CN113673582B - 基于系统聚类分析的铁路动态基准点多层级分群方法 - Google Patents
基于系统聚类分析的铁路动态基准点多层级分群方法 Download PDFInfo
- Publication number
- CN113673582B CN113673582B CN202110871853.2A CN202110871853A CN113673582B CN 113673582 B CN113673582 B CN 113673582B CN 202110871853 A CN202110871853 A CN 202110871853A CN 113673582 B CN113673582 B CN 113673582B
- Authority
- CN
- China
- Prior art keywords
- index
- evaluation
- datum
- railway
- clustering
- 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 47
- 238000007621 cluster analysis Methods 0.000 title claims abstract description 13
- 230000009897 systematic effect Effects 0.000 title claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims description 92
- 239000011159 matrix material Substances 0.000 claims description 42
- 238000010586 diagram Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 20
- 238000012935 Averaging Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 7
- 235000012571 Ficus glomerata Nutrition 0.000 claims description 6
- 244000153665 Ficus glomerata Species 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了基于系统聚类分析的铁路动态基准点多层级分群方法,该方法在综合考虑基准点三维位置、坐标时间序列非线性运动趋势、线性运动趋势、水平速度值及垂向速度值等参量的基础上实现铁路带状区域动态基准点的多层级分类。该方法不仅解决了传统基准网视点位为静态的缺陷,而且综合考虑了基准点间的时空相关性,为动态基准网络的完好性监测及铁路区域地球物理特性反演提供了技术保障。
Description
技术领域
本发明属于高速铁路基准维持领域,具体涉及基于系统聚类分析的铁路动态基准点多层级分群方法。
背景技术
铁路高精度控制网为整个铁路的设计、施工及运营提供空间基准。经前人研究及多方资料调研可知:铁路沿线区域地质构造运动活跃、气候变化剧烈。在地壳构造运动及质量负荷等的影响下,铁路控制点很难保持较强的静态性及稳定性。因此,考虑控制点运动趋势、构建铁路动态基准对保障铁路工程质量至关重要。
另外,由于铁路跨越区域板块众多、高差落差大,该区域基准点将出现不同的运动趋势。以点位三维位置、坐标时间序列非线性运动趋势、线性运动趋势、水平速度值及垂向速度值等参量为指标对铁路动态基准点进行多层级分群有利于进行铁路区域板块运动趋势分析、环境质量负荷反演及动态基准网络的完好性监测。
发明内容
针对现有技术中的上述不足,本发明提供的基于系统聚类分析的铁路动态基准点多层级分群方法解决了传统基准网视点位为静态的问题。
针对现有技术中的上述不足,本发明提供的基于系统聚类分析的铁路动态基准点多层级分群方法解决了传统基准网视点位为静态的问题。
为了达到上述发明目的,本发明采用的技术方案为:基于系统聚类分析的铁路动态基准点多层级分群方法,包括以下步骤:
S1、以铁路基准点的多项指标为分群依据,建立点群分类综合评价的指标体系,并以基准点为评价对象得到矩阵X;
S2、基于矩阵X中的各个评价指标值,通过标准化处理得到标准化指标,并生成指标变量,通过标准化指标间的相关系数得到指标变量的相关系数矩阵;
S3、通过R型聚类对矩阵X中的各个评价指标进行聚类分析,生成指标聚类树形图,并根据相关系数矩阵,从指标聚类树形图的各个类中选取代表性评价指标;
S4、根据代表性评价指标对铁路的基准点进行Q型聚类,将Q型聚类生成的基准点的类用类平均法处理,得到所有基准点的聚类树形图,完成铁路动态基准点多层级分群。
进一步地:所述步骤S1中,铁路基准点的多项指标包括铁路基准点的三维位置、坐标时间序列非线性运动趋势、线性运动趋势、水平速度值和垂向速度值;
所述步骤S1具体为:以铁路基准点的多项指标作为分群依据,建立点群分类综合评价的指标体系F=(f1,f2,…,fn),其中fc为第c个评价指标,c=1,2,…,n,n表示评价指标个数;以铁路基准点为评价对象,通过指标体系F=(f1,f2,…,fn)结合评价对象,得到m×n的矩阵X,其中m为评价对象的总数。
上述进一步方案的有益效果为:本发明在综合考虑基准点三维位置、坐标时间序列非线性运动趋势、线性运动趋势、水平速度值及垂向速度值等参量的基础上实现铁路带状区域动态基准点的多层级分类。
进一步地:所述步骤S2包括以下分步骤:
S21、基于矩阵X中的各个评价指标值,通过不同量纲间指标的标准化算法进行标准化处理,得到标准化指标,并根据X中的各个评价指标值生成指标变量;
S22、通过标准化指标计算两两指标变量间的相关系数,得到指标变量的相关系数矩阵。
上述进一步方案的有益效果为:由于选取的多项指标过多,给系统分析与建模带来很大的不便,需要对多项指标的数据进行标准化处理,以便筛选出影响系统的主要因素。
进一步地:所述步骤S21具体为:
上述进一步方案的有益效果为:通过计算得到的标准化指标,可用于计算两指标变量的相关系数。
进一步地:所述步骤S22包括以下分步骤:
S22-1、通过标准化指标计算两两指标变量的相关系数rjk,其相关系数rjk的表达式具体为:
S22-2、计算出所有指标变量的相关系数,得到相关系数矩阵r。
上述进一步方案的有益效果为:通过相关系数矩阵r,可以得到指标变量的相似关系,进而获取代表性表性的指标。
进一步地:所述步骤S3包括以下分步骤:
S31、通过R型聚类中的最大系数法对矩阵X中各个评价指标进行分析,生成指标聚类树形图;
S32、在指标聚类树形图中任选两类,根据标准化指标间的相关系数矩阵,得到两类中最相似的两指标变量间的相似性度量值R(G1,G2),并从每个类中选取代表性评价指标P=(p1,p2,…,pe),e≤n;
其中,e为代表性评价指标的总数,两类中两指标变量间的相似性度量值R(G1,G2)的具体表达式为:
R(G1,G2)=max{rjk}
式中,G1和G2均为指标聚类树形图中的类,max{*}为求最大值函数。
上述进一步方案的有益效果为:根据选取的代表性评价指标,可以确定影响系统的主要因素的基准点。
进一步地:所述步骤S4包括以下分步骤:
S41、根据代表性评价指标对铁路的所有基准点进行Q型聚类,生成基准点的类,并进行标准化处理生成基准点样本,计算各类基准点样本之间的欧式距离;
S42、根据各类基准点样本之间的欧氏距离,用类平均法将两个基准点的类或若干个基准点的类合并成新基准点的类;
S43、重复通过类平均法合并所述新基准点的类,直到所有基准点的类都合并成一个类为止,得到聚类树形图,完成铁路基准点动态多层级分群。
上述进一步方案的有益效果为:通过欧氏距离度量样本间相近性,并以类平均法度量类间距离,可以实现铁路星地融合控制点的多层级分群,得到控制点的聚类树形图。
进一步地:所述步骤S41具体为:
根据代表性评价指标对铁路的所有基准点进行Q型聚类得到基准点的类,并进行标准化处理生成基准点样本,计算各类基准点样本间的欧式距离;
其中,计算各类基准点样本间的欧式距离d(ya,yb)的表达式具体为:
式中,ya,yb是分别是第a个和第b个基准点样本的代表性评价指标,ya的取值为(ya1,ya2,…,yap)T,yb的取值为(yb1,yb2,…,ybp)T,其中,维度序数l=1,2,…,p,p为基准点样本的代表性评价指标总数。
上述进一步方案的有益效果为:欧氏距离可以衡量各类基准点样本间的相近性,可以作为合并样本的依据。
进一步地:所述步骤S42具体为:
根据各类基准点样本之间的欧氏距离,通过类平均法确定各类之间的间距,将间距最小的两个基准点的类或若干个间距相同的基准点的类合并成一个新基准点的类;
其中,类平均法具体表达式为:
式中,D(H1,H2)为两类间的距离,H1和H2均为基准点的类,n1和n2分别为H1和H2中基准点个数。
上述进一步方案的有益效果为:通过Q型聚类分析方法和类平均法,完成了对局部区域基准点选取进行合理、严密的分析,优先选择层级较优的基准点。
本发明的有益效果为:
(1)本发明综合考虑铁路基准点三维位置、坐标时间序列非线性运动趋势、线性运动趋势、水平速度值及垂向速度值等参量的基础上实现铁路带状区域动态基准点的多层级分类。
(2)利用R型聚类对多个指标变量进行分类处理,按照变量的相似关系把它们聚合成若干类,可以确定影响系统的主要因素,进而提高基准点的多层级分类的精度。
(3)本发明综合考虑了R型聚类和Q型聚类分析方法,实现了对于川藏地区的高速铁路领域基准点的多层级分类技术,优先选择层级较优的基准点,为川藏地区坐标参考框架建立、维护、应用提供有力的价值参考。
附图说明
图1为本发明的流程图。
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。
在本发明的一个实施例中以川藏铁路的基准点为对象,如图1所示,基于系统聚类分析的铁路动态基准点多层级分群方法,包括以下步骤:
S1、以铁路基准点的多项指标为分群依据,建立点群分类综合评价的指标体系,并以基准点为评价对象得到矩阵X;
S2、基于矩阵X中的各个评价指标值,通过标准化处理得到标准化指标,并生成指标变量,通过标准化指标间的相关系数得到指标变量的相关系数矩阵;
S3、通过R型聚类对矩阵X中的各个评价指标进行聚类分析,生成指标聚类树形图,并根据相关系数矩阵,从指标聚类树形图的各个类中选取代表性评价指标;
S4、根据代表性评价指标对铁路的基准点进行Q型聚类,将Q型聚类生成的基准点的类用类平均法处理,得到所有基准点的聚类树形图,完成铁路动态基准点多层级分群。
所述步骤S1中,铁路基准点的多项指标包括铁路基准点的三维位置、坐标时间序列非线性运动趋势、线性运动趋势、水平速度值和垂向速度值;
所述步骤S1具体为:以铁路基准点的多项指标作为分群依据,建立点群分类综合评价的指标体系F=(f1,f2,…,fn),其中fc为第c个评价指标,c=1,2,…,n,n表示评价指标个数;以铁路基准点为评价对象,通过指标体系F=(f1,f2,…,fn)结合评价对象,得到m×n的矩阵X,其中m为评价对象的总数。
本发明在综合考虑川藏铁路的基准点三维位置、坐标时间序列非线性运动趋势、线性运动趋势、水平速度值及垂向速度值等参量的基础上实现川藏铁路带状区域动态基准点的多层级分类。
所述步骤S2包括以下分步骤:
S21、基于矩阵X中的各个评价指标值,通过不同量纲间指标的标准化算法进行标准化处理,得到标准化指标,并根据X中的各个评价指标值生成指标变量;
S22、通过标准化指标计算两两指标变量间的相关系数,得到指标变量的相关系数矩阵。
所述步骤S21具体为:
所述步骤S22包括以下分步骤:
S22-1、通过标准化指标计算两两指标变量的相关系数rjk,其相关系数rjk的表达式具体为:
S22-2、计算出所有指标变量的相关系数,得到相关系数矩阵r。
所述步骤S3包括以下分步骤:
S31、通过R型聚类中的最大系数法对矩阵X中各个评价指标进行分析,生成指标聚类树形图;
S32、在指标聚类树形图中任选两类,根据标准化指标间的相关系数矩阵,得到两类中最相似的两指标变量间的相似性度量值R(G1,G2),并从每个类中选取代表性评价指标P=(p1,p2,…,pe),e≤n;
其中,e为代表性评价指标的总数,两类中两指标变量间的相似性度量值R(G1,G2)的具体表达式为:
R(G1,G2)=max{rjk}
式中,G1和G2均为指标聚类树形图中的类,max{*}为求最大值函数。
所述步骤S4包括以下分步骤:
S41、根据代表性评价指标对铁路的所有基准点进行Q型聚类,生成基准点的类,并进行标准化处理生成基准点样本,计算各类基准点样本之间的欧式距离;
S42、根据各类基准点样本之间的欧氏距离,用类平均法将两个基准点的类或若干个基准点的类合并成新基准点的类;
S43、重复通过类平均法合并所述新基准点的类,直到所有基准点的类都合并成一个类为止,得到聚类树形图,完成铁路基准点动态多层级分群。
所述步骤S41具体为:
根据代表性评价指标对铁路的所有基准点进行Q型聚类得到基准点的类,并进行标准化处理生成基准点样本,计算各类基准点样本间的欧式距离;
其中,计算各类基准点样本间的欧式距离d(ya,yb)的表达式具体为:
式中,ya,yb是分别是第a个和第b个基准点样本的代表性评价指标,ya的取值为(ya1,ya2,…,yap)T,yb的取值为(yb1,yb2,…,ybp)T,其中,维度序数l=1,2,…,p,p为基准点样本的代表性评价指标总数。
所述步骤S42具体为:
根据各类基准点样本之间的欧氏距离,通过类平均法确定各类之间的间距,将间距最小的两个基准点的类或若干个间距相同的基准点的类合并成一个新基准点的类;
其中,类平均法具体表达式为:
式中,D(H1,H2)为两类间的距离,H1和H2均为基准点的类,n1和n2分别为H1和H2中基准点个数。
本发明的实施过程为:在进行铁路动态基准点分群过程中,为避免遗漏某些重要因素,选取多项指标建立点群分类综合评价的指标体系。由于选取的指标过多,指标间的相关度高,给系统分析与建模带来很大的不便,通过标准化处理得到标准化指标,并通过标准化指标计算指标间的相关系数确定相关系数矩阵。通过R型聚类中的最大系数法对各个指标进行分类处理,得到指标聚类树形图,根据相关系数矩阵从指标聚类树形图的每个类中选取代表性评价指标。根据选取的代表性指标对铁路地区的所有基准点进行Q型聚类得到基准点样本,对所有的基准点样本进行标准化处理,并计算基准点样本间的欧式距离。将每一个基准点样本看成一个基准点的类,将欧式距离作为类与类间的相似性度量,用类平均法选择距离相近的两类或若干个类合并成一个新类,直到所有基准点都合并成一类为止。最后得到所有基准点的聚类树形图,实现基于系统聚类分析的铁路动态基准点多层级分群方法。
本发明的有益效果为:本发明综合考虑基准点三维位置、坐标时间序列非线性运动趋势、线性运动趋势、水平速度值及垂向速度值等参量的基础上实现铁路带状区域动态基准点的多层级分类。该方法不仅解决了传统基准网视点位为静态的缺陷,而且综合考虑了基准点间的时空相关性,为动态基准网络的完好性监测及铁路区域地球物理特性反演提供了技术保障。
本发明综合考虑了R型聚类和Q型聚类分析方法,实现了对于地区的高速铁路领域基准点的多层级分类技术,对局部区域基准点选取进行合理、严密的分析,优先选择层级较优的基准点,为地区坐标参考框架建立、维护、应用提供有力的价值参考,进而可以对铁路区域板块运动趋势进行分析、周边环境质量负荷反演及动态基准网络的完好性监测,保障地区间的高速铁路工程质量。
在本发明的描述中,需要理解的是,术语“中心”、“厚度”、“上”、“下”、“水平”、“顶”、“底”、“内”、“外”、“径向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性或隐含指明的技术特征的数量。因此,限定由“第一”、“第二”、“第三”的特征可以明示或隐含地包括一个或者更多个该特征。
Claims (4)
1.基于系统聚类分析的铁路动态基准点多层级分群方法,其特征在于,包括以下步骤:
S1、以铁路基准点的多项指标为分群依据,建立点群分类综合评价的指标体系,并以基准点为评价对象得到矩阵X;
S2、基于矩阵X中的各个评价指标值,通过标准化处理得到标准化指标,并生成指标变量,通过标准化指标间的相关系数得到指标变量的相关系数矩阵;
S3、通过R型聚类对矩阵X中的各个评价指标进行聚类分析,生成指标聚类树形图,并根据相关系数矩阵,从指标聚类树形图的各个类中选取代表性评价指标;
S4、根据代表性评价指标对铁路的基准点进行Q型聚类,将Q型聚类生成的基准点的类用类平均法处理,得到所有基准点的聚类树形图,完成铁路动态基准点多层级分群;
所述步骤S1中,铁路基准点的多项指标包括铁路基准点的三维位置、坐标时间序列非线性运动趋势、线性运动趋势、水平速度值和垂向速度值;
所述步骤S1具体为:以铁路基准点的多项指标作为分群依据,建立点群分类综合评价的指标体系F=(f1,f2,…,fn),其中fc为第c个评价指标,c=1,2,…,n,n表示评价指标个数;以铁路基准点为评价对象,通过指标体系F=(f1,f2,…,fn)结合评价对象,得到m×n的矩阵X,其中m为评价对象的总数;
所述步骤S2包括以下分步骤:
S21、基于矩阵X中的各个评价指标值,通过不同量纲间指标的标准化算法进行标准化处理,得到标准化指标,并根据X中的各个评价指标值生成指标变量;
S22、通过标准化指标计算两两指标变量间的相关系数,得到指标变量的相关系数矩阵;
所述步骤S21具体为:
所述步骤S22包括以下分步骤:
S22-1、通过标准化指标计算两两指标变量的相关系数rjk,其相关系数rjk的表达式具体为:
S22-2、计算出所有指标变量的相关系数,得到相关系数矩阵r;
所述步骤S3包括以下分步骤:
S31、通过R型聚类中的最大系数法对矩阵X中各个评价指标进行分析,生成指标聚类树形图;
S32、在指标聚类树形图中任选两类,根据标准化指标间的相关系数矩阵,得到两类中最相似的两指标变量间的相似性度量值R(G1,G2),并从每个类中选取代表性评价指标P=(p1,p2,…,pe),e≤n;
其中,e为代表性评价指标的总数,两类中两指标变量间的相似性度量值R(G1,G2)的具体表达式为:
R(G1,G2)=max{rjk}
式中,G1和G2均为指标聚类树形图中的类,max{*}为求最大值函数。
2.根据权利要求1所述的基于系统聚类分析的铁路动态基准点多层级分群方法,其特征在于,所述步骤S4包括以下分步骤:
S41、根据代表性评价指标对铁路的所有基准点进行Q型聚类,生成基准点的类,并进行标准化处理生成基准点样本,计算各类基准点样本之间的欧式距离;
S42、根据各类基准点样本之间的欧氏距离,用类平均法将两个基准点的类或若干个基准点的类合并成新基准点的类;
S43、重复通过类平均法合并所述新基准点的类,直到所有基准点的类都合并成一个类为止,得到聚类树形图,完成铁路基准点动态多层级分群。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110871853.2A CN113673582B (zh) | 2021-07-30 | 2021-07-30 | 基于系统聚类分析的铁路动态基准点多层级分群方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110871853.2A CN113673582B (zh) | 2021-07-30 | 2021-07-30 | 基于系统聚类分析的铁路动态基准点多层级分群方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113673582A CN113673582A (zh) | 2021-11-19 |
CN113673582B true CN113673582B (zh) | 2023-05-09 |
Family
ID=78540838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110871853.2A Active CN113673582B (zh) | 2021-07-30 | 2021-07-30 | 基于系统聚类分析的铁路动态基准点多层级分群方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113673582B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897197B (zh) * | 2022-07-14 | 2022-10-04 | 中铁电气化勘测设计研究院有限公司 | 基于缺陷统计和预测的接触网维修策略调整方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106814378A (zh) * | 2017-01-17 | 2017-06-09 | 华东交通大学 | 一种gnss位置时间序列周期特性挖掘方法 |
CN107389029A (zh) * | 2017-08-24 | 2017-11-24 | 北京市水文地质工程地质大队 | 一种基于多源监测技术融合的地面沉降集成监测方法 |
CN108487066A (zh) * | 2018-03-28 | 2018-09-04 | 中交公局第三工程有限公司 | 基于铁路既有线的高边坡桥梁施工工艺 |
WO2019017454A1 (ja) * | 2017-07-21 | 2019-01-24 | 株式会社タダノ | 点群データのクラスタリング方法、ガイド情報表示装置およびクレーン |
CN110036392A (zh) * | 2017-01-04 | 2019-07-19 | 高通股份有限公司 | 用于基于多行程数据来绘图的系统和方法 |
CN110849338A (zh) * | 2019-12-05 | 2020-02-28 | 散裂中子源科学中心 | 一种控制网测量方法 |
CN111540202A (zh) * | 2020-04-23 | 2020-08-14 | 杭州海康威视系统技术有限公司 | 一种相似卡口确定方法、装置、电子设备及可读存储介质 |
CN111594178A (zh) * | 2020-04-28 | 2020-08-28 | 北京交通大学 | 缝合带软岩单线铁路隧道水平挤压大变形的施工控制方法 |
CN111666918A (zh) * | 2020-06-22 | 2020-09-15 | 大连海洋大学 | 一种基于多因素的海岸线变化识别方法 |
CN112637802A (zh) * | 2020-10-16 | 2021-04-09 | 国网江苏省电力有限公司盐城供电分公司 | 基于无线网络的电力灾害监测节点巡检器 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
CN113008202A (zh) * | 2021-03-31 | 2021-06-22 | 中铁上海设计院集团有限公司 | 一种融合不同合成孔径雷达干涉测量的地面沉降监测方法 |
CN113177575A (zh) * | 2021-03-31 | 2021-07-27 | 北京理工大学 | 一种基于动态时间规整与k-means聚类的边坡形变区域划分方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014080447A1 (ja) * | 2012-11-20 | 2014-05-30 | 株式会社日立製作所 | データ解析装置、データ解析方法 |
CN110610142B (zh) * | 2019-08-27 | 2023-04-28 | 南京航空航天大学 | 基于趋势距离和谱聚类的机场航班波形相似性度量方法 |
US11783389B2 (en) * | 2019-12-06 | 2023-10-10 | Proto Labs, Inc. | Methods and systems for predicting a price of any subtractively manufactured part utilizing artificial intelligence at a computing device |
-
2021
- 2021-07-30 CN CN202110871853.2A patent/CN113673582B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110036392A (zh) * | 2017-01-04 | 2019-07-19 | 高通股份有限公司 | 用于基于多行程数据来绘图的系统和方法 |
CN106814378A (zh) * | 2017-01-17 | 2017-06-09 | 华东交通大学 | 一种gnss位置时间序列周期特性挖掘方法 |
WO2019017454A1 (ja) * | 2017-07-21 | 2019-01-24 | 株式会社タダノ | 点群データのクラスタリング方法、ガイド情報表示装置およびクレーン |
CN107389029A (zh) * | 2017-08-24 | 2017-11-24 | 北京市水文地质工程地质大队 | 一种基于多源监测技术融合的地面沉降集成监测方法 |
CN108487066A (zh) * | 2018-03-28 | 2018-09-04 | 中交公局第三工程有限公司 | 基于铁路既有线的高边坡桥梁施工工艺 |
CN112703457A (zh) * | 2018-05-07 | 2021-04-23 | 强力物联网投资组合2016有限公司 | 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统 |
CN110849338A (zh) * | 2019-12-05 | 2020-02-28 | 散裂中子源科学中心 | 一种控制网测量方法 |
CN111540202A (zh) * | 2020-04-23 | 2020-08-14 | 杭州海康威视系统技术有限公司 | 一种相似卡口确定方法、装置、电子设备及可读存储介质 |
CN111594178A (zh) * | 2020-04-28 | 2020-08-28 | 北京交通大学 | 缝合带软岩单线铁路隧道水平挤压大变形的施工控制方法 |
CN111666918A (zh) * | 2020-06-22 | 2020-09-15 | 大连海洋大学 | 一种基于多因素的海岸线变化识别方法 |
CN112637802A (zh) * | 2020-10-16 | 2021-04-09 | 国网江苏省电力有限公司盐城供电分公司 | 基于无线网络的电力灾害监测节点巡检器 |
CN113008202A (zh) * | 2021-03-31 | 2021-06-22 | 中铁上海设计院集团有限公司 | 一种融合不同合成孔径雷达干涉测量的地面沉降监测方法 |
CN113177575A (zh) * | 2021-03-31 | 2021-07-27 | 北京理工大学 | 一种基于动态时间规整与k-means聚类的边坡形变区域划分方法 |
Non-Patent Citations (9)
Title |
---|
C. Benoist等.Accounting for spatiotemporal correlations of GNSS coordinate time series to estimate station velocities.Journal of Geodynamics.2020,第135卷1-11. * |
Jianfeng Li 等.Receiver DCB analysis and calibration in geomagnetic storm-time using IGS products.Survey Review .2019,122-135. * |
T T Chen 等.Temporal correlation functions of dynamic systems in non-stationary states.New Journal of Physics.2018,第20卷1-10. * |
Xie, C., 等.Comparative Analysis of Velocity Estimation Methods for GNSS Coordinate Time Series in Southwest China.Lecture Notes in Electrical Engineering.2020,第651卷1-6. * |
丁一航 等.利用GPS和GRACE分析四川地表垂向位移变化.地球物理学报.2018,第61卷(第12期),4777-4788. * |
王建 等.基于模糊聚类分析的高速铁路CPII加密网基准点检验研究.工程勘察.2011,77-81. * |
蒋志浩.CGCS2000参考框架维持、更新理论与方法研究.中国博士学位论文全文数据库 (基础科学辑).2019,(第(2019)06期),A008-8. * |
贺小星.GPS坐标序列噪声模型估计方法研究.2019,(第(2019)07期),A008-13. * |
路伯祥 等.GPS在铁路隧道平面控制测量中的应用.铁道学报.1995,(第02期),60-66. * |
Also Published As
Publication number | Publication date |
---|---|
CN113673582A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378869B (zh) | 一种样本自动标注的钢轨扣件异常检测方法 | |
US10275683B2 (en) | Clustering-based person re-identification | |
KR101808702B1 (ko) | 기업 진단평가 통합 시스템을 이용한 기업진단 방법 | |
CN105574593B (zh) | 基于云计算和大数据的轨道状态静态检控系统及方法 | |
CN110990585B (zh) | 构建行业知识图谱的多源数据和时间序列处理方法及装置 | |
CN109657547A (zh) | 一种基于伴随模型的异常轨迹分析方法 | |
CN106897774B (zh) | 基于蒙特卡洛交叉验证的多个软测量算法集群建模方法 | |
CN113673582B (zh) | 基于系统聚类分析的铁路动态基准点多层级分群方法 | |
Perani et al. | Matching industry classifications. A method for converting Nace Rev. 2 to Nace Rev. 1 | |
CN117172509B (zh) | 基于装修施工进度分析的施工项目分配系统 | |
CN115907639A (zh) | 一种基于cim的区块链工程协同监管系统及方法 | |
CN109029881B (zh) | 一种基于轨道刚度和探地雷达检测的道床状态评估方法 | |
Mehrali et al. | Application of data mining techniques for the investigation of track geometry and stiffness variation | |
CN111089544A (zh) | 基于最大熵法可靠度理论的隧道监控量测数据分析方法 | |
Binder et al. | Predictive maintenance for railway domain: A systematic literature review | |
Yurlov et al. | Probabilistic approach for development of track geometry defects as a function of ground penetrating radar measurements | |
Ghofrani et al. | Rail breaks arrival rate prediction: A physics-informed data-driven analysis for railway tracks | |
CN109492919A (zh) | 问卷调查系统管理平台 | |
Vale et al. | Prediction of railway track condition for preventive maintenance by using a data-driven approach | |
CN114880954A (zh) | 一种基于机器学习的滑坡敏感性的评估方法 | |
CN114881074B (zh) | 一种基于聚类-深度学习的工程结构变形预测方法 | |
Germanova et al. | Situational modelling of oil pollution risks monitored by distributed monitoring | |
KR101791947B1 (ko) | 프랙탈 차원 분석에 기반한 주행 평가 방법 및 장치 | |
CN112732773B (zh) | 一种继电保护缺陷数据的唯一性校核方法及系统 | |
CN108182492A (zh) | 一种资料同化方法及装置 |
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 |