CN110260914B - 一种基于测点时空特征的工程安全监测系统区域划分方法 - Google Patents
一种基于测点时空特征的工程安全监测系统区域划分方法 Download PDFInfo
- Publication number
- CN110260914B CN110260914B CN201910371947.6A CN201910371947A CN110260914B CN 110260914 B CN110260914 B CN 110260914B CN 201910371947 A CN201910371947 A CN 201910371947A CN 110260914 B CN110260914 B CN 110260914B
- Authority
- CN
- China
- Prior art keywords
- distribution
- measuring point
- region division
- time
- region
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 230000009467 reduction Effects 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 238000009826 distribution Methods 0.000 claims description 85
- 230000008569 process Effects 0.000 claims description 14
- 238000005192 partition Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 2
- 210000004369 blood Anatomy 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 claims description 2
- 238000006731 degradation reaction Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 150000002632 lipids Chemical class 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 241000287196 Asthenes Species 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 11
- 238000011156 evaluation Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000003064 k means clustering Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 210000000746 body region Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于测点时空特征的工程安全监测系统区域划分方法,包括测点时空特征表示和区域划分两个阶段;在测点时空特征表示阶段:采用一种时序降噪自动编码器,压缩高维监测数据表增测点时序特征,通过归一化方法表示测点空间特征(坐标位置信息、测点属性等)。在区域划分阶段:采用一种基于测点时空特征的区域划分方法,引入辅助目标变量优化区域划分目标函数,使区域划分结果反映结构体运行物理规律,将全局安全评判问题分治到局部单域上。本发明通过分析测点监测数据变化规律,实现对大坝运行工况综合评判,为工程安全分析提供决策依据。
Description
技术领域
本发明属于工程安全监测领域,特别涉及一种基于测点时空特征的工程安全监测系统区域划分方法。
背景技术
传感器和物联网技术的快速发展,使大型土木工程结构体的监测手段越来越丰富。以水电站大坝安全监测为例,在大坝内部部署各类传感器(测点),包括应变类、渗压类、位移类、钢筋计类、测斜类、测力计类等,通过无线或光纤的方式连接,构成自动化安全监测系统。传感器监测多种物理量,如位移、变形、开合度、压力、应力等,利用专业模型分析监测数据,感知大坝各个局部区域的物理量变化,评判大坝运行状态。
然而,大坝空间结构巨大,所部署的测点数量庞大,导致自动化监测系统采集到海量监测数据。传统专业模型难以处理大量测点监测数据。现有的解决方案是采用分治法的思想,将大坝整体(全域)划分为若干局部区域(单域),融合单域评价结果实现全域综合评判。在实际应用中,通常根据结构体工程规范、设计资料和工程经验划分区域。以大坝为例,实际运维中根据坝段和高程分别进行横向和纵向划分,得到网格化的区域。图1所示为某拱坝网格化区域划分示意图,不同灰度实心圆点对应不同类型测点,横向和纵向虚线分别表示坝段和高程。利用网格内的测点数据评价网格区域的运行状态,通过专家为不同网格区域赋权重,加权融合局部评价进行全局安全综合评判。
网格化划分方法比较粗略,网格大小依赖于人工,不具有普遍性。同时网格划分没有考虑测点空间分布信息和监测数据时序变化规律。图1中同一网格中存在多种类型的测点,这些测点监测数据之间可能不存在相关性,影响单域评价准确性。一方面,由于管理规范、仪器故障、环境变化、实际监测需求等原因,测点空间分布存在变动。另一方面,大坝运行期间局部物理量会动态变化,测点监测数据特征会随着时间推移而改变。因此,区域划分结果应当及时反映结构体物理量动态变化规律。如图1中类似的依赖于人工经验和设计资料的区域划分方式无法满足结构体安全监测要求。针对结构体中测点监测数据空间分布与时序数据动态可变的情况,新提出的区域划分方法应利用测点时空特征进行聚类,使得区域内聚程度高,区域之间相关性低,利用测点相关性的区域划分如图2所示。
结构体区域划分的本质是根据测点特征数据进行测点聚类,所得的区域内部测点特征相似性高,区域间测点特征相异性高。传统聚类方法主要有基于划分聚类、,模糊聚类、基于层次聚类、基于密度聚类等。目前应用最广泛的聚类算法包括K均值聚类(K-Means)、高斯混合模型(Gaussian Mixture Model,GMM)和模糊聚类分析等。K-Means通过迭代搜索优化K个质心的位置进行聚类。GMM和模糊聚类学习出某种概率分布函数,给出样本属于每个类别的概率。传统聚类方法能够较好的处理低维特征数据,但面对高维数据时存在收敛时间长、聚类准确率低等问题。自动编码器(Autoencoder,AE)能够压缩高维数据(天文、气象、图片、长时间序列等)表示其特征。深度聚类网络(Deep Clustering Network,DCN)针对处理图片、文本等高维数据,能够学习到复杂表示的概率分布函数,与此同时也会带来复杂的网络结构和参数调整。大坝监测数据具有高维、动态可变的特点,采用自动编码器提取测点时空特征,引入辅助分布变量优化深度聚类目标函数,实现结构体区域划分。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种基于测点时空特征的工程安全监测系统区域划分方法,通过分析测点监测数据变化规律,实现对大坝运行工况综合评判,为工程安全分析提供决策依据。
技术方案:为实现上述目的,本发明提供一种基于测点时空特征的工程安全监测系统区域划分方法,其特征在于,包括如下步骤:
(1)测点时空特征表示阶段:采用时序降噪自动编码器,压缩高维监测数据表增测点时序特征,通过归一化方法表示测点空间特征;
(2)区域划分阶段:根据基于测点时空特征的区域划分算法RPA,引入辅助目标变量优化区域划分目标函数,使区域划分结果反映结构体运行物理规律,将全局安全评判问题分治到局部单域上。
进一步的,所述步骤(1)中测点时空特征表示阶段包括如下步骤:
(1.1)时序特征表示:针对高维度、多噪声的测点时序数据,提出时序降噪自动编码器(Time Series Denoising Autoencoder,TSDA),为了增强TSDA的抗噪能力,在训练过程中向样本数据集中加入随机噪声数据。编码阶段利用卷积层(Conv2D)和最大池化层(MaxPooling2D)实现时序数据特征压缩表示,解码阶段采用与编码过程相对的卷积层和上采样层(UpSampling2D)将压缩表示重构为原始输入。TSDA的输入和输出相同,其目标函数为重构误差,以此优化编码器和解码器;
进一步的,所述步骤(2)中区域划分阶段包括如下步骤:
进一步的,所述步骤(1.1)中时序特征表示的具体步骤如下:
(1.1.2)编码阶段:多个卷积层和最大池化层交替堆叠组成编码器,压缩输入数据得到特征表示;
(1.1.3)解码阶段:多个卷积层和上采样层交替堆叠组成解码器,将数据特征表示还原为重构输入;
(1.1.4)编解码目标函数:原始输入和重构输入的误差作为损失函数;
TSDA训练完成后保存权重,仅使用其中的编码器完成时间序列特征压缩表示;设xi的时序特征(Feature ofTime Series,FT)表示为tx为时序特征维数,且tx<<λ;TSDA具有降维作用。
进一步的,所述步骤(1.2)中空间特征表示的具体步骤如下:
(1.2.1)位置坐标信息特征表示:由于结构体所占空位范围较大,导致各测点位置坐标数据分化大;经过坐标系内的单位换算,将坐标值量纲统一(通常将单位统一为米);利用函数进行转换,其中sgn(x)为符号函数,避免某些坐标系中选择的坐标原点不同而导致坐标值出现负值;
区域划分问题的等价于将n个测点划分到m个区域中,设最终划分得到的区域集合为R={rj|j=1,…,m}。利用pij=f(zi,Θ)计算测点xi属于区域rj的概率pij。区域划分主要分为两个流程,构造区域划分目标函数、迭代求解。
测点时序特征被时序降噪自动编码器TSDA表示为空间特征经过归一化操作被表示为则特征映射为将测点原始特征映射到隐特征空间;记测点xi属于区域rj的概率为pij,qij是pij的真实值;pij和qij分别服从某种概率分布P和Q,P为测点属于区域概率分布的预测值,Q为测点被划分至各区域的实际概率分布;求解过程转化为通过优化参数使得预测分布P尽可能接近真实概率分布Q;使用KL散度KL-Divergence描述预测分布P与实际分布Q之间的距离;其中:
借助实际目标分布变量Q迭代地优化和加强区域划分概率分布P,从而提高区域划分纯度和精度;为了避免P陷入局部最优解(大多数测点被划分至少数区域)和退化解(测点被错误划分至某区域),向实际目标分布变量Q中加入正则项,设Q的经验分布为Γj代表区域划分结果中测点属于区域rj的经验概率分布,将其加入目标中以增强区域划分性能;设经验分布Γ的先验分布为Η,若存在关于区域划分的领域先验知识,用任意分布来初始化先验分布,如均匀分布、二项分布、高斯分布;引入经验分布Γ与其先验分布Η之间的距离KL(Γ||Η),使区域划分能够体现人工经验与领域知识;其中:
(2.2.1)固定参数估计目标分布
利用ψ(pij,Θ)更新目标分布Q;
(2.2.2)固定目标分布更新参数
交替迭代上述两个步骤,直至收敛。
有益效果:本发明与现有技术相比具有以下优点:
①提取测点时序特征:测点监测时间序列数据表现为高维、噪声、动态的特点,传统区域划分方法难以处理这类数据,本发明利用一种时序降噪自动编码器实现测点时许特征提取。
②无监督区域划分:传统区域划分方法依赖于人工经验设定区域数量,本发明通过挖掘分析测点时空特征数据,自动设定区域数量,使区域划分结果反映工程安全监测变化规律。
附图说明
图1为背景技术中的基于网格区域划分示意图;
图2为背景技术中的基于测点时空特征区域划分示意图;
图3为本发明实例的区域划分过程图;
图4为本发明实例的时序降噪自动编码器结构图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
大坝中部署大量测点,监测不同类型的物理量变化。通过分析测点监测数据变化规律,实现对大坝运行工况综合评判,为工程安全分析提供决策依据。大坝中的许多物理量(如温度、水压等)会随时间改变,因此,监测数据是动态变化的。同时结构体局部结构间具有相似性,受力情况具有局部性。测点空间位置和时间序列变化规律存在相关性,根据时空特征对测点聚类得到区域划分结果。
设结构体中包含测点总数为n,定义所有测点集合X={xi|i=1,…,n},其中代表测点原始特征,包括空间特征(位置坐标信息和测点属性等)和时序特征(监测数据时间序列),dx为特征维数。区域划分过程如图3所示。通过编码映射将测点原始特征映射至隐特征空间(Latent Feature Space),得到原始时序特征和空间特征表示Z={zi|i=1,…,n}。然后基于隐特征数据zi,利用特征映射fΘ:Z→P计算测点xi属于区域rj的概率pij,其中Θ为参数集。
①测点时空特征表示:测点原始特征中,空间特征多为静态属性,而时序数据是高维度、连续变化的。因此编码映射的主要工作在于时序数据降维和特征表示。隐特征数据特征维数dz<<dx。zi由测点时序特征与空间特征组成。借助自动编码器实现时序数据降维和压缩,利用归一化等方法处理测点空间特征数据。
图4是时序降噪自动编码器TSDA结构图。在训练过程中向样本数据集中加入随机噪声数据以达到去噪效果。编码阶段利用卷积层(Conv2D)和最大池化层(MaxPooling2D)实现时序数据特征压缩表示,解码阶段采用与编码过程相对的卷积层和上采样层(UpSampling2D)将压缩表示重构为原始输入。TSDA的输入和输出相同,其目标函数为重构误差,以此优化编码器和解码器。
②区域划分:区域划分问题的等价于将n个测点划分到m个区域中,设最终划分得到的区域集合为R={rj|j=1,…,m}。利用pij=f(zi,Θ)计算测点xi属于区域rj的概率pij。其中:
1)选择一种聚类算法(如K-Means、高斯混合模型等)的结果初始化目标分布Q,避免随机初始化的不确定性,加快收敛过程。由于Q是测点属于各区域概率的实际分布,不同聚类算法初始化对其不影响。
2)区域划分目标函数:借助实际目标分布变量Q迭代地优化和加强区域划分概率分布P,从而提高区域划分纯度和精度。为了避免P陷入局部最优解(大多数测点被划分至少数区域)和退化解(测点被错误划分至某区域),向实际目标分布变量Q中加入正则项,设Q的经验分布为Γj代表区域划分结果中测点属于区域rj的经验概率分布,将其加入目标中以增强区域划分性能。设经验分布Γ的先验分布为Η,若存在关于区域划分的领域先验知识,可以利用任意分布来初始化先验分布,如均匀分布、二项分布、高斯分布等。定义目标函数为:
3)固定参数估计目标分布
利用ψ(pij,Θ)更新目标分布Q。
4)固定目标分布更新参数
Claims (5)
1.一种基于测点时空特征的工程安全监测系统区域划分方法,其特征在于,包括如下步骤:
(1)测点时空特征表示阶段:采用时序降噪自动编码器,压缩高维监测数据表征测点时序特征,通过归一化方法表示测点空间特征;
(2)区域划分阶段:根据基于测点时空特征的区域划分算法RPA,引入辅助目标变量优化区域划分目标函数,使区域划分结果反映结构体运行物理规律,将全局安全评判问题分治到局部单域上;
所述步骤(1)中测点时空特征表示阶段包括如下步骤:
(1.1)时序特征表示:针对高维度、多噪声的测点时序数据,提出时序降噪自动编码器TSDA,在训练过程中向样本数据集中加入随机噪声数据;编码阶段利用卷积层Conv2D和最大池化层MaxPooling2D实现时序数据特征压缩表示,解码阶段采用与编码过程相对的卷积层和上采样层UpSampling2D将压缩表示重构为原始输入;TSDA的输入和输出相同,其目标函数为重构误差,以此优化编码器和解码器;
所述步骤(2)中区域划分阶段包括如下步骤:
2.根据权利要求1所述的一种基于测点时空特征的工程安全监测系统区域划分方法,其特征在于,所述步骤(1.1)中时序特征表示的具体步骤如下:
(1.1.2)编码阶段:多个卷积层和最大池化层交替堆叠组成编码器,压缩输入数据得到特征表示;
(1.1.3)解码阶段:多个卷积层和上采样层交替堆叠组成解码器,将数据特征表示还原为重构输入;
(1.1.4)编解码目标函数:原始输入和重构输入的误差作为损失函数;
测点时序特征被时序降噪自动编码器TSDA表示为空间特征经过归一化操作被表示为则特征映射为将测点原始特征映射到隐特征空间;记测点xi属于区域rj的概率为pij,qij是pij的真实值;pij和qij分别服从某种概率分布P和Q,P为测点属于区域概率分布的预测值,Q为测点被划分至各区域的实际概率分布;求解过程转化为通过优化参数使得预测分布P尽可能接近真实概率分布Q;使用KL散度KL-Divergence描述预测分布P与实际分布Q之间的距离;其中:
借助实际目标分布变量Q迭代地优化和加强区域划分概率分布P,从而提高区域划分纯度和精度;为了避免P陷入局部最优解和退化解,向实际目标分布变量Q中加入正则项,设Q的经验分布为Γj代表区域划分结果中测点属于区域rj的经验概率分布,将其加入目标中以增强区域划分性能;设经验分布Γ的先验分布为H,若存在关于区域划分的领域先验知识,用高斯分布来初始化先验分布;引入经验分布Γ与其先验分布H之间的距离KL(Γ||H),使区域划分能够体现人工经验与领域知识;其中:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910371947.6A CN110260914B (zh) | 2019-05-06 | 2019-05-06 | 一种基于测点时空特征的工程安全监测系统区域划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910371947.6A CN110260914B (zh) | 2019-05-06 | 2019-05-06 | 一种基于测点时空特征的工程安全监测系统区域划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110260914A CN110260914A (zh) | 2019-09-20 |
CN110260914B true CN110260914B (zh) | 2020-06-19 |
Family
ID=67914321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910371947.6A Active CN110260914B (zh) | 2019-05-06 | 2019-05-06 | 一种基于测点时空特征的工程安全监测系统区域划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110260914B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062416B (zh) * | 2019-11-14 | 2021-09-21 | 支付宝(杭州)信息技术有限公司 | 用户聚类及特征学习方法、设备、计算机可读介质 |
CN111473463B (zh) * | 2020-03-27 | 2021-06-25 | 中国铁建电气化局集团有限公司 | 一种高大空间内温湿度监测的测点布置方法 |
CN115599598B (zh) * | 2022-10-08 | 2023-08-15 | 国网江苏省电力有限公司南通供电分公司 | 一种电力负荷传感数据恢复方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480341A (zh) * | 2017-07-21 | 2017-12-15 | 河海大学 | 一种基于深度学习的大坝安全综合评判方法 |
EP3454261A1 (en) * | 2017-09-01 | 2019-03-13 | Thomson Licensing | Apparatus and method to process and cluster data |
CN109543746A (zh) * | 2018-11-20 | 2019-03-29 | 河海大学 | 一种基于节点可靠性的传感器网络事件融合与决策方法 |
CN109635732A (zh) * | 2018-12-12 | 2019-04-16 | 国网山东省电力公司电力科学研究院 | 一种lcc-hvdc连续换相失败故障预警网络训练方法 |
-
2019
- 2019-05-06 CN CN201910371947.6A patent/CN110260914B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480341A (zh) * | 2017-07-21 | 2017-12-15 | 河海大学 | 一种基于深度学习的大坝安全综合评判方法 |
EP3454261A1 (en) * | 2017-09-01 | 2019-03-13 | Thomson Licensing | Apparatus and method to process and cluster data |
CN109543746A (zh) * | 2018-11-20 | 2019-03-29 | 河海大学 | 一种基于节点可靠性的传感器网络事件融合与决策方法 |
CN109635732A (zh) * | 2018-12-12 | 2019-04-16 | 国网山东省电力公司电力科学研究院 | 一种lcc-hvdc连续换相失败故障预警网络训练方法 |
Non-Patent Citations (1)
Title |
---|
小湾水电站工程安全分析与决策支持系统研究与构建;易魁 等;《水力发电》;20170331;第43卷(第3期);第123-127页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110260914A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510741B (zh) | 一种基于Conv1D-LSTM神经网络结构的交通流预测方法 | |
CN112257341B (zh) | 一种基于异源数据差补融合的定制产品性能预测方法 | |
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN108900346B (zh) | 基于lstm网络的无线网络流量预测方法 | |
CN110260914B (zh) | 一种基于测点时空特征的工程安全监测系统区域划分方法 | |
CN109086805B (zh) | 一种基于深度神经网络和成对约束的聚类方法 | |
CN111401599B (zh) | 一种基于相似性搜索和lstm神经网络的水位预测方法 | |
CN112989708B (zh) | 一种基于lstm神经网络的测井岩性识别方法及系统 | |
CN110083125B (zh) | 一种基于深度学习的机床热误差建模方法 | |
CN110941734B (zh) | 基于稀疏图结构的深度无监督图像检索方法 | |
CN111832227B (zh) | 基于深度学习的页岩气饱和度确定方法、装置和设备 | |
CN113487855B (zh) | 一种基于emd-gan神经网络结构的交通流预测方法 | |
CN113807432A (zh) | 一种基于深度学习的气温预报数据订正方法 | |
CN110472689B (zh) | 基于集成高斯过程回归的有杆泵抽油井动液面软测量方法 | |
CN112633328A (zh) | 一种基于深度学习的致密油藏改造效果评价方法 | |
CN110942182A (zh) | 一种基于支持向量回归建立台风预测模型的方法 | |
CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN117152427A (zh) | 基于扩散模型和知识蒸馏的遥感图像语义分割方法与系统 | |
CN112712855B (zh) | 一种基于联合训练的含缺失值基因微阵列的聚类方法 | |
CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
CN117034060A (zh) | 基于ae-rcnn的洪水分级智能预报方法 | |
CN116303626A (zh) | 一种基于特征优化和在线学习的固井泵压预测方法 | |
CN114862007A (zh) | 一种面向碳酸盐岩气井的短周期产气量预测方法及系统 | |
CN114626594A (zh) | 一种基于聚类分析和深度学习的中长期电量预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |