为:
式中,ΔA为划分面积;S为影响因子的评价值与坐标轴围成的面积;N为评价区间数量。
进一步地,影响因子的评价值与坐标轴围成的面积的计算公式为:
式中,S为影响因子的评价值与坐标轴围成的面积;g(n)为影响因子评价值分布曲线;n为坐标值变量。
进一步地,步骤S3中,影响因子包括区域内高程、植被指数、坡度、年均降雨量、地表切割密度以及岩土类型。
进一步地,步骤S4中,BP神经网络结构包含依次设置的6个输入层、6个隐含层以及1个输出层。
进一步地,步骤S4中,使用QPSO算法确定BP神经网络的初始权重和阈值,建立QPSO-BP评估模型,计算公式为:
式中,X(t+1)为第t+1次进化的粒子位置函数;P(t)为第t次进化的粒子在空间出现的概率函数;L(t+1)为第t+1次进化的自定义随机分布概率函数;u为0-1内的随机数;t为进化代数。
进一步地,粒子在空间出现的概率函数的计算公式为:
式中,P(t)为第t次进化的粒子在空间出现的概率函数;为0-1内的随机数;pbest为第i个粒子搜索到的最优位置,为个体极值,且pbest=(Pi1,Pi2,...,PiN),i=1,2,...;gbest为搜索到的最优全局极值,且gbest=(Pg1,Pg2,...,PgN),i=1,2,...;i为粒子变量。
进一步地,自定义随机分布概率函数的计算公式为:
L(t+1)=2β|mbest-X(t)|
式中,L(t+1)为t+1次进化的自定义随机分布概率函数;mbest为蒙特卡洛模拟最佳位置;X(t)为第t次进化的粒子位置函数;β为收扩系数。
进一步地,蒙特卡洛模拟最佳位置的计算公式为:
式中,mbest为;M为粒子数量;Pin'为第i个粒子的最佳位置概率;n'为目标空间维数变量,n'=1,...,N,其中N为目标空间维数。
本发明的有益效果为:
本发明使用等频率划分方法,确定评价阈值并根据评价阈值划分评价标准,提高了精确度,利用量子粒子群算法QPSO改进了BP神经网络的初始权重、阈值选择过程,并建立了用于大面积区域滑坡危险度评估的QPSO-BP模型,使用该模型进行大面积区域的滑坡危险度评估时,满足了线性工程的滑坡危险度评估需求,提高了评估的精度和速度。
附图说明
图1为基于QPSO-BP神经网络的滑坡危险性评估方法流程图;
图2为实施例评价区域滑坡历史样本分布图;
图3为滑坡影响因子评价阈值的等频率划分方法实施例结果图;
图4为精度测试结果图;
图5为实施例评价区域滑坡危险度区划图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
一种基于QPSO-BP神经网络的滑坡危险性评估方法,如图1所示,包括如下步骤:
S1:采集评估区域的数量大于50个的历史滑坡样本,样本分布如图2所示;
S2:使用等频率划分方法,确定评价阈值并根据评价阈值划分评价标准,结果如表1滑坡影响因子评价标准表和表2滑坡破坏程度评价标准表所示;
等频率划分方法是指等面积划分滑坡样本评价因子即影响因子的分布曲线与坐标轴所围成的面积,以面积划分的边界评价值作为评价阈值来构建评价标准,提高了评价的精确度,计算公式为:
式中,ΔA为划分面积;S为影响因子的评价值与x轴围成的面积;N为评价区间数量;
影响因子的评价值与x轴围成的面积的计算公式为:
式中,S为影响因子的评价值与x轴围成的面积;g(n)为影响因子评价值分布曲线;n为坐标值变量;
以坡度为例,得到的滑坡影响因子评价阈值的等频率划分方法实施例结果如图3所示;
表1
表2
破坏程度描述 | 评价值 |
坡体位移小,滑落体积小,基本不危害公路通行能力 | 0~30 |
坡体位移明显,滑落体靠近或侵入公路,影响公路通行 | 30~40 |
坡体位移较大,滑落体侵入公路1车道以上,需清理车道 | 40~60 |
坡体位移大,滑落体积大,需工程队清理车道方可通行 | 60~80 |
坡体破坏明显,滑落体阻塞车道甚至损毁公路,需1天以上专业疏通 | 80~100 |
S3:根据评价标准,评价历史滑坡样本的影响因子和破坏程度,构成数据集,如表3所示,并分为训练集和测试集,数量比例为7:3;
表3
影响因子包括区域内高程、植被指数、坡度、年均降雨量、地表切割密度以及岩土类型;
S4:使用量子粒子群QPSO算法优化BP神经网络的权重和阈值,建立QPSO-BP评估模型;
使用QPSO算法确定BP神经网络的初始权重和阈值,建立QPSO-BP评估模型,在一个N维目标空间中,有M个粒子组成一个群落,在量子空间中,粒子的速度和位置可通过波函数ψ(X→t)来描述,并通过求解薛定谔方程得到粒子在空间某一点出现的概率密度函数,随后通过蒙特卡洛随机模拟的方式得到粒子的位置方程,计算公式为:
式中,X(t+1)为第t+1次进化的粒子位置函数;P(t)为第t次进化的粒子在空间出现的概率函数;L(t+1)为第t+1次进化的自定义随机分布概率函数;u为0-1内的随机数;t为进化代数;
粒子在空间出现的概率函数的计算公式为:
式中,P(t)为第t次进化的粒子在空间出现的概率函数;为0-1内的随机数;pbest为第i个粒子搜索到的最优位置,为个体极值,且pbest=(Pi1,Pi2,...,PiN),i=1,2,...;gbest为搜索到的最优全局极值,且gbest=(Pg1,Pg2,...,PgN),i=1,2,...;i为粒子变量;
自定义随机分布概率函数的计算公式为:
L(t+1)=2β|mbest-X(t)|
式中,L(t+1)为t+1次进化的自定义随机分布概率函数;mbest为蒙特卡洛模拟最佳位置;X(t)为第t次进化的粒子位置函数;β为收扩系数;
蒙特卡洛模拟最佳位置的计算公式为:
式中,mbest为蒙特卡洛模拟最佳位置;M为粒子数量;Pin'为是第i个粒子的最佳位置概率;n'为目标空间维数变量,n'=1,...,N,其中N为目标空间维数;
BP神经网络结构包含依次设置的6个输入层、6个隐含层以及1个输出层;
S5:根据QPSO-BP评估模型,输入训练集进行训练,得到最佳配置的训练后QPSO-BP评估模型,提高了测试的速度;
S6:根据训练后QPSO-BP评估模型,输入测试集,计算影响因子的权重,结果如表4影响因子权重表所示,其精度测试结果如图4所示;
表4
S7:根据影响因子权重,在Arcgis对评估区域影响因子的图件进行叠加,形成评估区域的滑坡危险度评估区划图,如图5所示,实现滑坡危险性评估。
本发明使用等频率划分方法,确定评价阈值并根据评价阈值划分评价标准,提高了精确度,利用量子粒子群算法QPSO改进了BP神经网络的初始权重、阈值选择过程,并建立了用于大面积区域滑坡危险度评估的QPSO-BP模型,使用该模型进行大面积区域的滑坡危险度评估时,满足了线性工程的滑坡危险度评估需求,提高了评估的精度和速度。
Claims (10)
1.一种基于QPSO-BP神经网络的滑坡危险性评估方法,其特征在于,包括如下步骤:
S1:采集评估区域的历史滑坡样本;
S2:使用等频率划分方法,确定评价阈值并根据评价阈值划分评价标准;
S3:根据评价标准,评价历史滑坡样本的影响因子和破坏程度,构成数据集,并分为训练集和测试集;
S4:使用量子粒子群QPSO算法优化BP神经网络的权重和阈值,建立QPSO-BP评估模型;
S5:根据QPSO-BP评估模型,输入训练集进行训练,得到训练后QPSO-BP评估模型;
S6:根据训练后QPSO-BP评估模型,输入测试集,计算影响因子的权重;
S7:根据影响因子权重,在Arcgis对评估区域影响因子的图件进行叠加,形成评估区域的滑坡危险度评估区划图,实现滑坡危险性评估。
2.根据权利要求1所述的基于QPSO-BP神经网络的滑坡危险性评估方法,其特征在于,所述步骤S1中,采集的历史滑坡样本数量大于50个。
3.根据权利要求1所述的基于QPSO-BP神经网络的滑坡危险性评估方法,其特征在于,所述步骤S2中,等频率划分方法是指等面积划分滑坡样本评价因子即影响因子的分布曲线与坐标轴所围成的面积,以面积划分的边界评价值作为评价阈值来构建评价标准,计算公式为:
式中,ΔA为划分面积;S为影响因子的评价值与坐标轴围成的面积;N为评价区间数量。
4.根据权利要求3所述的基于QPSO-BP神经网络的滑坡危险性评估方法,其特征在于,所述影响因子的评价值与坐标轴围成的面积的计算公式为:
式中,S为影响因子的评价值与坐标轴围成的面积;g(n)为影响因子评价值分布曲线;n为坐标值变量。
5.根据权利要求1所述的基于QPSO-BP神经网络的滑坡危险性评估方法,其特征在于,所述步骤S3中,影响因子包括区域内高程、植被指数、坡度、年均降雨量、地表切割密度以及岩土类型。
6.根据权利要求1所述的基于QPSO-BP神经网络的滑坡危险性评估方法,其特征在于,所述步骤S4中,BP神经网络结构包含依次设置的6个输入层、6个隐含层以及1个输出层。
7.根据权利要求1所述的基于QPSO-BP神经网络的滑坡危险性评估方法,其特征在于,所述步骤S4中,使用QPSO算法确定BP神经网络的初始权重和阈值,建立QPSO-BP评估模型,计算公式为:
式中,X(t+1)为第t+1次进化的粒子位置函数;P(t)为第t次进化的粒子在空间出现的概率函数;L(t+1)为第t+1次进化的自定义随机分布概率函数;u为0-1内的随机数;t为进化代数。
8.根据权利要求7所述的基于QPSO-BP神经网络的滑坡危险性评估方法,其特征在于,粒子在空间出现的概率函数的计算公式为:
式中,P(t)为第t次进化的粒子在空间出现的概率函数;为0-1内的随机数;pbest为第i个粒子搜索到的最优位置,为个体极值,且pbest=(Pi1,Pi2,...,PiN),i=1,2,...;gbest为搜索到的最优全局极值,且gbest=(Pg1,Pg2,...,PgN),i=1,2,...;i为粒子变量。
9.根据权利要求8所述的基于QPSO-BP神经网络的滑坡危险性评估方法,其特征在于,自定义随机分布概率函数的计算公式为:
L(t+1)=2β|mbest-X(t)|
式中,L(t+1)为t+1次进化的自定义随机分布概率函数;mbest为蒙特卡洛模拟最佳位置;X(t)为第t次进化的粒子位置函数;β为收扩系数。
10.根据权利要求9所述的基于QPSO-BP神经网络的滑坡危险性评估方法,其特征在于,蒙特卡洛模拟最佳位置的计算公式为:
式中,mbest为蒙特卡洛模拟最佳位置;M为粒子数量;Pin'为第i个粒子的最佳位置概率;n'为目标空间维数变量,n'=1,...,N,其中N为目标空间维数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811219468.4A CN109359738A (zh) | 2018-10-19 | 2018-10-19 | 一种基于qpso-bp神经网络的滑坡危险性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811219468.4A CN109359738A (zh) | 2018-10-19 | 2018-10-19 | 一种基于qpso-bp神经网络的滑坡危险性评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109359738A true CN109359738A (zh) | 2019-02-19 |
Family
ID=65345882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811219468.4A Pending CN109359738A (zh) | 2018-10-19 | 2018-10-19 | 一种基于qpso-bp神经网络的滑坡危险性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359738A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110111377A (zh) * | 2019-06-06 | 2019-08-09 | 西南交通大学 | 一种考虑地震位移场的震后区域性滑坡危险性评估方法 |
CN110119568A (zh) * | 2019-05-09 | 2019-08-13 | 河海大学 | 一种抛石护岸抛石效果影响因子评价方法 |
CN110232372A (zh) * | 2019-06-26 | 2019-09-13 | 电子科技大学成都学院 | 基于粒子群优化bp神经网络的步态识别方法 |
CN110362949A (zh) * | 2019-07-23 | 2019-10-22 | 电子科技大学 | 一种基于神经网络的滑坡敏感性评估方法 |
CN110443002A (zh) * | 2019-08-16 | 2019-11-12 | 中国水利水电科学研究院 | 一种高边坡形变预测方法及系统 |
CN111123884A (zh) * | 2019-11-08 | 2020-05-08 | 中国船舶重工集团公司第七0九研究所 | 一种基于模糊神经网络的测试性评估方法及系统 |
CN113536659A (zh) * | 2021-06-09 | 2021-10-22 | 上海交通大学 | 一种震后道路受灾区域快速预测方法、系统及存储介质 |
WO2021223198A1 (zh) * | 2020-05-08 | 2021-11-11 | 青岛理工大学 | 滑坡危险度量化方法 |
CN113705607A (zh) * | 2021-07-22 | 2021-11-26 | 西安交通大学 | 一种基于两步法策略的滑坡易发性评价方法 |
CN115116202A (zh) * | 2022-08-29 | 2022-09-27 | 西南交通大学 | 一种滑坡灾害预警方法、装置、设备及可读存储介质 |
CN115953804A (zh) * | 2023-01-03 | 2023-04-11 | 杭州师范大学 | 一种基于改进qpso-bp神经网络的人体尺寸预测方法 |
CN116629712A (zh) * | 2023-07-21 | 2023-08-22 | 武汉理工大学三亚科教创新园 | 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198924A (zh) * | 2014-09-11 | 2014-12-10 | 合肥工业大学 | 一种新颖的模拟电路早期故障诊断方法 |
CN106066964A (zh) * | 2016-05-30 | 2016-11-02 | 中国电子科技集团公司电子科学研究院 | 一种基于多级评价指标的网络攻击方案的评价方法 |
CN106548230A (zh) * | 2016-10-14 | 2017-03-29 | 云南电网有限责任公司昆明供电局 | 基于改进粒子群优化神经网络的变压器故障诊断方法 |
CN107316099A (zh) * | 2017-05-22 | 2017-11-03 | 沈阳理工大学 | 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法 |
CN107463991A (zh) * | 2017-06-28 | 2017-12-12 | 西南石油大学 | 一种基于坡体单元与机器学习的区域滑坡危险性评价方法 |
CN107577913A (zh) * | 2017-08-31 | 2018-01-12 | 成都九十度工业产品设计有限公司 | 一种区域滑坡灾害易发性评估装置 |
CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
CN108549037A (zh) * | 2018-05-10 | 2018-09-18 | 中南大学 | 一种基于并行神经网络的无人驾驶车辆电源预测方法及系统 |
-
2018
- 2018-10-19 CN CN201811219468.4A patent/CN109359738A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104198924A (zh) * | 2014-09-11 | 2014-12-10 | 合肥工业大学 | 一种新颖的模拟电路早期故障诊断方法 |
CN106066964A (zh) * | 2016-05-30 | 2016-11-02 | 中国电子科技集团公司电子科学研究院 | 一种基于多级评价指标的网络攻击方案的评价方法 |
CN106548230A (zh) * | 2016-10-14 | 2017-03-29 | 云南电网有限责任公司昆明供电局 | 基于改进粒子群优化神经网络的变压器故障诊断方法 |
CN107316099A (zh) * | 2017-05-22 | 2017-11-03 | 沈阳理工大学 | 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法 |
CN107463991A (zh) * | 2017-06-28 | 2017-12-12 | 西南石油大学 | 一种基于坡体单元与机器学习的区域滑坡危险性评价方法 |
CN107577913A (zh) * | 2017-08-31 | 2018-01-12 | 成都九十度工业产品设计有限公司 | 一种区域滑坡灾害易发性评估装置 |
CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
CN108280553A (zh) * | 2018-02-24 | 2018-07-13 | 中山大学 | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 |
CN108549037A (zh) * | 2018-05-10 | 2018-09-18 | 中南大学 | 一种基于并行神经网络的无人驾驶车辆电源预测方法及系统 |
Non-Patent Citations (4)
Title |
---|
XING ZHU 等: "Comparison of two optimized machine learning models for predicting displacement of rainfall-induced landslide: A case study in Sichuan Province, China", 《ENGINEERING GEOLOGY》 * |
刘希宋 等: "基于粗糙集理论的企业自主创新能力评价研究", 《科技进步与对策》 * |
刘征宇 等: "基于QPSO- BP神经网络的锂电池SOC预测", 《电子测量与仪器学报》 * |
樊金生: "区域地震滑坡危险性评估技术研究", 《中国优秀硕士学位论文全文数据库 基础科学辑(月刊)》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119568A (zh) * | 2019-05-09 | 2019-08-13 | 河海大学 | 一种抛石护岸抛石效果影响因子评价方法 |
CN110119568B (zh) * | 2019-05-09 | 2022-10-14 | 河海大学 | 一种抛石护岸抛石效果影响因子评价方法 |
CN110111377A (zh) * | 2019-06-06 | 2019-08-09 | 西南交通大学 | 一种考虑地震位移场的震后区域性滑坡危险性评估方法 |
CN110111377B (zh) * | 2019-06-06 | 2022-10-21 | 西南交通大学 | 一种考虑地震位移场的震后区域性滑坡危险性评估方法 |
CN110232372A (zh) * | 2019-06-26 | 2019-09-13 | 电子科技大学成都学院 | 基于粒子群优化bp神经网络的步态识别方法 |
CN110362949B (zh) * | 2019-07-23 | 2022-09-27 | 电子科技大学 | 一种基于神经网络的滑坡敏感性评估方法 |
CN110362949A (zh) * | 2019-07-23 | 2019-10-22 | 电子科技大学 | 一种基于神经网络的滑坡敏感性评估方法 |
CN110443002A (zh) * | 2019-08-16 | 2019-11-12 | 中国水利水电科学研究院 | 一种高边坡形变预测方法及系统 |
CN111123884A (zh) * | 2019-11-08 | 2020-05-08 | 中国船舶重工集团公司第七0九研究所 | 一种基于模糊神经网络的测试性评估方法及系统 |
WO2021223198A1 (zh) * | 2020-05-08 | 2021-11-11 | 青岛理工大学 | 滑坡危险度量化方法 |
CN113536659A (zh) * | 2021-06-09 | 2021-10-22 | 上海交通大学 | 一种震后道路受灾区域快速预测方法、系统及存储介质 |
CN113705607A (zh) * | 2021-07-22 | 2021-11-26 | 西安交通大学 | 一种基于两步法策略的滑坡易发性评价方法 |
CN113705607B (zh) * | 2021-07-22 | 2023-08-22 | 西安交通大学 | 一种基于两步法策略的滑坡易发性评价方法 |
CN115116202A (zh) * | 2022-08-29 | 2022-09-27 | 西南交通大学 | 一种滑坡灾害预警方法、装置、设备及可读存储介质 |
CN115116202B (zh) * | 2022-08-29 | 2022-11-15 | 西南交通大学 | 一种滑坡灾害预警方法、装置、设备及可读存储介质 |
CN115953804A (zh) * | 2023-01-03 | 2023-04-11 | 杭州师范大学 | 一种基于改进qpso-bp神经网络的人体尺寸预测方法 |
CN115953804B (zh) * | 2023-01-03 | 2024-06-25 | 杭州师范大学 | 基于改进qpso-bp神经网络的人体尺寸预测方法 |
CN116629712A (zh) * | 2023-07-21 | 2023-08-22 | 武汉理工大学三亚科教创新园 | 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 |
CN116629712B (zh) * | 2023-07-21 | 2024-02-13 | 武汉理工大学三亚科教创新园 | 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359738A (zh) | 一种基于qpso-bp神经网络的滑坡危险性评估方法 | |
Ameri et al. | Erodibility prioritization of sub-watersheds using morphometric parameters analysis and its mapping: A comparison among TOPSIS, VIKOR, SAW, and CF multi-criteria decision making models | |
CN109523090A (zh) | 一种输电线路暴雨滑坡预测方法及系统 | |
Awadallah | Selecting optimum locations of rainfall stations using kriging and entropy | |
Miro et al. | Adaptive water management in the face of uncertainty: Integrating machine learning, groundwater modeling and robust decision making | |
Fanos et al. | A spatial ensemble model for rockfall source identification from high resolution LiDAR data and GIS | |
CN106951682A (zh) | 一种基于不确定性分析的山丘区水文预报模型与数据精度匹配方法 | |
Heinonen et al. | The use of cellular automaton approach in forest planning | |
Janus et al. | Land consolidation in mountain areas. Case study from southern Poland | |
Chaipimonplin | Investigation internal parameters of neural network model for Flood Forecasting at Upper river Ping, Chiang Mai | |
KR20090032461A (ko) | 염해 오손 예측 방법 | |
KR101343097B1 (ko) | 홍수 취약성 평가를 위한 퍼지 탑시스 접근방법 | |
Chen et al. | Simulation of runoff and suspended sediment transport rate in a basin with multiple watersheds | |
Kanani et al. | An AI-enabled ensemble method for rainfall forecasting using long-short term memory | |
Ai-di et al. | A sampled method of classification of susceptibility evaluation unit for geological hazards based on GIS | |
Yurekli et al. | Seasonal and annual regional drought prediction by using data-mining approach | |
Jayasinghe et al. | Landslide susceptibility assessment using statistical models: A case study in Badulla district, Sri Lanka | |
Mansor et al. | Optimization of land use suitability for agriculture using integrated geospatial model and genetic algorithms | |
Saadatpour et al. | Fuzzy pattern recognition method for assessing soil erosion | |
Akar et al. | Evaluation of tree-based machine learning and deep learning techniques in temperature-based potential evapotranspiration prediction | |
KR102408827B1 (ko) | 컴퓨터 프로그램을 이용한 산림물지도 제작방법 | |
Aziz et al. | Design flood estimation for ungauged catchments: Application of artificial neural networks for eastern Australia | |
Vantas et al. | Imputation of erosivity values under incomplete rainfall data by machine learning methods | |
Hansen et al. | Using the national water model forecasts to plan for and manage ecological flow and low-flow during drought | |
Tigkas et al. | The global optimisation approach for calibrating hydrological models: the case of Medbasin-D model |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190219 |
|
RJ01 | Rejection of invention patent application after publication |