CN112434750B - 基于卷积神经网络的大坝监测数据发展模式识别方法 - Google Patents
基于卷积神经网络的大坝监测数据发展模式识别方法 Download PDFInfo
- Publication number
- CN112434750B CN112434750B CN202011403617.XA CN202011403617A CN112434750B CN 112434750 B CN112434750 B CN 112434750B CN 202011403617 A CN202011403617 A CN 202011403617A CN 112434750 B CN112434750 B CN 112434750B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- data
- monitoring data
- data sequence
- 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
Images
Classifications
-
- 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
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于卷积神经网络的大坝监测数据发展模式识别方法。本发明的目的是提供一种快速、准确、高效的基于卷积神经网络的大坝监测数据发展模式识别方法。本发明的技术方案是:一种基于卷积神经网络的大坝监测数据发展模式识别方法,对于任意待识别大坝监测数据序列,以多时间尺度进行数据预处理,并调用训练好的卷积神经网络模型进行多时间尺度模式识别,得到识别成果;所述卷积神经网络模型的训练方法如下:S1:收集获取大量大坝监测数据序列;S2:构建用于监测数据序列模式识别的卷积神经网络模型;S3:对学习样本进行数据预处理以满足卷积神经网络的输入格式。本发明适用于大坝安全监测、监控及管理领域。
Description
技术领域
本发明涉及一种基于卷积神经网络的大坝监测数据发展模式识别方法。适用于大坝安全监测、监控及管理领域。
背景技术
随着我国水利水电工程建设的快速发展,现阶段大坝安全管理方面呈现出已投运的水库大坝数量多、规模大,部分早期投运的大坝运行年限长等特点,今后很长一段时间内我国大坝运行安全管理面临着巨大的挑战。
大坝安全监测是监视大坝运行性态最直接也是最重要的手段,对大坝的建设以及运行管理而言具有重要的作用。通过安全监测手段,人们能够了解大坝过往以及当前的运行性态,在此基础上甚至能够推测未来大坝运行性态,因此大坝安全监测能够为大坝安全管理提供重要的参考。
实际大坝安全管理中,监测数据发展变化规律往往是工程技术人员所关心的。如监测数据呈现稳定的规律性变化或者趋于恒定则表明结构性态正常,监测数据持续变化表明结构性态还未稳定,监测数据加速变化则表明结构可能存在某些异常。此外,若近段时间监测数据变化规律与前期不同则表明结构性态出现了变化,需要引起注意。因此,大坝安全管理中需要及时准确地掌握监测数据的变化规律。
对于监测序列数量不多的情况通过工程技术人员直接查看即能够掌握监测数据变化规律,但实际工作中对于大坝安全管理人员而言往往需要关注成千上万的监测序列,这种情况下直接通过人力查看需要花费大量时间,同时也无法保证识别的准确性。
时间序列变化规律识别是一个高度抽象的问题,现阶段采用的主要方法包括数学模型拟合分析、相似性分析、特征工程、时间序列分析方法等,近年来深度学习技术也被用于时间序列分析中。
大坝安全监测领域常用的数据发展模式识别方法是通过监控模型对监测数据建模,分离得到其中的时效分量,进而通过时效分量的变化规律确定时间序列的趋势变化规律,该方法的准确性依赖于建模精度以及假定的时效分量函数形式,存在较大的局限性,并且该方法只能对趋势性进行分析而无法准确识别周期性以及其他复杂的变化规律。
发明内容
本发明要解决的技术问题是:针对上述存在的问题,提供一种快速、准确、高效的基于卷积神经网络的大坝监测数据发展模式识别方法。
本发明所采用的技术方案是:一种基于卷积神经网络的大坝监测数据发展模式识别方法,其特征在于:
对于任意待识别大坝监测数据序列,以多时间尺度进行数据预处理,并调用训练好的卷积神经网络模型进行多时间尺度模式识别,得到识别成果;
所述卷积神经网络模型的训练方法如下:
S1:收集获取大量大坝监测数据序列,根据数据序列的发展模式对收集的数据序列进行分类标记,形成带类型标签的学习样本;
S2:构建用于监测数据序列模式识别的卷积神经网络模型,卷积神经网络通过若干卷积层和池化层进行数据序列的特征抽取及降维,再利用全连接层对抽取的特征进行融合,最后借助Softmax函数输出分类识别成果;
S3:对学习样本进行数据预处理以满足卷积神经网络的输入格式,以监督式方法进行卷积神经网络模型训练,训练过程中对模型结构及相关参数进行微调,保存最优训练成果。
所述以多时间尺度进行数据预处理,包括:
对于任意待识别监测数据序列,以序列测值频次进行预评判,分下列几种情况进行处理:
若数据序列年测值频次大于等于5次,则从原数据序列中分别截取最新3、5、7年的数据作为年监测数据系列;
若数据序列月测值频次大于等于5次,则从原数据序列中分别截取最新3、5、7月的数据作为月监测数据系列;
若数据序列日测值频次大于等于5次,则从原数据序列中分别截取最新3、5、7天的数据作为日监测数据系列;
若原数据序列时间段小于上述情况,则不进行相应的数据截取操作。
对于原待识别数据序列及新截取的多时间尺度数据序列,进行数据预处理操作,得到满足卷积神经网络输入格式的数据。
所述数据预处理操作,包括:
对于每条监测数据序列样本,采用线性插值的方法得到在时间轴方向等间距的固定长度为m的样本数据;
对于每条样本序列进行归一化处理,并将所有样本数据放入一个4维数组;同时将每条监测数据序列的类型标签转化为独热向量,并将所有样本的标签放入一个2维数组。
所述大坝监测数据序列的发展模式定为8大类,包括5个基本类和3个组合类;
其中5个基本类为无规律型、周期变化型、收敛变化型、直线变化型、加速变化型;3个组合类为周期+收敛变化型、周期+直线变化型,以及周期+加速变化型。
所述卷积神经网络模型的具体结构为:
数据输入层→卷积层1+Relu,核尺寸1×7×2,数量16,步长1→卷积层2+Relu,核尺寸1×5×16,数量16,步长1→最大池化层1,核尺寸1×3,步长2→卷积层3+Relu,核尺寸1×5×16,数量32,步长1→卷积层4+Relu,核尺寸1×5×32,数量32,步长1→最大池化层2,核尺寸1×3,步长2→卷积层5+Relu,核尺寸1×5×32,数量64,步长1→最大池化层3,核尺寸1×3,步长2→卷积层6+Relu,核尺寸1×3×64,步长1→最大池化层4,核尺寸1×3,步长2→卷积层7+Relu,核尺寸1×3×128,数量256,步长1→最大池化层5,核尺寸1×3,步长2→卷积层8,核尺寸1×4×256,数量1024→全连接层+Relu→卷积层9,核尺寸1×1×1024,数量8,步长1→Softmax输出层。
每条监测数据序列u的数据格式为
u=[(x1,y1),(x2,y2),……,(xn,yn)]
其中x1,x2…xn为序列测值时刻,y1,y2…yn为相应时刻的测值。
一种存储介质,其上存储有可供处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现所述的基于卷积神经网络的大坝监测数据发展模式识别方法的步骤。
一种基于卷积神经网络的大坝监测数据发展模式识别设备,具有存储器和处理器,存储器上存储有可供处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现所述的基于卷积神经网络的大坝监测数据发展模式识别方法的步骤。
本发明的有益效果是:本发明基于卷积神经网络对大坝监测数据序列的发展模型进行识别,实现仅仅通过一个模型即能够做到快速、准确、批量化地对各类监测序列的变化规律进行智能识别,尤其适合于大量监测数据的快速批量化管理,为大坝安全管理人员提供了高效的技术手段。
附图说明
图1为实施例的实施流程图。
图2为实施例的卷积神经网络结构图。
具体实施方式
本实施例为一种基于卷积神经网络的大坝监测数据发展模式识别方法,该方法对于任意待识别大坝监测数据序列,以多时间尺度(日、月、年)进行数据预处理,并调用训练好的卷积神经网络模型进行多时间尺度模式识别,得到识别成果,具体步骤如下:
A、对于任意待识别监测数据序列,以序列测值频次进行预评判,分下列几种情况进行处理:
(1)若数据序列年测值频次大于等于5次,则从原数据序列中分别截取最新3、5、7年的数据作为年监测数据系列;
(2)若数据序列月测值频次大于等于5次,则从原数据序列中分别截取最新3、5、7月的数据作为月监测数据系列;
(3)若数据序列日测值频次大于等于5次,则从原数据序列中分别截取最新3、5、7天的数据作为日监测数据系列;
(4)若原数据序列时间段小于上述情况,则不进行相应的数据截取操作。
B、对于原待识别数据序列及新截取的多时间尺度数据序列,进行数据预处理操作,得到满足卷积神经网络输入格式的数据。
C、将经数据预处理的多时间尺度待检测数据序列批量输入卷积神经网络模型,并调用已储存的训练参数对数据序列进行计算并分类,得到多时间尺度监测数据序列分类识别结果。
D、对各时间尺度的分类识别结果进行组合分析,最终得到监测数据序列发展模式。
本实施例中卷积神经网络模型及训练参数根据以下方法得到:
S1、获取大量大坝监测数据系列资料,根据以往经验以及对现有数据的分析总结大坝监测数据序列发展模式的种类,并依据所定模式种类对收集的数据序列进行分类标记及存储,形成带类型标签的学习样本,具体包括:
S1-1、收集大量各种类型的监测数据,每条监测数据序列u的数据格式为
u=[(x1,y1),(x2,y2),……,(xn,yn)]
其中x1,x2…xn为序列测值时刻,y1,y2…yn为相应时刻的测值;
S1-2、根据工程经验以及对收集的大坝安全监测数据序列变化规律的分析,将大坝安全监测数据序列的发展模式定为8大类,其中5个基本类(无规律型、周期变化型、收敛变化型、直线变化型、加速变化型)和3个组合类(周期+收敛变化型、周期+直线变化型、周期+加速变化型);
S1-3、根据拟定的模式种类,通过人工识别的方式对收集的监测数据序列进行标记,对应8种分类的类型号分别为1到8,以此作为卷积神经网络模型训练的学习样本并存储。
S2、构建用于监测数据序列模式识别的卷积神经网络模型,卷积神经网络通过若干卷积层和池化层进行数据序列的特征抽取及降维,再利用全连接层对抽取的特征进行融合,最后借助Softmax函数输出分类识别成果。
本实施例中卷积神经网络模型的具体结构为:数据输入层→卷积层1+Relu,核尺寸1×7×2,数量16,步长1→卷积层2+Relu,核尺寸1×5×16,数量16,步长1→最大池化层1,核尺寸1×3,步长2→卷积层3+Relu,核尺寸1×5×16,数量32,步长1→卷积层4+Relu,核尺寸1×5×32,数量32,步长1→最大池化层2,核尺寸1×3,步长2→卷积层5+Relu,核尺寸1×5×32,数量64,步长1→最大池化层3,核尺寸1×3,步长2→卷积层6+Relu,核尺寸1×3×64,步长1→最大池化层4,核尺寸1×3,步长2→卷积层7+Relu,核尺寸1×3×128,数量256,步长1→最大池化层5,核尺寸1×3,步长2→卷积层8,核尺寸1×4×256,数量1024→全连接层+Relu→卷积层9,核尺寸1×1×1024,数量8,步长1→Softmax输出层。
S3:对学习样本进行预处理以满足卷积神经网络的输入格式,以监督式方法进行卷积神经网络模型训练,训练过程中对模型结构及相关参数进行微调,最后保存最优训练成果,具体包括:
将经预处理的数据样本分为训练集和测试集(两者比例为4:1),以训练集作为训练数据,测试集作为测试数据,以监督式方式对卷积神经网络进行训练;
模型训练过程中监测总体分类准确率和每一种分类的准确率变化情况,根据训练情况对模型结构及参数进行微调,最终保存最优模型的相关参数;
上述所指的最优模型需综合考虑模型综合分类准确率及各分项的分类准确率,即保证每一种类型的分类准确率均能达到工程应用的相关要求。
本实施例中对监测数据序列进行预处理的方法,具体步骤如下:
对于每条监测数据序列样本,采用线性插值的方法得到在时间轴方向等间距的固定长度为m的样本数据,插值得到的样本数据格式为
U=[(X1,Y1),(X2,Y2),……,(Xm,Ym)]
其中m具体取值原则是插值所得到的数据序列足以代表原数据序列的模式特征,本例中m取为128;
对于每条样本序列进行归一化处理,即将数据序列两个通道(时间和测值)的值均缩放到[0,1]区间,并将所有样本数据放入一个4维数组;同时将每条监测数据序列的类型标签转化为独热向量,例如标签值label=[0,0,1,0,0,0,0,0]代表该数据序列分类属性为第3类,并将所有样本的标签放入一个2维数组。
本实施例还提供一种存储介质,其上存储有可供处理器执行的计算机程序,该计算机程序被执行时实现本实施例基于卷积神经网络的大坝监测数据发展模式识别方法的步骤。
本实施例还提供一种基于卷积神经网络的大坝监测数据发展模式识别设备,具有存储器和处理器,存储器上存储有可供处理器执行的计算机程序,该计算机程序被执行时实现本实施例基于卷积神经网络的大坝监测数据发展模式识别方法的步骤。
Claims (6)
1.一种基于卷积神经网络的大坝监测数据发展模式识别方法,其特征在于:
对于任意待识别大坝监测数据序列,以多时间尺度进行数据预处理,并调用训练好的卷积神经网络模型进行多时间尺度模式识别,得到识别成果;
所述卷积神经网络模型的训练方法如下:
S1:收集获取大量大坝监测数据序列,根据数据序列的发展模式对收集的数据序列进行分类标记,形成带类型标签的学习样本;
S2:构建用于监测数据序列模式识别的卷积神经网络模型,卷积神经网络通过若干卷积层和池化层进行数据序列的特征抽取及降维,再利用全连接层对抽取的特征进行融合,最后借助Softmax函数输出分类识别成果;
S3:对学习样本进行数据预处理以满足卷积神经网络的输入格式,以监督式方法进行卷积神经网络模型训练,训练过程中对模型结构及相关参数进行微调,保存最优训练成果;
所述以多时间尺度进行数据预处理,包括:
对于任意待识别监测数据序列,以序列测值频次进行预评判,分下列几种情况进行处理:
若数据序列年测值频次大于等于5次,则从原数据序列中分别截取最新3、5、7年的数据作为年监测数据系列;
若数据序列月测值频次大于等于5次,则从原数据序列中分别截取最新3、5、7月的数据作为月监测数据系列;
若数据序列日测值频次大于等于5次,则从原数据序列中分别截取最新3、5、7天的数据作为日监测数据系列;
若原数据序列时间段小于上述情况,则不进行相应的数据截取操作;
对于原待识别数据序列及新截取的多时间尺度数据序列,进行数据预处理操作,得到满足卷积神经网络输入格式的数据;
所述大坝监测数据序列的发展模式定为8大类,包括5个基本类和3个组合类;
其中5个基本类为无规律型、周期变化型、收敛变化型、直线变化型、加速变化型;3个组合类为周期+收敛变化型、周期+直线变化型,以及周期+加速变化型。
2.根据权利要求1所述的基于卷积神经网络的大坝监测数据发展模式识别方法,其特征在于,所述数据预处理操作,包括:
对于每条监测数据序列样本,采用线性插值的方法得到在时间轴方向等间距的固定长度为m的样本数据;
对于每条样本序列进行归一化处理,并将所有样本数据放入一个4维数组;同时将每条监测数据序列的类型标签转化为独热向量,并将所有样本的标签放入一个2维数组。
3.根据权利要求1所述的基于卷积神经网络的大坝监测数据发展模式识别方法,其特征在于,所述卷积神经网络模型的具体结构为:
数据输入层→卷积层1+Relu,核尺寸1×7×2,数量16,步长1→卷积层2+Relu,核尺寸1×5×16,数量16,步长1→最大池化层1,核尺寸1×3,步长2→卷积层3+Relu,核尺寸1×5×16,数量32,步长1→卷积层4+Relu,核尺寸1×5×32,数量32,步长1→最大池化层2,核尺寸1×3,步长2→卷积层5+Relu,核尺寸1×5×32,数量64,步长1→最大池化层3,核尺寸1×3,步长2→卷积层6+Relu,核尺寸1×3×64,步长1→最大池化层4,核尺寸1×3,步长2→卷积层7+Relu,核尺寸1×3×128,数量256,步长1→最大池化层5,核尺寸1×3,步长2→卷积层8,核尺寸1×4×256,数量1024→全连接层+Relu→卷积层9,核尺寸1×1×1024,数量8,步长1→Softmax输出层。
4.根据权利要求1所述的基于卷积神经网络的大坝监测数据发展模式识别方法,其特征在于:每条监测数据序列u的数据格式为
u=[(x1,y1),(x2,y2),……,(xn,yn)]
其中x1,x2…xn为序列测值时刻,y1,y2…yn为相应时刻的测值。
5.一种存储介质,其上存储有可供处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现权利要求1~4任意一项所述的基于卷积神经网络的大坝监测数据发展模式识别方法的步骤。
6.一种基于卷积神经网络的大坝监测数据发展模式识别设备,具有存储器和处理器,存储器上存储有可供处理器执行的计算机程序,其特征在于:所述计算机程序被执行时实现权利要求1~4任意一项所述的基于卷积神经网络的大坝监测数据发展模式识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011403617.XA CN112434750B (zh) | 2020-12-04 | 2020-12-04 | 基于卷积神经网络的大坝监测数据发展模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011403617.XA CN112434750B (zh) | 2020-12-04 | 2020-12-04 | 基于卷积神经网络的大坝监测数据发展模式识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112434750A CN112434750A (zh) | 2021-03-02 |
CN112434750B true CN112434750B (zh) | 2023-05-16 |
Family
ID=74692302
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011403617.XA Active CN112434750B (zh) | 2020-12-04 | 2020-12-04 | 基于卷积神经网络的大坝监测数据发展模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434750B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114706568B (zh) * | 2022-04-22 | 2024-07-05 | 深圳伯德睿捷健康科技有限公司 | 深度学习在线编码方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355540A (zh) * | 2016-09-18 | 2017-01-25 | 三峡大学 | 一种基于gra‑bp神经网络的中小型水库大坝安全评价方法 |
WO2019224739A1 (en) * | 2018-05-25 | 2019-11-28 | University Of Johannesburg | System and method for real time prediction of water level and hazard level of a dam |
CN111105097A (zh) * | 2019-12-25 | 2020-05-05 | 河海大学常州校区 | 一种基于卷积神经网络的大坝变形预测系统和方法 |
CN111709465A (zh) * | 2020-06-04 | 2020-09-25 | 中国电建集团华东勘测设计研究院有限公司 | 大坝安全监测数据粗差智能识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7822697B2 (en) * | 2006-09-29 | 2010-10-26 | Globvision Inc. | Method and apparatus for infrastructure health monitoring and analysis wherein anomalies are detected by comparing measured outputs to estimated/modeled outputs by using a delay |
CN101699477B (zh) * | 2009-10-21 | 2012-06-27 | 东南大学 | 精确预测大坝变形的神经网络方法 |
CN107480341B (zh) * | 2017-07-21 | 2018-10-23 | 河海大学 | 一种基于深度学习的大坝安全综合评判方法 |
CN111047476A (zh) * | 2019-12-09 | 2020-04-21 | 山东大学 | 基于rbf神经网络的大坝结构安全监控精确预测方法及系统 |
CN111178758A (zh) * | 2019-12-30 | 2020-05-19 | 河海大学 | 一种基于bim的混凝土坝监测数据智能化管理与实时评估系统 |
-
2020
- 2020-12-04 CN CN202011403617.XA patent/CN112434750B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355540A (zh) * | 2016-09-18 | 2017-01-25 | 三峡大学 | 一种基于gra‑bp神经网络的中小型水库大坝安全评价方法 |
WO2019224739A1 (en) * | 2018-05-25 | 2019-11-28 | University Of Johannesburg | System and method for real time prediction of water level and hazard level of a dam |
CN111105097A (zh) * | 2019-12-25 | 2020-05-05 | 河海大学常州校区 | 一种基于卷积神经网络的大坝变形预测系统和方法 |
CN111709465A (zh) * | 2020-06-04 | 2020-09-25 | 中国电建集团华东勘测设计研究院有限公司 | 大坝安全监测数据粗差智能识别方法 |
Non-Patent Citations (1)
Title |
---|
大坝安全监控研究进展;方卫华;徐超健;陈允平;李东;;水利信息化(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112434750A (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104407589B (zh) | 面向车间制造过程的实时生产性能主动感知与异常分析方法 | |
CN107817404B (zh) | 一种便携式计量自动化终端故障诊断装置及其诊断方法 | |
CN102498445A (zh) | 用于机器状态监测的、使用规则生成的样本的监督故障学习 | |
CN108491991B (zh) | 基于工业大数据产品工期的约束条件分析系统与方法 | |
CN114168906A (zh) | 一种基于云计算的测绘地理信息数据采集系统 | |
CN109033513A (zh) | 电力变压器故障诊断方法与电力变压器故障诊断装置 | |
CN109033322A (zh) | 一种多维数据的测试方法和装置 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN109872252A (zh) | 一种基于matlab算法的电力供应商综合评价方法 | |
CN111737249A (zh) | 基于Lasso算法的异常数据检测方法及装置 | |
CN112434750B (zh) | 基于卷积神经网络的大坝监测数据发展模式识别方法 | |
CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
CN111080491A (zh) | 一种基于视频识别的施工现场检查系统及方法 | |
CN112926686B (zh) | 基于brb和lstm模型的电力大数据用电异常检测方法及装置 | |
CN111090679B (zh) | 基于时序影响和图嵌入的时序数据表示学习方法 | |
CN112800540A (zh) | 一种基于高斯过程回归的航空发动机载荷谱任务段建模方法 | |
CN115987692A (zh) | 一种基于流量回溯分析的安全防护系统及方法 | |
CN113779892B (zh) | 一种风速和风向的预测方法 | |
CN111259912B (zh) | 一种基于ae-svm变电站巡检机器人的仪表图像识别方法 | |
Seyoga et al. | A Comparison Between Backpropagation, Holt-Winter, and Polynomial Regression Methods in Forecasting Dog Bite Cases in Bali | |
CN114818849A (zh) | 基于大数据信息的卷积神经网络和遗传算法的反窃电方法 | |
CN115209441A (zh) | 基站退服告警预测方法、装置、设备及存储介质 | |
CN114295967A (zh) | 一种基于迁移神经网络的模拟电路故障诊断方法 | |
CN113592218A (zh) | 一种光伏用户基线负荷估计方法、装置和终端设备 | |
CN111476392A (zh) | 基于社会感知的计量装置时钟误差趋势预测方法 |
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 |