CN114330069A - 深度神经网络和贝叶斯网络耦合建网的结构安全评估方法 - Google Patents
深度神经网络和贝叶斯网络耦合建网的结构安全评估方法 Download PDFInfo
- Publication number
- CN114330069A CN114330069A CN202111665478.2A CN202111665478A CN114330069A CN 114330069 A CN114330069 A CN 114330069A CN 202111665478 A CN202111665478 A CN 202111665478A CN 114330069 A CN114330069 A CN 114330069A
- Authority
- CN
- China
- Prior art keywords
- dnn
- nodes
- hbn
- network
- node
- 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
- 230000008878 coupling Effects 0.000 title claims abstract description 43
- 238000010168 coupling process Methods 0.000 title claims abstract description 43
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 238000011156 evaluation Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000004044 response Effects 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 13
- 210000002569 neuron Anatomy 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 16
- 230000006855 networking Effects 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000036541 health Effects 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 5
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000013500 data storage Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 2
- 230000008569 process Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，包括以下步骤；步骤S1：对土木结构各DNN‑HBN耦合网节点进行编号；首先对外荷载及各构件响应进行编号，其变量类型为连续型；再为各构件响应节点和荷载节点设置离散隐藏节点，并设置离散的BN体系节点，其具有“安全”和“失效”两种状态，状态概率之和为1；步骤S2：通过有限元模型计算生成样本库；步骤S3：定义结合DNN和HBN的耦合网拓扑；步骤S4：同步进行DNN的训练和HBN的参数学习，得到DNN‑HBN耦合网；步骤S5：有监测证据输入耦合网时，对土木结构的体系状态概率进行推理，以推理得到的失效概率作为结构安全评估的依据；本发明可在不完备监测证据下推理得到复杂结构体系的失效概率。
Description
技术领域
本发明涉及土木工程技术领域，尤其是深度神经网络和贝叶斯网络耦合建网的结构安全评估方法。
背景技术
近年来我国建造了大量高耸、跨度大、形式多样复杂的土木工程结构，如超高层建筑、大跨度桥梁等。此类结构构件数量众多、力学行为存在复杂的非线性，同时构件几何尺寸、材料性能、边界和连接条件、外荷载等都存在不确定性，给结构安全运营带来重大挑战，有必要进行实时监测。目前结构健康监测系统获取的数据类型多样，在时间维度上体量大，同时受安装成本和布设条件的限制，传感器数目往往不足，造成数据在空间维度上不完备。因此，如何在不完备监测数据下结合土木结构的物理力学模型，对结构进行实时智能安全评估是保障土木结构安全运营的关键一环，这一点上传统的人工检测方法难以实现，而人工智能方法提供了潜在的解决方案。
深度神经网络(Deep Neural Network，DNN)是人工智能中的一种含有多隐含层的机器学习方法，各神经元变量为确定值，通过大量样本训练后，具有对输出层各神经元进行计算的功能。与传统浅层神经网络(如BP网络)相比，DNN为含有更多隐含层的深层非线性网络结构，能更深刻地揭示海量数据中所承载的复杂而丰富的信息。由于土木结构构件往往数量众多，导致所需分析的网络节点体量大，节点间逻辑关系复杂。因此利用具备深度输入-输出非线性表达能力的DNN是一种可行的途径。但由于神经网络的黑盒运行机制，使得结构输入-输出间关系缺乏明确的物理意义和逻辑关系，也不便于处理不确定性变量。
与此同时，贝叶斯网络(Bayesian Networks,BN)属于人工智能领域中概率图模型的一种，其拓扑为显式表示形式，可通过节点和有向弧体现结构构(部)件间逻辑关系。节点可表示为构件或体系，节点变量可定义为构件响应或体系所处状态，以状态概率体现不确定性。节点间因果关系通过有向弧表达，节点变量间以联合概率分布进行推理和计算，可实现不完备数据下的推理。按节点变量类型，BN可分为离散型、连续型及混合型，比如离散节点变量具有表示结构体系“安全”和“失效”两种状态，状态概率之和为1。若能将BN与DNN进行结合，则可将确定性的构件响应与不确定性的结构体系失效概率进行有机融合，避免复杂的非线性力学分析，实现对结构的智能安全评估。
现有土木结构安全评估方法大致包含外观调查评定法、层次分析法、专家系统法、荷载试验法、模糊数学法、可靠度理论法以及人工智能方法等。其中多数方法涉及复杂的力学分析或系统建模，且时效性较差，难以实现实时评估和预警。结构健康监测系统收集到的数据体量大、类型多，通过人工智能方法处理海量数据并实现在线智能安全评估是一种可行的途径，但也存在以下难点：1)输入与输出数据须尽量一一映射，输出层神经元数目远大于输入层时，训练得到的神经网络泛化和预测能力弱；2)需找到能评价整个体系的输出指标。比如利用人工智能方法得到局部位移指标后，再通过层次分析法进行安全评估，还是未能解决层次分析法的主观因素影响，实质上只是利用机器代替了人工巡检，与传统方法无异。3)工程结构包含各种不确定性，采用确定性评估指标难以准确反映工程实际。
具体到DNN应用于复杂结构时，还存在随机梯度下降过程中梯度变化剧烈、深度网络训练收敛慢、梯度弥散或梯度爆炸、过拟合或欠拟合等问题。此外DNN各神经元均为确定性变量，如何与不确定性的体系安全评估指标进行耦合建模也是一个难点问题。
如前所述，结构安全指标可以利用离散的BN节点处理，具有“安全”和“失效”两种状态。然而构件响应是一种连续变量，此时须将离散和连续两种类型变量进行混合建模，得到混合型贝叶斯网络(Hybrid Bayesian Network，HBN)。对于混合型节点，一种解决方案是通过给连续节点增加离散隐藏子节点，实现连续变量的离散化。由于大型土木结构的构件数量众多，导致离散型体系节点的条件概率表(Conditional Probability Table,CPT)维数呈指数增长，不仅增大计算花销，还可能出现极端概率，影响推理结果，阻碍了BN在土木结构安全评估中的应用。
发明内容
本发明提出深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，可在不完备监测证据下推理得到复杂结构体系的失效概率。
本发明采用以下技术方案。
深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，用于土木结构，通过深度神经网络DNN和贝叶斯网络HBN耦合建网进行，所述方法包括以下步骤；
步骤S1：对土木结构各DNN-HBN耦合网节点进行编号；首先对外荷载及各构件响应进行编号，其变量类型为连续型；再为各构件响应节点和荷载节点设置离散隐藏节点，并设置离散的BN体系节点，其具有“安全”和“失效”两种状态，状态概率之和为1；
步骤S2：通过有限元模型计算生成样本库；
步骤S3：定义结合DNN和HBN的耦合网拓扑；
步骤S4：同步进行DNN的训练和HBN的参数学习，得到DNN-HBN耦合网；
步骤S5：有监测证据输入耦合网时，对土木结构的体系状态概率进行推理，以推理得到的失效概率作为结构安全评估的依据。
步骤S1中，分别对离散隐藏节点、离散的BN体系节点进行编号，作为后续拓扑定义及数据存储的统一规则，其中DNN的输入输出层神经元为编号共用的HBN的顶层父节点。
步骤S2中，在生成样本库时，结合土木结构的外荷载、构件材料、几何尺寸、边界与连接条件的不确定性来定义相应参数的概率分布，同时预测土木结构的受力工况以提升样本的囊括性，并进行蒙特卡洛抽样，将n组参数样本逐一代入结构有限元模型中计算各样本对应的构件响应，结合此刻体系的安全状态及外荷载，形成包含n组DNN训练及HBN的参数学习样本的样本库。
所述步骤S3包括以下步骤；
步骤S3-1：DNN拓扑定义：首先，将被监测构件节点作为DNN的输入层神经元，其余构件节点及荷载节点作为输出层神经元；随后通过多层隐含层建立输入和输出层间联系，层与层之间的神经元为全连接；隐藏层激活函数采用ReLU函数，输出层激活函数采用Sigmoid函数；所述深层隐藏层加入Dropout机制，随机屏蔽预设数量的神经元，以缓解过拟合现象。
步骤S3-2：HBN拓扑定义：首先将DNN的输入、输出层神经元均作为HBN的顶层父节点；接着，为HBN顶层父节点设置相应的隐藏离散子节点，达到对连续变量离散化的目的；然后提出结合子结构的拓扑优化方法，具体为：根据结构的形式，将各构件进行分组，每组表示一个子结构，并设置一个表示子结构安全性能的节点作为连接节点HS1,HS2,…,HSi,…,HSh，将各组中构件节点的离散隐藏节点指向表示子结构的连接节点HS1,HS2,…,HSi,…,HSh；最后将所有连接节点指向体系节点，表示结构中所有构件的响应变化均会影响子结构安全性能，进而影响体系的安全性能。
步骤S4中，首先，对荷载及构件响应样本进行归一化，作为DNN的训练样本，随后通过小批量梯度下降算法对DNN进行训练，得到各神经元间的权重和偏置；通过样本中的荷载、构件响应和体系状态来对HBN节点间的条件概率进行参数学习，得到索离散隐藏节点Logistic函数中的参数，以及连接节点和体系节点的条件概率表，最终得到DNN-HBN耦合网。
步骤S5中，当土木结构的结构健康监测系统监测到已知构件响应后，将监测证据归一化后输入DNN的输入层神经元，通过前向传播算法对输出层各神经元进行推理，随后进行反归一化以得到其余构件响应以及荷载的预测值；然后将所得到的DNN的输入输出层神经元变量作为HBN模型的已知证据，对结构体系的状态概率进行推理，以推理得到的失效概率作为结构安全评估的依据。
所述DNN的输出层各神经元在步骤S3中可视同为HBN的顶层父节点。
所述步骤S3-1中，所述深层隐藏层加入Dropout机制，并随机屏蔽30％的神经元以缓解过拟合现象。
本发明首先通过DNN建立结构各构件与荷载间的映射关系，然后通过离散BN节点表达体系安全性能，节点失效概率作为体系安全评估的参考；随后将两种网络拓扑联系起来，通过离散隐藏节点进行离散化，能达到深度神经网络和贝叶斯网络耦合建网的目的。
本发明在方案中，提出一种DNN-HBN耦合网，其网络拓扑中既包含神经元节点，又包含HBN节点；在此基础上，针对体系节点CPT维数过大问题，提出结合子结构的拓扑优化方法：将各构件节点按子结构进行分组，组内构件节点指向子结构节点(连接节点)，最后各连接节点指向体系节点。通过增加连接节点的方式，大幅降低了体系节点的父节点个数，缩减了CPT维数；获得已知证据后，便可输入DNN-HBN耦合网，直接通过DNN的前向传播算法和HBN的概率推理得到结构体系的失效概率，便于使用。
本发明提出一种基于深度神经网络和贝叶斯网络耦合建网的土木结构安全评估方法，将监测到的少量构件响应数据输入至耦合网中，便可实时对体系失效概率进行推理和更新，作为结构安全评估的依据。优点在于：
1)可在不完备监测证据下推理得到复杂结构体系的失效概率，避免了复杂的工程力学分析契合实践中由于安装成本和布设条件有限导致的传感器数目不足的情况；
2)通过荷载及构件的离散化节点对DNN和HBN进行耦合建模，将处理确定性变量的DNN和处理不确定性变量的BN体系状态节点有机联系起来，既保证了耦合网的非线性映射能力，又可直接得到体系失效概率；
3)通过加入表示子结构安全性能的连接节点，可大幅降低体系节点CPT的维数，缓和了因CPT维数过大导致的计算成本指数增长和极端概率现象。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
附图1是本发明的流程示意图；
附图2是结合DNN和HBN的耦合网拓扑示意图。
具体实施方式
如图所示，深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，用于土木结构，通过深度神经网络DNN和贝叶斯网络HBN耦合建网进行，所述方法包括以下步骤；
步骤S1：对土木结构各DNN-HBN耦合网节点进行编号；首先对外荷载及各构件响应进行编号，其变量类型为连续型；再为各构件响应节点和荷载节点设置离散隐藏节点，并设置离散的BN体系节点，其具有“安全”和“失效”两种状态，状态概率之和为1；
步骤S2：通过有限元模型计算生成样本库；
步骤S3：定义结合DNN和HBN的耦合网拓扑；
步骤S4：同步进行DNN的训练和HBN的参数学习，得到DNN-HBN耦合网；
步骤S5：有监测证据输入耦合网时，对土木结构的体系状态概率进行推理，以推理得到的失效概率作为结构安全评估的依据。
步骤S1中，分别对离散隐藏节点、离散的BN体系节点进行编号，作为后续拓扑定义及数据存储的统一规则，其中DNN的输入输出层神经元为编号共用的HBN的顶层父节点。
步骤S2中，在生成样本库时，结合土木结构的外荷载、构件材料、几何尺寸、边界与连接条件的不确定性来定义相应参数的概率分布，同时预测土木结构的受力工况以提升样本的囊括性，并进行蒙特卡洛抽样，将n组参数样本逐一代入结构有限元模型中计算各样本对应的构件响应，结合此刻体系的安全状态及外荷载，形成包含n组DNN训练及HBN的参数学习样本的样本库。
所述步骤S3包括以下步骤；
步骤S3-1：DNN拓扑定义：首先，将被监测构件节点作为DNN的输入层神经元，其余构件节点及荷载节点作为输出层神经元；随后通过多层隐含层建立输入和输出层间联系，层与层之间的神经元为全连接；隐藏层激活函数采用ReLU函数，输出层激活函数采用Sigmoid函数；所述深层隐藏层加入Dropout机制，随机屏蔽预设数量的神经元，以缓解过拟合现象。
步骤S3-2：HBN拓扑定义：首先将DNN的输入、输出层神经元均作为HBN的顶层父节点；接着，为HBN顶层父节点设置相应的隐藏离散子节点，达到对连续变量离散化的目的；然后提出结合子结构的拓扑优化方法，具体为：根据结构的形式，将各构件进行分组，每组表示一个子结构，并设置一个表示子结构安全性能的节点作为连接节点HS1,HS2,…,HSi,…,HSh，将各组中构件节点的离散隐藏节点指向表示子结构的连接节点HS1,HS2,…,HSi,…,HSh；最后将所有连接节点指向体系节点，表示结构中所有构件的响应变化均会影响子结构安全性能，进而影响体系的安全性能。
步骤S4中，首先，对荷载及构件响应样本进行归一化，作为DNN的训练样本，随后通过小批量梯度下降算法对DNN进行训练，得到各神经元间的权重和偏置；通过样本中的荷载、构件响应和体系状态来对HBN节点间的条件概率进行参数学习，得到索离散隐藏节点Logistic函数中的参数，以及连接节点和体系节点的条件概率表，最终得到DNN-HBN耦合网。
步骤S5中，当土木结构的结构健康监测系统监测到已知构件响应后，将监测证据归一化后输入DNN的输入层神经元，通过前向传播算法对输出层各神经元进行推理，随后进行反归一化以得到其余构件响应以及荷载的预测值；然后将所得到的DNN的输入输出层神经元变量作为HBN模型的已知证据，对结构体系的状态概率进行推理，以推理得到的失效概率作为结构安全评估的依据。
所述DNN的输出层各神经元在步骤S3中可视同为HBN的顶层父节点。
所述步骤S3-1中，所述深层隐藏层加入Dropout机制，并随机屏蔽30％的神经元以缓解过拟合现象。
实施例：
本例的具体使用过程如下：
首先，为结构中荷载、各构件以及体系进行节点编号。其次，考虑外荷载、构件材料、几何尺寸、边界与连接条件等存在的不确定性，定义相应参数的概率分布，并进行蒙特卡洛抽样，代入结构有限元模型计算对应的结构响应，连同体系状态及当前外荷载，一同构成所需样本库。接着，定义结合DNN和HBN的耦合网拓扑：将被监测构件响应节点作为DNN的输入层神经元，其余构件响应节点及荷载节点作为输出层神经元；通过多层隐含层对输入-输出层进行关联，层与层之间的神经元为全连接；将DNN的输入-输出层神经元作为HBN的顶层父节点，并设置相应的隐藏离散子节点，达到对连续变量离散化的目的；对构件进行分组，并为各组设置一个表示子结构性能的连接节点，作为相应组内构件节点的子节点，并将各连接节点指向BN体系节点。随后，同步进行DNN的训练和HBN的参数学习，至此DNN-HBN耦合网构建完成。最后，有新的证据输入耦合网时，输入至DNN的输入层，对体系状态概率进行推理，推理得到的体系失效概率作为结构安全评估的依据。
Claims (8)
1.深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，用于土木结构，通过深度神经网络DNN和贝叶斯网络HBN耦合建网进行，其特征在于：所述方法包括以下步骤；
步骤S1：对土木结构各DNN-HBN耦合网节点进行编号；首先对外荷载及各构件响应进行编号，其变量类型为连续型；再为各构件响应节点和荷载节点设置离散隐藏节点，并设置离散的BN体系节点，其具有“安全”和“失效”两种状态，状态概率之和为1；
步骤S2：通过有限元模型计算生成样本库；
步骤S3：定义结合DNN和HBN的耦合网拓扑；
步骤S4：同步进行DNN的训练和HBN的参数学习，得到DNN-HBN耦合网；
步骤S5：有监测证据输入耦合网时，对土木结构的体系状态概率进行推理，以推理得到的失效概率作为结构安全评估的依据。
2.根据权利要求1所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，其特征在于：步骤S1中，分别对离散隐藏节点、离散的BN体系节点进行编号，作为后续拓扑定义及数据存储的统一规则，其中DNN的输入输出层神经元为编号共用的HBN的顶层父节点。
3.根据权利要求1所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，其特征在于：步骤S2中，在生成样本库时，结合土木结构的外荷载、构件材料、几何尺寸、边界与连接条件的不确定性来定义相应参数的概率分布，同时预测土木结构的受力工况以提升样本的囊括性，并进行蒙特卡洛抽样，将n组参数样本逐一代入结构有限元模型中计算各样本对应的构件响应，结合此刻体系的安全状态及外荷载，形成包含n组DNN训练及HBN的参数学习样本的样本库。
4.根据权利要求1所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，其特征在于：所述步骤S3包括以下步骤；
步骤S3-1：DNN拓扑定义：首先，将被监测构件节点作为DNN的输入层神经元，其余构件节点及荷载节点作为输出层神经元；随后通过多层隐含层建立输入和输出层间联系，层与层之间的神经元为全连接；隐藏层激活函数采用ReLU函数，输出层激活函数采用Sigmoid函数；所述深层隐藏层加入Dropout机制，随机屏蔽预设数量的神经元，以缓解过拟合现象。
步骤S3-2：HBN拓扑定义：首先将DNN的输入、输出层神经元均作为HBN的顶层父节点；接着，为HBN顶层父节点设置相应的隐藏离散子节点，达到对连续变量离散化的目的；然后提出结合子结构的拓扑优化方法，具体为：根据结构的形式，将各构件进行分组，每组表示一个子结构，并设置一个表示子结构安全性能的节点作为连接节点HS1,HS2,…,HSi,…,HSh，将各组中构件节点的离散隐藏节点指向表示子结构的连接节点HS1,HS2,…,HSi,…,HSh；最后将所有连接节点指向体系节点，表示结构中所有构件的响应变化均会影响子结构安全性能，进而影响体系的安全性能。
5.根据权利要求1所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，其特征在于：步骤S4中，首先，对荷载及构件响应样本进行归一化，作为DNN的训练样本，随后通过小批量梯度下降算法对DNN进行训练，得到各神经元间的权重和偏置；通过样本中的荷载、构件响应和体系状态来对HBN节点间的条件概率进行参数学习，得到索离散隐藏节点Logistic函数中的参数，以及连接节点和体系节点的条件概率表，最终得到DNN-HBN耦合网。
6.根据权利要求1所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，其特征在于：步骤S5中，当土木结构的结构健康监测系统监测到已知构件响应后，将监测证据归一化后输入DNN的输入层神经元，通过前向传播算法对输出层各神经元进行推理，随后进行反归一化以得到其余构件响应以及荷载的预测值；然后将所得到的DNN的输入输出层神经元变量作为HBN模型的已知证据，对结构体系的状态概率进行推理，以推理得到的失效概率作为结构安全评估的依据。
7.根据权利要求6所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，其特征在于：所述DNN的输出层各神经元在步骤S3中可视同为HBN的顶层父节点。
8.根据权利要求4所述的深度神经网络和贝叶斯网络耦合建网的结构安全评估方法，其特征在于：所述步骤S3-1中，所述深层隐藏层加入Dropout机制，并随机屏蔽30％的神经元以缓解过拟合现象。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111665478.2A CN114330069A (zh) | 2021-12-31 | 2021-12-31 | 深度神经网络和贝叶斯网络耦合建网的结构安全评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111665478.2A CN114330069A (zh) | 2021-12-31 | 2021-12-31 | 深度神经网络和贝叶斯网络耦合建网的结构安全评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114330069A true CN114330069A (zh) | 2022-04-12 |
Family
ID=81020828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111665478.2A Pending CN114330069A (zh) | 2021-12-31 | 2021-12-31 | 深度神经网络和贝叶斯网络耦合建网的结构安全评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114330069A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063841A (zh) * | 2018-08-27 | 2018-12-21 | 北京航空航天大学 | 一种基于贝叶斯网络和深度学习算法的故障机理智能分析方法 |
| CN111598352A (zh) * | 2020-05-25 | 2020-08-28 | 哈尔滨工业大学 | 一种基于贝叶斯网络的混凝土梁式桥综合评估方法 |
| CN111737799A (zh) * | 2020-06-20 | 2020-10-02 | 福州大学 | 一种结合动态贝叶斯网络和启发式推理的桥梁安全评估方法 |
| US20200326667A1 (en) * | 2020-06-24 | 2020-10-15 | Intel Corporation | Robust multimodal sensor fusion for autonomous driving vehicles |
-
2021
- 2021-12-31 CN CN202111665478.2A patent/CN114330069A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063841A (zh) * | 2018-08-27 | 2018-12-21 | 北京航空航天大学 | 一种基于贝叶斯网络和深度学习算法的故障机理智能分析方法 |
| CN111598352A (zh) * | 2020-05-25 | 2020-08-28 | 哈尔滨工业大学 | 一种基于贝叶斯网络的混凝土梁式桥综合评估方法 |
| CN111737799A (zh) * | 2020-06-20 | 2020-10-02 | 福州大学 | 一种结合动态贝叶斯网络和启发式推理的桥梁安全评估方法 |
| US20200326667A1 (en) * | 2020-06-24 | 2020-10-15 | Intel Corporation | Robust multimodal sensor fusion for autonomous driving vehicles |
Non-Patent Citations (2)
| Title |
|---|
| 孙鸿宾;吴子燕;罗阳军;阳盛锋;: "基于贝叶斯网络的结构可靠性更新与损伤评估", 计算力学学报, no. 05, 15 October 2013 (2013-10-15), pages 616 - 620 * |
| 徐佳: "贝叶斯正则化BP神经网络在地铁施工安全评价中的应用", 《企业技术开发》, vol. 38, no. 8, 31 August 2019 (2019-08-31), pages 17 - 20 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Canedo et al. | Using machine learning to secure IoT systems | |
| Chowdhury et al. | Advantages and limitations of artificial intelligence | |
| Yang et al. | Belief rule-base inference methodology using the evidential reasoning approach-RIMER | |
| CN105825271B (zh) | 基于证据推理的卫星故障诊断与预测方法 | |
| Basu et al. | Fire monitoring in coal mines using wireless underground sensor network and interval type-2 fuzzy logic controller | |
| Akram et al. | A review on expert system and its applications in civil engineering | |
| Tan et al. | Application of genetic algorithm for fuzzy rules optimization on semi expert judgment automation using Pittsburg approach | |
| Danishvar et al. | EventiC: A real-time unbiased event-based learning technique for complex systems | |
| Naderpour et al. | A fuzzy dynamic bayesian network-based situation assessment approach | |
| Wang et al. | A synergy-effect-incorporated fuzzy Petri net modeling paradigm with application in risk assessment | |
| Petrillo et al. | Factors affecting the human error: Representations of mental models for emergency management | |
| Zhang et al. | A method of automatically generating initial parameters for large-scale belief rule base | |
| Menaga et al. | Application of artificial intelligence in the perspective of data mining | |
| Wang et al. | Reliability analysis of complex electromechanical systems: State of the art, challenges, and prospects | |
| Zhang et al. | BRN: A belief rule network model for the health evaluation of complex systems | |
| CN113610397A (zh) | 一种基于pso-bp神经网络的石化企业安全评价方法 | |
| Dikopoulou et al. | Open source tool in R language to estimate the inference of the Fuzzy Cognitive Map in environmental decision making | |
| Ebrat et al. | RISK ASSESSMENT OF CONSTRUCTION PROJECTS USING NETWORK BASED ADAPTIVE FUZZY SYSTEM. | |
| CN114330069A (zh) | 深度神经网络和贝叶斯网络耦合建网的结构安全评估方法 | |
| Jin et al. | Bidirectional approximate reasoning-based approach for decision support | |
| Xu et al. | Fire Safety Assessment of High-Rise Buildings Based on Fuzzy Theory and Radial Basis Function Neural Network. | |
| Li et al. | Information granularity with the self-emergence mechanism for event detection in WSN-based tunnel health monitoring | |
| Liu et al. | A principle-empirical model based on Bayesian network for quality improvement in mechanical products development | |
| Chen et al. | A survey of network security situational awareness technology | |
| CN112862211A (zh) | 通信管理系统动环缺陷派单方法及装置 |
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 |