CN110457757A - 基于多特征融合的岩体失稳阶段预测方法及装置 - Google Patents

基于多特征融合的岩体失稳阶段预测方法及装置 Download PDF

Info

Publication number
CN110457757A
CN110457757A CN201910638983.4A CN201910638983A CN110457757A CN 110457757 A CN110457757 A CN 110457757A CN 201910638983 A CN201910638983 A CN 201910638983A CN 110457757 A CN110457757 A CN 110457757A
Authority
CN
China
Prior art keywords
instability
characteristic parameter
rock body
stage
value
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.)
Granted
Application number
CN201910638983.4A
Other languages
English (en)
Other versions
CN110457757B (zh
Inventor
罗小燕
黄祥海
吴庆龄
陈慧明
邵凡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi University of Science and Technology
Original Assignee
Jiangxi University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangxi University of Science and Technology filed Critical Jiangxi University of Science and Technology
Priority to CN201910638983.4A priority Critical patent/CN110457757B/zh
Publication of CN110457757A publication Critical patent/CN110457757A/zh
Priority to BE20205405A priority patent/BE1027019B1/fr
Application granted granted Critical
Publication of CN110457757B publication Critical patent/CN110457757B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
    • G06F16/65—Clustering; Classification
    • G01V1/01—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
    • G01V1/288—Event detection in seismic signals, e.g. microseismics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/257—Belief theory, e.g. Dempster-Shafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Medical Informatics (AREA)
  • Remote Sensing (AREA)
  • Genetics & Genomics (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Physiology (AREA)
  • Acoustics & Sound (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施方式提供一种基于多特征融合的岩体失稳阶段预测方法及装置，属于岩体失稳预测技术领域。方法包括：获取岩体的声发射信号；对获取到的声发射信号进行混合域特征提取；依据每个特征参数和预设的BP神经网络模型得到预测误差；建立D‑S证据理论识别框架，识别框架包括与岩体失稳各阶段一一对应的多个识别子框架；依据预测误差构建特征参数的基本概率分配函数并计算特征参数与岩体失稳各阶段的信任度值；依据得到的信任度值，通过D‑S证据理论对同一个识别子框架下的所有特征参数进行融合并基于融合后的特征参数进行岩体失稳阶段预测。本发明实现了对岩体失稳各阶段的准确预测，有效解决了单特征参数预测不准确的问题。

Description

基于多特征融合的岩体失稳阶段预测方法及装置
技术领域
本发明涉及岩体失稳预测技术领域，具体地涉及一种基于多特征融合的岩体失稳阶段预测方法及一种基于多特征融合的岩体失稳阶段预测装置。
背景技术
岩体作为一种非均匀的复杂地质材料，具有非线性和各向异性的力学性质，使得岩体内部状态与本身固有力学特性之间的关系变得难以描述，其受载失稳断裂过程实际上是一个由原生裂隙到微裂隙扩展，最终出现宏观断裂的连续过程。当岩体失稳时，其外部表征形式同时反映在多个特征域上，传统的预测模型一般只提取单一特征进行预测分析，单一特征无法完全描述岩体失稳内部状态，存在某一特征对岩体失稳某一阶段描述较为准确，但对另外某一阶段无法准确描述，造成预测结果准确率的降低。
发明内容
本发明实施方式的目的是提供一种基于多特征融合的岩体失稳阶段预测方法及装置，以解决通过单一特征对岩体失稳阶段预测不准确的问题。
为了实现上述目的，在本发明第一方面，提供一种基于多特征融合的岩体失稳阶段预测方法，所述方法包括：
获取岩体的声发射信号；
对获取到的所述声发射信号进行混合域特征提取，分别提取参数特征、时域特征或/和频域特征中具有显著类别差异信息的多个特征参数；
依据每个所述特征参数和预设的BP神经网络模型，得到表示岩体失稳阶段的预测值，并依据该预测值及期望输出值得到预测误差；
建立D-S证据理论识别框架，所述识别框架包括与岩体失稳各阶段一一对应的多个识别子框架；
依据所述预测误差构建所述特征参数的基本概率分配函数，通过所述特征参数的基本概率分配函数计算所述特征参数与岩体失稳各阶段的信任度值；
依据所述特征参数与岩体失稳各阶段的信任度值，通过D-S证据理论对同一个所述识别子框架下的所有所述特征参数进行融合，得到融合后的特征参数；
分别计算所述融合后的特征参数对应于岩体失稳各阶段的信任度值，并以信任度值的最大值对应的岩体失稳阶段作为预测结果。
可选的，所述参数特征包括所述声发射信号的振铃计数、声发射事件数、能量计数、持续时间、上升时间、有效电压值及有效幅度值中的一种或几种；
所述时域特征包括所述声发射信号的峰值、均值、峭度值、标准差、脉冲因子、裕度因子及波形因子中的一种或几种；
所述频域特征包括所述声发射信号的主频带位置、信号能量及频谱分散聚集程度中的一种或几种。
可选的，所述预设的BP神经网络模型通过岩体失稳不同阶段的所述特征参数对BP神经网络和遗传算法进行训练后得到。
可选的，所述识别子框架为所有所述特征参数对应于所述识别子框架表示的岩体失稳阶段的信任度值的集合。
可选的，所述构建所述特征参数的基本概率分配函数包括：
构建以所述预测误差的绝对值作为所述特征参数与实际值之间的第一距离的第一距离函数；
依据所述第一距离函数构建表示所述特征参数与所述识别子框架相关度的相关系数函数；
依据所述相关系数函数及所述预设的BP神经网络模型的预测值与期望输出值的均方误差构建所述特征参数的基本概率分配函数，以使得所述相关度越大，所述特征参数的基本概率分配函数得到的信任度值越大。
可选的，所述通过D-S证据理论对同一个所述识别子框架下的所有所述特征参数进行融合包括：
依据同一所述识别子框架下所有所述特征参数的信任度值计算所述识别子框架下的所有所述特征参数两两之间的数学距离；
构建支持度函数，使得任意两个所述特征参数之间的数学距离越小，其相互之间的支持度值越大；
将所述支持度函数进行归一化处理，并将归一化处理后的支持度函数作为所述特征参数的权值，对同一所述识别子框架下的每个所述特征参数进行加权平均形成新的特征参数；
依据D-S证据理论对同一所述识别子框架下的所有所述新的特征参数进行融合，得到融合后的特征参数。
在本发明第二方面，提供一种基于多特征融合的岩体失稳阶段预测装置，所述装置包括：
数据采集模块，用于获取岩体的声发射信号；
特征提取模块，用于对获取到的所述声发射信号进行混合域特征提取，分别提取参数特征、时域特征或/和频域特征中具有显著类别差异信息的多个特征参数；
第一预测模块，用于依据每个所述特征参数和预设的BP神经网络模型，得到表示岩体失稳阶段的预测值，并依据该预测值及期望输出值得到预测误差；
识别框架建立模块，用于建立D-S证据理论识别框架，所述识别框架包括与岩体失稳各阶段一一对应的多个识别子框架；
信任度计算模块，用于依据所述预测误差构建所述特征参数的基本概率分配函数，通过所述特征参数的基本概率分配函数计算所述特征参数与岩体失稳各阶段的信任度值；
特征融合模块，用于依据所述特征参数与岩体失稳各阶段的信任度值，通过D-S证据理论对同一个所述识别子框架下的所有所述特征参数进行融合，得到融合后的特征参数；
第二预测模块，用于分别计算所述融合后的特征参数对应于岩体失稳各阶段的信任度值，并以信任度值的最大值对应的岩体失稳阶段作为预测结果。
可选的，所述参数特征包括所述声发射信号的振铃计数、声发射事件数、能量计数、持续时间、上升时间、有效电压值及有效幅度值中的一种或几种；
所述时域特征包括所述声发射信号的峰值、均值、峭度值、标准差、脉冲因子、裕度因子及波形因子中的一种或几种；
所述频域特征包括所述声发射信号的主频带位置、信号能量及频谱分散聚集程度中的一种或几种。
可选的，所述预设的BP神经网络模型通过岩体失稳不同阶段的所述特征参数对BP神经网络和遗传算法进行训练后得到。
可选的，所述识别子框架为所有所述特征参数对应于所述识别子框架表示的岩体失稳阶段的信任度值的集合。
可选的，所述信任度计算模块还包括：
第一距离计算子模块，用于构建以所述预测误差的绝对值作为所述特征参数与实际值之间的第一距离的第一距离函数；
相关系数函数构建子模块，用于依据所述第一距离函数构建表示所述特征参数与所述识别子框架相关度的相关系数函数；
基本概率分配函数构建子模块，用于依据所述相关系数函数及所述预设的BP神经网络模型的预测值与期望输出值的均方误差构建所述特征参数的基本概率分配函数，以使得所述相关度越大，所述特征参数的基本概率分配函数得到的信任度值越大。
可选的，所述特征融合模块包括：
第二距离计算子模块，用于依据同一所述识别子框架下所有所述特征参数的信任度值计算所述识别子框架下的所有所述特征参数两两之间的数学距离；
支持度函数构建子模块，用于构建支持度函数，使得任意两个所述特征参数之间的数学距离越小，其相互之间的支持度值越大；
特征参数更新子模块，用于将所述支持度函数进行归一化处理，并将归一化处理后的支持度函数作为所述特征参数的权值，对同一所述识别子框架下的每个所述特征参数进行加权平均形成新的特征参数；
特征融合子模块，用于依据D-S证据理论对同一所述识别子框架下的所有所述新的特征参数进行融合，得到融合后的特征参数。
在本发明第三方面，提供一种计算机可读存储介质，所述可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行上述的基于多特征融合的岩体失稳阶段预测方法。
本发明上述技术方案基于将提取到的岩体失稳声发射信号的各特征参数经BP神经网络模型得到的预测误差构建各特征参数对应于各失稳阶段的基本概率分配函数，通过基本概率分配函数得到各特征参数对各失稳阶段的信任度，基于该信任度引入各特征参数之间的支持度，并以该支持度作为权值对各特征参数进行加权并通过D-S证据理论进行多特征融合，实现了对岩体失稳各阶段的准确预测，有效解决了单特征参数预测不准确的问题。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是本发明一种实施方式提供的基于多特征融合的岩体失稳阶段预测方法流程图；
图2是本发明一种实施方式提供的构建特征参数的基本概率分配函数的流程图；
图3是本发明一种实施方式提供的通过D-S证据理论对同一个识别子框架下的所有特征参数进行融合的流程图；
图4是本发明一种实施方式提供的基于多特征融合的岩体失稳阶段预测装置框图；
图5是本发明一种实施方式提供的信任度计算模块框图；
图6是本发明一种实施方式提供的特征融合模块框图。
附图标记说明
100-数据采集模块，200-特征提取模块，300-第一预测模块，400-识别框架建立模块，500-信任度计算模块，600-特征融合模块，700-第二预测模块，510-第一距离计算子模块，520-相关系数函数构建子模块，530-基本概率分配函数构建子模块，610-第二距离计算子模块，620-支持度函数构建子模块，630-特征参数更新子模块，640-特征融合子模块。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
在本发明实施方式中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
如图1所示，本发明的实施方式提供一种基于多特征融合的岩体失稳阶段预测方法，方法包括：
获取岩体的声发射信号；
对获取到的声发射信号进行混合域特征提取，分别提取参数特征、时域特征或/和频域特征中具有显著类别差异信息的多个特征参数；
依据每个特征参数和预设的BP神经网络模型，得到表示岩体失稳阶段的预测值，并依据该预测值及期望输出值得到预测误差；
建立D-S证据理论识别框架，识别框架包括与岩体失稳各阶段一一对应的多个识别子框架；
依据预测误差构建特征参数的基本概率分配函数，通过特征参数的基本概率分配函数计算特征参数与岩体失稳各阶段的信任度值；
依据特征参数与岩体失稳各阶段的信任度值，通过D-S证据理论对同一个识别子框架下的所有特征参数进行融合，得到融合后的特征参数；
分别计算融合后的特征参数对应于岩体失稳各阶段的信任度值，并以信任度值的最大值对应的岩体失稳阶段作为预测结果。
如此，基于将提取到的岩体失稳声发射信号的各特征参数经预设的BP神经网络模型得到的各特征参数与对应失稳阶段的预测误差构建各特征参数对应于各失稳阶段的基本概率分配函数，通过该基本概率分配函数得到各特征参数对各失稳阶段的信任度，基于该信任度引入各特征参数之间的支持度，并以该支持度作为权值对各特征参数进行加权并通过D-S证据理论进行多特征融合，通过计算融合后的特征参数实现了对岩体失稳各阶段的准确预测，有效解决了单特征参数预测不准确的问题。
具体的，岩体作为一种非均匀的复杂地质材料，具有非线性和各向异性的力学性质，使得岩体内部状态与本身固有力学特性之间的关系变得难以描述，其受载失稳断裂过程实际上是一个由原生裂隙到微裂隙扩展，最终出现宏观断裂的连续过程。大量的实验表明，在整个岩体失稳断裂过程中都伴有声发射现象产生，而且在不同失稳阶段有着不同的声发射信号特征，岩体失稳阶段通常划分为四个阶段，分别为：第Ⅰ阶段——压密阶段、第Ⅱ阶段——弹性变形阶段、第Ⅲ阶段——塑性变形阶段和第Ⅳ阶段——峰后破坏阶段，通过对岩体失稳声发射信号特征参数进行分析，并对岩体失稳各阶段进行预测能够有效消除岩体失稳造成的安全问题。分别选取岩体失稳四个阶段的声发射信号进行混合域特征参数提取，以避免因单一特征对岩体失稳各阶段表征能力不足而造成预测不准确的问题。依据D-S证据理论建立识别框架，识别框架包括多个识别子框架，每个识别子框架包括所有特征参数对应于识别子框架所表示的岩体失稳阶段的信任度值的集合，在本实施方式中，识别子框架还包括不确定性基本概率分配函数值，识别框架表示为：Θ＝{m(A),m(B),m(C),m(D),m(Θ)}，m(A)、m(B)、m(C)、m(D)及m(Θ)分别为识别框架Θ的各识别子框架，其中，m(A)表示压密阶段基本概率分配函数值，m(B)表示弹性变形阶段基本概率分配函数值，m(C)表示塑性变形阶段基本概率分配函数值，m(D)表示峰后破坏阶段基本概率分配函数值，m(Θ)表示D-S证据理论的不确定性基本概率分配函数值。每个识别子框架下均包括所有特征参数，每个特征参数为一个证据。以每个特征参数作为输入，经预设的BP神经网络模型输出每个特征参数对应的岩体失稳阶段的预测值，根据预测值及期望输出值得到预测误差，依据预测值及预测误差分别构建各特征参数对应于各识别子框架的基本概率分配函数，依据得到的基本概率分配函数即可计算得到各特征参数对应于各识别子框架的信任度值，根据同一识别子框架下各特征参数的信任度值，得到同一识别子框架下各特征参数之间的支持度，将支持度归一化处理并作为各特征参数对应的基本概率分配函数的权值，通过加权后的基本概率分配函数对每个证据进行更新，得到新的证据，再通过D-S证据理论对同一个识别子框架下的所有证据进行融合，计算融合后的证据分别与每个识别子框架的信任度，信任度值越大，则说明融合后的证据与该识别子框架的相关度越高，选取融合后的证据信任度值最大的识别子框架对应的岩体失稳阶段作为预测结果输出，从而实现了通过提取岩体声发射信号的混合域特征参数预测岩体的失稳阶段，相比通过单一特征进行预测具有更高的准确性。
进一步的，参数特征包括声发射信号的振铃计数、声发射事件数、能量计数、持续时间、上升时间、有效电压值及有效幅度值中的一种或几种；
时域特征包括声发射信号的峰值、均值、峭度值、标准差、脉冲因子、裕度因子及波形因子中的一种或几种；
频域特征包括声发射信号的主频带位置、信号能量及频谱分散聚集程度中的一种或几种。
本实施方式中，分别选取岩体声发射信号的振铃计数、能量计数、峰值、信号能量与频谱分散聚集程度五个参数作为特征参数，其中，五个特征参数分别为五个证据源，记为e＝{e1,e2,e3,e4,e5}。
如此，通过提取岩体声发射信号的参数特征、时域特征及频域特征中的具有显著差异信息的不同特征参数作为证据，从而有效避免了因单一特征对岩体失稳各阶段表征能力不足而造成预测不准确的问题，提高了预测的准确性。
进一步的，预设的BP神经网络模型通过岩体失稳不同阶段的特征参数对BP神经网络和遗传算法进行训练后得到。
具体的，首先进行BP神经网络构建，建立以岩体声发射信号的某一特征参数为输入，以该特征参数对应的岩体失稳阶段为输出的单输入单输出预测模型，预先获取大量岩体在失稳不同阶段的声发射信号，将采集到的岩体失稳声发射信号按照岩体失稳的四个阶段进行划分，对应的每个阶段均按等时间距截取20组声发射信号，每组声发射信号长度为2048个数据点，每个数据点为一个脉冲信号数据，对截取到的80组声发射信号分别提取振铃计数、能量计数、峰值、信号能量与频谱分散聚集程度为特征参数，将提取到的所有特征参数分为训练集和测试集，得到80组样本数据，随机选取40组样本数据作为训练集对BP神经网络进行训练，以剩下的40组样本数据作为测试集对训练好的BP神经网络模型进行验证，其中，训练集与测试集的具体比例可根据实际情况进行调整。以训练集中的每个特征参数为输入对BP神经网络进行训练，得到每个特征参数的预测值和预测误差，通过反向传播调整BP神经网络的阈值和权值，直至输出的预测误差小于设定值。传统的BP神经网络在训练过程中容易陷入局部最优解，从而导致BP神经网络参数优化效果不是最佳，使得神经网络稳定性不好，从而影响预测精度，因此，本实施方式还通过遗传算法对BP神经网络的权值和阈值进行优化，从而有效避免了BP神经网络陷入局部最优解，优化过程包括：
设置种群参数，种群参数包括种群规模、进化次数、交叉概率及变异概率；
对BP神经网络的权值和阈值分别进行实数编码；
计算个体的适应度，依据个体的适应度从当前种群中选择最优个体，执行交叉、变异操作，直至达到优化条件，选择最佳的权值和阈值更新BP神经网络的初始权值和阈值。
如图2所示，构建特征参数的基本概率分配函数包括：
构建以预测误差的绝对值作为特征参数与实际值之间的第一距离的第一距离函数，令BP神经网络模型输出的预测值为y，岩体失稳各阶段实际值为xi＝{x1,x2,x3,x4}＝{1,2,3,4}，则第一距离函数为di(xi,y)＝|xi-y|，表示证据与实际值之间的距离；
依据第一距离函数构建表示特征参数与识别子框架相关度的相关系数函数：
依据相关系数函数及预设的BP神经网络模型的预测值与期望输出值的均方误差构建特征参数的基本概率分配函数，以使得相关度越大，特征参数的基本概率分配函数得到的信任度值越大，具体的，各识别子框架的基本概率分配函数如下：
其中，m(i)为表征岩体失稳阶段的各识别子框架的基本概率分配函数，用于计算m(A)、m(B)、m(C)及m(D)，m(Θ)为表征证据的不确定性描述的不确定性基本概率分配函数，E为预设的BP神经网络模型的预测值与期望输出值的均方误差，
得到的第一距离越小，说明证据的可靠性越高，通过基于BP神经网络模型的预测值与实际值的距离获取证据与识别子框架的相关度，能有效的对证据的可靠性进行量化，通过m(i)分别计算5种证据在岩体失稳的Ⅰ～Ⅳ阶段下对应于每个阶段的基本概率分配函数值，如表1所示：
表1
由表1可知，证据e3的第Ⅰ阶段基本概率分配函数最大值为m(B)等于0.5706，这说明从第Ⅰ阶段提取的证据e3对第Ⅱ阶段的信任程度更高；证据e4的第Ⅳ阶段基本概率分配函数最大值为m(C)等于0.5970，这说明从第Ⅳ阶段提取的证据e4对第Ⅲ阶段的信任程度更高；证据e5的第Ⅰ阶段基本概率分配函数最大值为m(B)等于0.7099，这说明从第Ⅰ阶段提取的证据e3对第Ⅱ阶段的信任程度更高。综上所述，证据e3的第Ⅰ阶段、证据e4的第Ⅳ阶段和证据e5的第Ⅰ阶段存在识别错误的情况，这表明单一特征存在识别错误的情况，从而无法准确识别岩体失稳各阶段。
因此，需要通过D-S证据理论对同一个识别子框架下的所有特征参数进行融合，如图3所示，包括：
依据同一识别子框架下所有特征参数的信任度值计算识别子框架下的所有特征参数两两之间的数学距离。
具体的，令识别框架Θ中的确定的结果的集合为Mi＝[mi(A1),mi(A2),…,mi(An)]T,i＝1,2,…,n，Mi表示n个焦元的i个证据得到的基本概率分配函数值构成的证据集，其中，A1、A2、。。。、An分别与m(A)、m(B)、m(C)或m(D)对应，m1(A1)表示证据e1在A1对应的识别子框架下的基本概率分配函数值，以此类推。
通过距离函数计算同一识别子框架下不同证据之间的数学距离，其中，mi与mj表示同一识别子框架下的两个不同证据的基本概率分配函数值。
依据上述的距离函数dij得到两证据之间的相似性测度sij，其中sij＝1-dij，依据sij构建支持度函数，使得任意两个证据之间的数学距离越小，则相似性测度越大，即相互之间的支持度值越大，则证据的支持度函数T(mi)如下：
将支持度函数进行归一化处理得到对mi的支持度进行求和平均，将归一化处理后的支持度函数作为mi的权值λ(mi)，得到新的概率分配函数：并通过新的概率分配函数对同一识别子框架下的每个证据的基本概率分配函数值进行加权，更新表1中证据的信任度值，得到新的证据。
依据D-S证据理论对同一识别子框架下的所有新的证据进行融合，得到融合后的概率分配函数S(i)″，具体的，其中，m′1、m′2分别表示同一识别子框架下的两个新的概率分配函数，Ap、Bq分别为m′1、m′2对应的焦元，K为冲突系数，反应两个证据之间的相互冲突程度，K值越大则证据之间的相互冲突程度越大，当K＝1时，两个证据完全冲突，则融合规则失效，无法将该两个证据进行融合，1-K为规范数，表示把融合后的证据的不确定性基本概率分配值集合m(Θ)的基本概率分配值按比例分别分配至m(A)、m(B)、m(C)及m(D)中，其比例可以但不仅限于平均分配，其中，将更新后的表1通过上述融合规则对同一识别子框架下的所有证据进行融合，依次对e1、e2进行融合得到e1e2，再将e1e2与e3进行融合得到e1e2e3，依次类推，直至将所有的证据均进行融合，加权D-S证据融合后的结果如表2所示。
表2
由表2可知，进行加权融合后的证据面对表1中第Ⅰ阶段的证据e3和e5存在无法准确识别的状态时同样拥有良好的处理能力，且第Ⅱ阶段和第Ⅲ阶段证据融合后的基本概率分配函数随着融合证据越多基本概率分配函数值逐渐升高，说明加权D-S证据融合具备融合特征越多预测准确率越高的特点，在融合第Ⅳ阶段高冲突证据e4时，加权D-S证据融合能够有效解决传统D-S证据融合存在高冲突证据导致无法预测的缺陷，提高预测的准确率。
如图4所示，在本发明第二方面，提供一种基于多特征融合的岩体失稳阶段预测装置，装置包括：
数据采集模块100，用于获取岩体的声发射信号；
特征提取模块200，用于对获取到的声发射信号进行混合域特征提取，分别提取参数特征、时域特征或/和频域特征中具有显著类别差异信息的多个特征参数；
第一预测模块300，用于依据每个特征参数和预设的BP神经网络模型，得到表示岩体失稳阶段的预测值，并依据该预测值及期望输出值得到预测误差；
识别框架建立模块400，用于建立D-S证据理论识别框架，识别框架包括与岩体失稳各阶段一一对应的多个识别子框架；
信任度计算模块500，用于依据预测误差构建特征参数的基本概率分配函数，通过特征参数的基本概率分配函数计算特征参数与岩体失稳各阶段的信任度值；
特征融合模块600，用于依据特征参数与岩体失稳各阶段的信任度值，通过D-S证据理论对同一个识别子框架下的所有特征参数进行融合，得到融合后的特征参数；
第二预测模块700，用于分别计算融合后的特征参数对应于岩体失稳各阶段的信任度值，并以信任度值的最大值对应的岩体失稳阶段作为预测结果。
可选的，参数特征包括声发射信号的振铃计数、声发射事件数、能量计数、持续时间、上升时间、有效电压值及有效幅度值中的一种或几种；
时域特征包括声发射信号的峰值、均值、峭度值、标准差、脉冲因子、裕度因子及波形因子中的一种或几种；
频域特征包括声发射信号的主频带位置、信号能量及频谱分散聚集程度中的一种或几种。
可选的，预设的BP神经网络模型通过岩体失稳不同阶段的特征参数对BP神经网络和遗传算法进行训练后得到。
可选的，识别子框架为所有特征参数对应于识别子框架表示的岩体失稳阶段的信任度值的集合。
如图5所示，信任度计算模块500还包括：
第一距离计算子模块510，用于构建以预测误差的绝对值作为特征参数与实际值之间的第一距离的第一距离函数；
相关系数函数构建子模块520，用于依据第一距离函数构建表示特征参数与识别子框架相关度的相关系数函数；
基本概率分配函数构建子模块530，用于依据相关系数函数及预设的BP神经网络模型的预测值与期望输出值的均方误差构建特征参数的基本概率分配函数，以使得相关度越大，特征参数的基本概率分配函数得到的信任度值越大。
如图6所示，特征融合模块600包括：
第二距离计算子模块610，用于依据同一识别子框架下所有特征参数的信任度值计算识别子框架下的所有特征参数两两之间的数学距离；
支持度函数构建子模块620，用于构建支持度函数，使得任意两个特征参数之间的数学距离越小，其相互之间的支持度值越大；
特征参数更新子模块630，用于将支持度函数进行归一化处理，并将归一化处理后的支持度函数作为特征参数的权值，对同一识别子框架下的每个特征参数进行加权平均形成新的特征参数；
特征融合子模块640，用于依据D-S证据理论对同一识别子框架下的所有新的特征参数进行融合，得到融合后的特征参数。
上述的各模块为程序模块，各模块的划分仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上模块集成在一个单元中。
在本发明第三方面，提供一种计算机可读存储介质，可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行上述的基于多特征融合的岩体失稳阶段预测方法。
综上所述，本发明上述技术方案基于将提取到的岩体失稳声发射信号的各特征参数经BP神经网络模型得到的预测误差构建各特征参数对应于各失稳阶段的基本概率分配函数，通过基本概率分配函数得到各特征参数对各失稳阶段的信任度，基于该信任度引入距离函数，获取同一识别子框架下两个不同证据之间的距离，并依据证据之间的距离得到证据之间的相似性测度，依据相似性测度构建表示同一识别子框架下其他证据对某一证据支持度大小的支持度函数，并以该支持度作为权值分别对所有证据进行加权并通过D-S证据理论进行多特征融合，通过引入距离函数，能有效的量化各证据之间的支持度，实现了对岩体失稳各阶段的准确预测，有效解决了单特征参数预测不准确的问题，同时，基于证据融合有效消除了高冲突证据对预测结果的影响，提高了预测的准确性。
本申请是参照根据本申请实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (13)

1.一种基于多特征融合的岩体失稳阶段预测方法，其特征在于，包括：
获取岩体的声发射信号；
对获取到的所述声发射信号进行混合域特征提取，分别提取参数特征、时域特征或/和频域特征中具有显著类别差异信息的多个特征参数；
依据每个所述特征参数和预设的BP神经网络模型，得到表示岩体失稳阶段的预测值，并依据该预测值及期望输出值得到预测误差；
建立D-S证据理论识别框架，所述识别框架包括与岩体失稳各阶段一一对应的多个识别子框架；
依据所述预测误差构建所述特征参数的基本概率分配函数，通过所述特征参数的基本概率分配函数计算所述特征参数与岩体失稳各阶段的信任度值；
依据所述特征参数与岩体失稳各阶段的信任度值，通过D-S证据理论对同一个所述识别子框架下的所有所述特征参数进行融合，得到融合后的特征参数；
分别计算所述融合后的特征参数对应于岩体失稳各阶段的信任度值，并以信任度值的最大值对应的岩体失稳阶段作为预测结果。
2.根据权利要求1所述的基于多特征融合的岩体失稳阶段预测方法，其特征在于，所述参数特征包括所述声发射信号的振铃计数、声发射事件数、能量计数、持续时间、上升时间、有效电压值及有效幅度值中的一种或几种；
所述时域特征包括所述声发射信号的峰值、均值、峭度值、标准差、脉冲因子、裕度因子及波形因子中的一种或几种；
所述频域特征包括所述声发射信号的主频带位置、信号能量及频谱分散聚集程度中的一种或几种。
3.根据权利要求1所述的基于多特征融合的岩体失稳阶段预测方法，其特征在于，所述预设的BP神经网络模型通过岩体失稳不同阶段的所述特征参数对BP神经网络和遗传算法进行训练后得到。
4.根据权利要求1所述的基于多特征融合的岩体失稳阶段预测方法，其特征在于，所述识别子框架为所有所述特征参数对应于所述识别子框架表示的岩体失稳阶段的信任度值的集合。
5.根据权利要求1所述的基于多特征融合的岩体失稳阶段预测方法，其特征在于，所述构建所述特征参数的基本概率分配函数包括：
构建以所述预测误差的绝对值作为所述特征参数与实际值之间的第一距离的第一距离函数；
依据所述第一距离函数构建表示所述特征参数与所述识别子框架相关度的相关系数函数；
依据所述相关系数函数及所述预设的BP神经网络模型的预测值与期望输出值的均方误差构建所述特征参数的基本概率分配函数，以使得所述相关度越大，所述特征参数的基本概率分配函数得到的信任度值越大。
6.根据权利要求1所述的基于多特征融合的岩体失稳阶段预测方法，其特征在于，所述通过D-S证据理论对同一个所述识别子框架下的所有所述特征参数进行融合包括：
依据同一所述识别子框架下所有所述特征参数的信任度值计算所述识别子框架下的所有所述特征参数两两之间的数学距离；
构建支持度函数，使得任意两个所述特征参数之间的数学距离越小，其相互之间的支持度值越大；
将所述支持度函数进行归一化处理，并将归一化处理后的支持度函数作为所述特征参数的权值，对同一所述识别子框架下的每个所述特征参数进行加权平均形成新的特征参数；
依据D-S证据理论对同一所述识别子框架下的所有所述新的特征参数进行融合，得到融合后的特征参数。
7.一种基于多特征融合的岩体失稳阶段预测装置，其特征在于，包括：
数据采集模块，用于获取岩体的声发射信号；
特征提取模块，用于对获取到的所述声发射信号进行混合域特征提取，分别提取参数特征、时域特征或/和频域特征中具有显著类别差异信息的多个特征参数；
第一预测模块，用于依据每个所述特征参数和预设的BP神经网络模型，得到表示岩体失稳阶段的预测值，并依据该预测值及期望输出值得到预测误差；
识别框架建立模块，用于建立D-S证据理论识别框架，所述识别框架包括与岩体失稳各阶段一一对应的多个识别子框架；
信任度计算模块，用于依据所述预测误差构建所述特征参数的基本概率分配函数，通过所述特征参数的基本概率分配函数计算所述特征参数与岩体失稳各阶段的信任度值；
特征融合模块，用于依据所述特征参数与岩体失稳各阶段的信任度值，通过D-S证据理论对同一个所述识别子框架下的所有所述特征参数进行融合，得到融合后的特征参数；
第二预测模块，用于分别计算所述融合后的特征参数对应于岩体失稳各阶段的信任度值，并以信任度值的最大值对应的岩体失稳阶段作为预测结果。
8.根据权利要求7所述的基于多特征融合的岩体失稳阶段预测装置，其特征在于，所述参数特征包括所述声发射信号的振铃计数、声发射事件数、能量计数、持续时间、上升时间、有效电压值及有效幅度值中的一种或几种；
所述时域特征包括所述声发射信号的峰值、均值、峭度值、标准差、脉冲因子、裕度因子及波形因子中的一种或几种；
所述频域特征包括所述声发射信号的主频带位置、信号能量及频谱分散聚集程度中的一种或几种。
9.根据权利要求7所述的基于多特征融合的岩体失稳阶段预测装置，其特征在于，所述预设的BP神经网络模型通过岩体失稳不同阶段的所述特征参数对BP神经网络和遗传算法进行训练后得到。
10.根据权利要求7所述的基于多特征融合的岩体失稳阶段预测装置，其特征在于，所述识别子框架为所有所述特征参数对应于所述识别子框架表示的岩体失稳阶段的信任度值的集合。
11.根据权利要求7所述的基于多特征融合的岩体失稳阶段预测装置，其特征在于，所述信任度计算模块还包括：
第一距离计算子模块，用于构建以所述预测误差的绝对值作为所述特征参数与实际值之间的第一距离的第一距离函数；
相关系数函数构建子模块，用于依据所述第一距离函数构建表示所述特征参数与所述识别子框架相关度的相关系数函数；
基本概率分配函数构建子模块，用于依据所述相关系数函数及所述预设的BP神经网络模型的预测值与期望输出值的均方误差构建所述特征参数的基本概率分配函数，以使得所述相关度越大，所述特征参数的基本概率分配函数得到的信任度值越大。
12.根据权利要求7所述的基于多特征融合的岩体失稳阶段预测装置，其特征在于，所述特征融合模块包括：
第二距离计算子模块，用于依据同一所述识别子框架下所有所述特征参数的信任度值计算所述识别子框架下的所有所述特征参数两两之间的数学距离；
支持度函数构建子模块，用于构建支持度函数，使得任意两个所述特征参数之间的数学距离越小，其相互之间的支持度值越大；
特征参数更新子模块，用于将所述支持度函数进行归一化处理，并将归一化处理后的支持度函数作为所述特征参数的权值，对同一所述识别子框架下的每个所述特征参数进行加权平均形成新的特征参数；
特征融合子模块，用于依据D-S证据理论对同一所述识别子框架下的所有所述新的特征参数进行融合，得到融合后的特征参数。
13.一种计算机可读存储介质，其特征在于，所述可读存储介质上存储有指令，当其在计算机上运行时，使得计算机执行如权利要求1～6中任意一项所述的基于多特征融合的岩体失稳阶段预测方法。
CN201910638983.4A 2019-07-16 2019-07-16 基于多特征融合的岩体失稳阶段预测方法及装置 Active CN110457757B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910638983.4A CN110457757B (zh) 2019-07-16 2019-07-16 基于多特征融合的岩体失稳阶段预测方法及装置
BE20205405A BE1027019B1 (fr) 2019-07-16 2020-06-08 Procédé et dispositif de prédiction des stades d’instabilité d’une masse rocheuse sur la base d’une fusion de caractéristiques multiples

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910638983.4A CN110457757B (zh) 2019-07-16 2019-07-16 基于多特征融合的岩体失稳阶段预测方法及装置

Publications (2)

Publication Number Publication Date
CN110457757A true CN110457757A (zh) 2019-11-15
CN110457757B CN110457757B (zh) 2022-09-13

Family

ID=68481307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910638983.4A Active CN110457757B (zh) 2019-07-16 2019-07-16 基于多特征融合的岩体失稳阶段预测方法及装置

Country Status (2)

Country Link
CN (1) CN110457757B (zh)
BE (1) BE1027019B1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085104A (zh) * 2020-09-10 2020-12-15 杭州中奥科技有限公司 一种事件特征提取方法、装置、存储介质及电子设备
CN113063857A (zh) * 2020-06-15 2021-07-02 中国科学院武汉岩土力学研究所 一种直剪试验中岩石结构面张拉-剪切破坏的声发射识别方法
CN113920172A (zh) * 2021-12-14 2022-01-11 成都睿沿芯创科技有限公司 一种目标跟踪方法、装置、设备以及存储介质
CN114526451A (zh) * 2022-02-21 2022-05-24 南京邮电大学 地下空间岩体管道渗水声发射波动层次识别方法与装置
CN117056860A (zh) * 2023-08-17 2023-11-14 国网四川省电力公司营销服务中心 一种冲突减少的证据体系检测森林火灾识别方法
CN117289344A (zh) * 2023-11-24 2023-12-26 北京科技大学 基于震源空间分布的煤岩失稳破坏快速判识方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8874616B1 (en) * 2011-07-11 2014-10-28 21Ct, Inc. Method and apparatus for fusion of multi-modal interaction data
US20160070828A1 (en) * 2013-04-08 2016-03-10 China University of Mining & Technology, Beijng Vulnerability Assessment Method of Water Inrush from Aquifer Underlying Coal Seam
CN106250667A (zh) * 2016-06-29 2016-12-21 中国地质大学（武汉） 一种涉水滑坡状态跃迁的监测方法及装置
CN107729920A (zh) * 2017-09-18 2018-02-23 江苏海事职业技术学院 一种基于bp神经网络与d‑s证据理论结合的状态估计方法
CN108446458A (zh) * 2018-03-01 2018-08-24 西北工业大学 一种基于ds证据理论的加权融合故障诊断方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104062677B (zh) * 2014-07-03 2017-02-15 中国科学院武汉岩土力学研究所 一种多功能综合集成高精度智能微震监测系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8874616B1 (en) * 2011-07-11 2014-10-28 21Ct, Inc. Method and apparatus for fusion of multi-modal interaction data
US20160070828A1 (en) * 2013-04-08 2016-03-10 China University of Mining & Technology, Beijng Vulnerability Assessment Method of Water Inrush from Aquifer Underlying Coal Seam
CN106250667A (zh) * 2016-06-29 2016-12-21 中国地质大学（武汉） 一种涉水滑坡状态跃迁的监测方法及装置
CN107729920A (zh) * 2017-09-18 2018-02-23 江苏海事职业技术学院 一种基于bp神经网络与d‑s证据理论结合的状态估计方法
CN108446458A (zh) * 2018-03-01 2018-08-24 西北工业大学 一种基于ds证据理论的加权融合故障诊断方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
F. AGLIARDI等: ""Structurally-controlled instability, damage and slope failure in a porphyry rock mass"", 《TECTONOPHYSICS》 *
孙晓云等: ""基于修正D-S证据理论的锚杆承载力预测方法研究"", 《岩土力学》 *
廖志恒: "基于云模型和D-S理论的煤矿突水危险性综合评价模型", 《煤矿安全》 *
李军等: "老矿区地表岩层稳定性评价的数据融合方法", 《煤炭科学技术》 *
罗小燕等: "基于多源信号融合的球磨机负荷预测方法研究", 《振动与冲击》 *
董宪久: "基于多源信息融合技术的采空区稳定性评价", 《矿业研究与开发》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113063857A (zh) * 2020-06-15 2021-07-02 中国科学院武汉岩土力学研究所 一种直剪试验中岩石结构面张拉-剪切破坏的声发射识别方法
CN113063857B (zh) * 2020-06-15 2022-02-18 中国科学院武汉岩土力学研究所 一种直剪试验中岩石结构面张拉-剪切破坏的声发射识别方法
CN112085104A (zh) * 2020-09-10 2020-12-15 杭州中奥科技有限公司 一种事件特征提取方法、装置、存储介质及电子设备
CN112085104B (zh) * 2020-09-10 2024-04-12 杭州中奥科技有限公司 一种事件特征提取方法、装置、存储介质及电子设备
CN113920172A (zh) * 2021-12-14 2022-01-11 成都睿沿芯创科技有限公司 一种目标跟踪方法、装置、设备以及存储介质
CN113920172B (zh) * 2021-12-14 2022-03-01 成都睿沿芯创科技有限公司 一种目标跟踪方法、装置、设备以及存储介质
CN114526451A (zh) * 2022-02-21 2022-05-24 南京邮电大学 地下空间岩体管道渗水声发射波动层次识别方法与装置
CN117056860A (zh) * 2023-08-17 2023-11-14 国网四川省电力公司营销服务中心 一种冲突减少的证据体系检测森林火灾识别方法
CN117289344A (zh) * 2023-11-24 2023-12-26 北京科技大学 基于震源空间分布的煤岩失稳破坏快速判识方法
CN117289344B (zh) * 2023-11-24 2024-01-30 北京科技大学 基于震源空间分布的煤岩失稳破坏快速判识方法

Also Published As

Publication number Publication date
BE1027019A1 (fr) 2020-08-26
CN110457757B (zh) 2022-09-13
BE1027019B1 (fr) 2021-06-25

Similar Documents

Publication Publication Date Title
CN110457757A (zh) 基于多特征融合的岩体失稳阶段预测方法及装置
JP7102344B2 (ja) 機械学習モデルのモデリング方法及びデバイス
CN110009171A (zh) 用户行为模拟方法、装置、设备及计算机可读存储介质
CN110308485A (zh) 基于深度学习的微震信号分类方法、装置及存储介质
CN107545151A (zh) 一种基于低秩矩阵填充的药物重定位方法
CN109891508A (zh) 单细胞类型检测方法、装置、设备和存储介质
CN109118119A (zh) 风控模型生成方法及装置
CN111950622B (zh) 基于人工智能的行为预测方法、装置、终端及存储介质
CN110457758A (zh) 岩体失稳阶段的预测方法、装置、系统以及存储介质
US11514815B1 (en) System, method, and device for generating flight training scheme oriented to individual difference
Han et al. Application of ensemble algorithm in students' performance prediction
Abbasnia et al. Time-cost trade-off problem in construction project management, based on fuzzy logic
CN105867341A (zh) 一种烟草加工设备的在线设备健康状态自检方法及系统
CN114254867A (zh) 一种电信诈骗受害人风险评估系统及方法
CN110310199A (zh) 借贷风险预测模型的构建方法、系统及借贷风险预测方法
Es–SABERY et al. An improved ID3 classification algorithm based on correlation function and weighted attribute
CN114519508A (zh) 基于时序深度学习和法律文书信息的信用风险评估方法
Sun Sports performance prediction based on chaos theory and machine learning
CN115776401B (zh) 基于少样本学习对网络攻击事件进行溯源的方法、装置
CN109934352B (zh) 智能模型的自动进化方法
CN110533341A (zh) 一种基于bp神经网络的城市宜居性评价方法
CN110059457A (zh) 一种核身方法及装置
CN103942403B (zh) 一种对海量变量进行筛选的方法及设备
KR101478935B1 (ko) 리스크-프로파일 생성 장치
Chen Hotel management evaluation index system based on data mining and deep neural network

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Luo Xiaoyan

Inventor after: Liu Shun

Inventor after: Huang Xianghai

Inventor after: Chen Huiming

Inventor after: Shao Fan

Inventor before: Luo Xiaoyan

Inventor before: Huang Xianghai

Inventor before: Wu Qingling

Inventor before: Chen Huiming

Inventor before: Shao Fan

GR01 Patent grant
GR01 Patent grant