CN114648014B - 一种基于改进型高斯混合模型的工程数据关联方法 - Google Patents

一种基于改进型高斯混合模型的工程数据关联方法 Download PDF

Info

Publication number
CN114648014B
CN114648014B CN202210547223.4A CN202210547223A CN114648014B CN 114648014 B CN114648014 B CN 114648014B CN 202210547223 A CN202210547223 A CN 202210547223A CN 114648014 B CN114648014 B CN 114648014B
Authority
CN
China
Prior art keywords
engineering
data
gaussian mixture
model
mixture model
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
Application number
CN202210547223.4A
Other languages
English (en)
Other versions
CN114648014A (zh
Inventor
胡伟
刘湘
赵夕国
余振
王步云
穆明辉
李壮
许堃
吴宇东
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.)
Anhui Shuzhi Construction Research Institute Co ltd
China Tiesiju Civil Engineering Group Co Ltd CTCE Group
Original Assignee
Anhui Shuzhi Construction Research Institute Co ltd
China Tiesiju Civil Engineering Group Co Ltd CTCE Group
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 Anhui Shuzhi Construction Research Institute Co ltd, China Tiesiju Civil Engineering Group Co Ltd CTCE Group filed Critical Anhui Shuzhi Construction Research Institute Co ltd
Priority to CN202210547223.4A priority Critical patent/CN114648014B/zh
Publication of CN114648014A publication Critical patent/CN114648014A/zh
Application granted granted Critical
Publication of CN114648014B publication Critical patent/CN114648014B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/126—Character encoding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/08—Construction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于改进型高斯混合模型的工程数据关联方法，该方法包括以下步骤：S1、获取工程数据，对所述工程数据进行分解得到工号；S2、对所述工号进行编码得到标准化编码，构建工作分解结构编码库；S3、根据所述工程数据构建建筑信息模型；S4、将所述标准化编码导入所述建筑信息模型；S5、对所述建筑信息模型进行解析得到构件数据；S6、构建高斯混合模型并进行训练及无监督学习得到改进型高斯混合模型；S7、利用改进型高斯混合模型对所述构件数据进行聚类分组；S8、将所述构件数据与所述标准化编码进行关联得到关联构件数据。通过改进型高斯混合模型，减少同一时刻参与关联的工程数据量和标准化编码，提高效率。

Description

一种基于改进型高斯混合模型的工程数据关联方法
技术领域
本发明涉及工程数据处理技术领域，具体来说，涉及一种基于改进型高斯混合模型的工程数据关联方法。
背景技术
BIM模型又称为建筑信息模型，BIM模型是建筑学、工程学及土木工程的新工具。BIM的核心是通过建立虚拟的建筑工程三维模型，利用数字化技术，为这个模型提供完整的、与实际情况一致的建筑工程信息库。该信息库不仅包含描述建筑物构件的几何信息、专业属性及状态信息，还包含了非构件对象（如空间、运动行为）的状态信息。借助这个包含建筑工程信息的三维模型，大大提高了建筑工程的信息集成化程度，从而为建筑工程项目的相关利益方提供了一个工程信息交换和共享的平台。
BIM平台是以BIM模型为基础、促进施工企业数字化管理升级，其往往会与现场实际状况相关联，从而可以通过BIM模型来反映现场的施工进度，工期安排等，BIM模型与现场施工进度相匹配是实现数字化管理的基本要求。
现有技术中均是通过人工将BIM模型构件与工程项目管理进行对应，效率极其低下。而且进一步受制于较低的关联效率，无法实现对工程项目的精细化管理，进而导致管理效率较低；并且由于一般工程项目较大，数据量较多，导致关联计算量大，影响工程效率。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出一种基于改进型高斯混合模型的工程数据关联方法，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
一种基于改进型高斯混合模型的工程数据关联方法，该方法包括以下步骤：
S1、获取工程数据，对所述工程数据进行分解得到工号；
S2、对所述工号进行编码得到标准化编码，构建工作分解结构编码库；
S3、根据所述工程数据构建建筑信息模型；
S4、将所述标准化编码导入所述建筑信息模型；
S5、对所述建筑信息模型进行解析得到构件数据；
S6、构建高斯混合模型并进行训练及无监督学习得到改进型高斯混合模型；
S7、利用改进型高斯混合模型对所述构件数据进行聚类分组；
S8、将所述构件数据与所述标准化编码进行关联得到关联构件数据。
进一步的，所述获取工程数据，对所述工程数据进行分解得到工号，包括以下步骤：
S11、获取工程项目信息；
S12、根据所述工程项目信息的工程类型与专业类型进行解析得到工程数据；
S13、工作分解结构利用线分法将所述工程数据按照归属关系分解得到工号；
其中，所述工程数据包括工程板块数据、专业工程数据、单位工程数据、子单位工程数据、分部工程数据和分项工程数据。
进一步的，所述对所述工号进行编码得到标准化编码，包括以下步骤：
S21、利用工作分解结构对所述工号进行编码得到工程板块编码、专业工程编码、单位工程编码、子单位工程编码、分部工程编码和分项工程编码；
S22、将工程板块编码、专业工程编码、单位工程编码、子单位工程编码、分部工程编码和分项工程编码组成标准化编码。
进一步的，所述构建高斯混合模型并进行训练及无监督学习得到改进型高斯混合模型，包括以下步骤：
S61、将每个所述构件数据等效为一个高斯模型，得到若干高斯模型；
S62、将若干所述高斯模型加权求和得到高斯混合模型；
S63、对所述高斯混合模型最大期望算法进行无监督学习得到改进最大期望算法；
S64、通过辅助函数对所述高斯混合模型进行训练；
S65、根据所述高斯混合模型构建后验概率密度模型，并利用所述改进最大期望算法，不断迭代参数得到后验概率。
进一步的，所述高斯混合模型的表达式为：
Figure 470044DEST_PATH_IMAGE001
；
其中，
Figure 439137DEST_PATH_IMAGE002
表示高斯混合模型的概率密度，z表示构件数据的样本，i表示构件数据数量，
Figure 100002_DEST_PATH_IMAGE003
表示模型方差，
Figure 531858DEST_PATH_IMAGE004
表示模型期望，
Figure 100002_DEST_PATH_IMAGE005
表示权值因子，k表示高斯混合成分个数，N表示高斯混合分布中的一个簇分组，且N的表达式为：
Figure 942111DEST_PATH_IMAGE006
；
其中，e表示自然常数，T表示转置行列。
进一步的，所述对所述高斯混合模型最大期望算法进行无监督学习得到改进最大期望算法，包括以下步骤：
S631、在参数空间中为
Figure 100002_DEST_PATH_IMAGE007
定义初始值
Figure 462085DEST_PATH_IMAGE008
，Y表示无监督最大期望算法迭代的次数，
Figure 100002_DEST_PATH_IMAGE009
表示高斯混合模型中的参数，
Figure 59420DEST_PATH_IMAGE010
表示高斯混合模型中参数初始值，h表示最佳参数估计值，n表示参数数量；
S632、对参数进行判断，若
Figure 100002_DEST_PATH_IMAGE011
，则继续步骤S633，若
Figure 80465DEST_PATH_IMAGE012
，则跳转至步骤S635；
S633、通过当前参数及初始值
Figure 811136DEST_PATH_IMAGE010
计算辅助函数；
S634、在参数空间中使辅助函数极大化，若小于预设阈值则终止迭代，若大于预设阈值则返回步骤S633；
S635、迭代算出每个混合分量的权重，并将权重为零的混合分量剔除，同时剔除剩余的混合分量中权重最小的；
S636、输出无监督结果，得到改进最大期望算法。
进一步的，所述辅助函数的表达式为：
Figure 100002_DEST_PATH_IMAGE013
；
其中，
Figure 767591DEST_PATH_IMAGE014
表示辅助函数，
Figure 100002_DEST_PATH_IMAGE015
与
Figure 976856DEST_PATH_IMAGE010
均表示高斯混合模型中的参数，且
Figure 880221DEST_PATH_IMAGE016
，
Figure 592962DEST_PATH_IMAGE010
表示高斯混合模型中参数初始值，M表示高斯混合模型的阶数，j表示高斯分布的数量，
Figure 100002_DEST_PATH_IMAGE017
表示特征序列，
Figure 720318DEST_PATH_IMAGE018
表示均值，
Figure 100002_DEST_PATH_IMAGE019
表示协方差矩阵，p表示局部极值。
进一步的，所述后验概率密度模型的表达式为：
Figure 292244DEST_PATH_IMAGE020
Figure 100002_DEST_PATH_IMAGE021
Figure 655093DEST_PATH_IMAGE022
；
其中，
Figure 100002_DEST_PATH_IMAGE023
表示后验概率密度函数，
Figure 628865DEST_PATH_IMAGE024
表示高斯混合模型的概率密度，m表示高斯混合模型数量，z表示构件数据的样本，
Figure 100002_DEST_PATH_IMAGE025
表示模型方差，
Figure 661543DEST_PATH_IMAGE026
表示模型期望，
Figure 100002_DEST_PATH_IMAGE027
表示权值因子，
Figure 720766DEST_PATH_IMAGE028
表示随机变量，
Figure 100002_DEST_PATH_IMAGE029
表示先验概率，i表示构件数据数量，j表示高斯分布的数量，
Figure 621726DEST_PATH_IMAGE030
表示参数集合数量，k表示参数迭代次数。
进一步的，所述利用改进型高斯混合模型对所述构件数据进行聚类分组，包括以下步骤：
S71、对所述构件数据进行预处理，设定关联区域并对所述构件数据划分构建局部关联数据；
S72、采用改进型高斯混合模型最大期望算法对所述局部关联数据进行聚类分组，形成关联数据集模型，并进行迭代优化求解；
S73、根据训练完的关联数据集模型区分待关联的构件数据的分类。
进一步的，所述将所述构件数据与所述标准化编码进行关联得到关联构件数据，包括以下步骤：
S81、所述构件数据包括工作分解结构属性与全局唯一标识符；
S82、读取所述工作分解结构编码库内的标准化编码；
S83、通过工作分解结构属性将所述全局唯一标识符与标准化编码一一对应关联，得到关联构件数据。
本发明的有益效果包括：
（1）通过将BIM模型与标准化编码进行关联，实现了BIM模型与项目现场施工进度的准确关联，从而可以实时反映现场施工进度，为项目进度管理、成本管理、物资管理、收入管理等提供强有力的基础；
（2）通过实现BIM模型与标准化编码的自动化关联，从而大大地提高了关联效率，进一步提高了生产效率。
（3）通过引入改进型高斯混合模型，通过减少同一时刻参与关联的工程数据量和标准化编码，使算法得到改善.即首先对BIM模型的构件数据进行预处理，将其划分为若干局部关联区域以减少同一时刻参与关联的特征数；其次采用改进型最大期望（EM）算法，能够降低高斯混合模型迭代运算的耗时与资源占用，从而利用高斯混合模型降低关联计算复杂度，大大提高处理效率，为工程数据关联提供了可靠的保障与技术支持。
（4）通过辅助函数对高斯混合模型进行训练，提高了改进型高斯混合模型对具体工程数据的适配性，具体来说，本发明提供了一种高斯混合模型的训练方法，对于不同的工程数据组，在经过特定的辅助函数训练后，可以得到特异的混合模型参数，使得针对特定的工程数据组具有更好的聚类效果。
（5）本发明还还具有工号编码功能，值得说明的是，将构件数据的GUID与标准化编码进行关联，从而实现了BIM模型构件与WBS分解细目之间的自动化关联，大大提高了关联的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于改进型高斯混合模型的工程数据关联方法的流程图。
具体实施方式
根据本发明的实施例，提供了一种基于改进型高斯混合模型的工程数据关联方法。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于改进型高斯混合模型的工程数据关联方法，该方法包括以下步骤：
S1、获取工程数据，对所述工程数据进行分解得到工号；
其中，步骤S1包括以下步骤：
S11、获取工程项目信息；
S12、根据所述工程项目信息的工程类型与专业类型进行解析得到工程数据；
S13、工作分解结构利用线分法将所述工程数据按照归属关系分解得到工号；
其中，所述工程数据包括工程板块数据、专业工程数据、单位工程数据、子单位工程数据、分部工程数据和分项工程数据。
本发明中针对工程项目中每种工程类型和专业类型的适用范围和工程特征进行解析，即将工程类型和专业类型进行对应的编码，例如工程板块的铁路工程对应的编码为101，公路工程对应的编码为102，市政工程对应的编码为103，房建工程对应的编码为104；编码与对应的工程类型和专业类型组成工程数据。
S2、对所述工号进行编码得到标准化编码，构建工作分解结构编码库；
其中，步骤S2包括以下步骤：
S21、利用工作分解结构对所述工号进行编码得到工程板块编码、专业工程编码、单位工程编码、子单位工程编码、分部工程编码和分项工程编码；
S22、将工程板块编码、专业工程编码、单位工程编码、子单位工程编码、分部工程编码和分项工程编码组成标准化编码。
此外，本发明的工程数据分为六级，即工程板块数据为第一级分类，专业工程数据为第二级分类，单位工程数据为第三级分类，子单位工程数据为第四级分类，分部工程数据为第五级分类，分项工程数据为第六级分类，且第二级分类归属于第一级分类，第三级分类归属于第二级分类，以此类推，第六级分类归属于第五级分类，进一步可以对六级分类的工程数据进行工号的划分，以此实现对工程数据的统一化工号管理。
例如WBS对工号编码得到101001001001001001，其中101表示工程板块编码，将标准化编码从左开始排序，第一个“001”表示专业工程编码，第二个“001”表示单位工程编码，第三个“001”表示子单位工程编码，第四个“001”表示分部工程编码，第五个“001”表示分项工程编码。值得说明的是，通过对工程项目的统一编码管理，实现了对工程项目的标准化、简便化管理，大大提高了管理的效率。
并且，工程板块编码对应工程板块名称，工程板块编码和专业工程编码组成的编码对应专业工程名称，工程板块编码、专业工程编码和单位工程编码组成的编码对应单位工程名称，工程板块编码、专业工程编码、单位工程编码和子单位工程编码组成的编码对应子单位工程名称，工程板块编码、专业工程编码、单位工程编码、子单位工程编码和分部工程编码组成的编码对应分部工程名称，工程板块编码、专业工程编码、单位工程编码、子单位工程编码、分部工程编码和分项工程编码组成的编码对应分项工程名称。例如本示例中101对应的工程板块名称为铁路工程，101001对应的专业工程名称为迁改工程，101001001对应的单位工程名称为迁改，101001001001对应的子单位工程名称为改移道路，101001001001001对应的分部工程名称为挖方路基，101001001001001001对应的分项工程名称为挖方。
S3、根据所述工程数据构建建筑信息（BIM）模型；
先根据工程数据构建BIM模型，之后将标准化编码导入BIM模型，通过BIM模型的数据编码压入机制，通过BIM插件将标准化编码自动导入BIM模型，并将标准化编码作为BIM模型中构件的WBS属性；从而提供靶向编码因子，进而可以实现构件与标准化编码的绑定。
S4、将所述标准化编码导入所述建筑信息（BIM）模型；
S5、对所述建筑信息（BIM）模型进行解析得到构件数据；
本发明中利用BIM平台对BIM模型进行多维度解析，具体地，BIM平台集成有解析代码和对应的解析接口，从而可以对BIM模型的构件进行一一解析得到WBS属性与GUID。之后将构件数据的GUID与标准化编码进行关联得到关联构件数据，值得说明的是，将构件数据的GUID与标准化编码进行关联的具体过程为：
首先，构件数据包括若干个构件的数据，每个构件的数据包括若干属性和GUID；然后读取由标准化编码组成的WBS编码库，通过WBS属性将构件数据的GUID（全局唯一标识符）与标准化编码进行一一对应关联，即每个构件对应关联有一个标准化编码，从而实现了BIM模型构件与WBS分解细目之间的自动化关联，大大提高了关联的效率。之后将若干个关联有标准化编码的构件的数据组成关联构件数据，并将关联构件数据保存至数据库，从而可以实现标准化编码与BIM模型的快速调用。
S6、构建高斯混合模型并进行训练及无监督学习得到改进型高斯混合模型；
其中，步骤S6包括以下步骤：
S61、将每个所述构件数据等效为一个高斯模型，得到若干高斯模型；
S62、将若干所述高斯模型加权求和得到高斯混合模型；
所述高斯混合模型的表达式为：
Figure DEST_PATH_IMAGE031
；
其中，
Figure 712654DEST_PATH_IMAGE032
表示高斯混合模型的概率密度，z表示构件数据的样本，i表示构件数据数量，
Figure DEST_PATH_IMAGE033
表示模型方差，
Figure 181813DEST_PATH_IMAGE034
表示模型期望，
Figure 56228DEST_PATH_IMAGE035
表示权值因子，k表示高斯混合成分个数，N表示高斯混合分布中的一个簇分组，且N的表达式为：
Figure 636245DEST_PATH_IMAGE036
；
其中，e表示自然常数，T表示转置行列。
S63、对所述高斯混合模型最大期望算法进行无监督学习得到改进最大期望算法；
其中，步骤S63包括以下步骤：
S631、在参数空间中为
Figure 912505DEST_PATH_IMAGE037
定义初始值
Figure 286986DEST_PATH_IMAGE038
，Y表示无监督最大期望算法迭代的次数，
Figure 914276DEST_PATH_IMAGE037
表示高斯混合模型中的参数，
Figure 625880DEST_PATH_IMAGE039
表示高斯混合模型中参数初始值，h表示最佳参数估计值，n表示参数数量；
S632、对参数进行判断，若
Figure 163172DEST_PATH_IMAGE040
，则继续步骤S633，若
Figure 567609DEST_PATH_IMAGE041
，则跳转至步骤S635；
S633、通过当前参数及初始值
Figure 557561DEST_PATH_IMAGE039
计算辅助函数；
S634、在参数空间中使辅助函数极大化，若小于预设阈值则终止迭代，若大于预设阈值则返回步骤S633；
S635、迭代算出每个混合分量的权重，并将权重为零的混合分量剔除，同时剔除剩余的混合分量中权重最小的；
S636、输出无监督结果，得到改进最大期望算法。
S64、通过辅助函数对所述高斯混合模型进行训练；
其中，所述辅助函数的表达式为：
Figure 338436DEST_PATH_IMAGE042
；
其中，
Figure 730234DEST_PATH_IMAGE043
表示辅助函数，
Figure 305572DEST_PATH_IMAGE044
与
Figure 907454DEST_PATH_IMAGE039
均表示高斯混合模型中的参数，且
Figure 101806DEST_PATH_IMAGE045
，M表示高斯混合模型的阶数，j表示高斯分布的数量，
Figure 207166DEST_PATH_IMAGE046
表示特征序列，
Figure 218984DEST_PATH_IMAGE047
表示均值，
Figure 915020DEST_PATH_IMAGE048
表示协方差矩阵，p表示局部极值。
S65、根据所述高斯混合模型构建后验概率密度模型，并利用所述改进最大期望算法，不断迭代参数得到后验概率。
其中，所述后验概率密度模型的表达式为：
Figure 303276DEST_PATH_IMAGE049
Figure 138508DEST_PATH_IMAGE050
Figure 321228DEST_PATH_IMAGE051
；
其中，
Figure 632123DEST_PATH_IMAGE052
表示后验概率密度函数，
Figure 168278DEST_PATH_IMAGE053
表示高斯混合模型的概率密度，m表示高斯混合模型数量，z表示构件数据的样本，
Figure 248229DEST_PATH_IMAGE054
表示模型方差，
Figure 742796DEST_PATH_IMAGE055
表示模型期望，
Figure 275408DEST_PATH_IMAGE056
表示权值因子，
Figure 739888DEST_PATH_IMAGE057
表示随机变量，
Figure 815291DEST_PATH_IMAGE058
表示先验概率，i表示构件数据数量，j表示高斯分布的数量，
Figure 339813DEST_PATH_IMAGE059
表示参数集合数量，k表示参数迭代次数。
S7、利用改进型高斯混合模型对所述构件数据进行聚类分组；
其中，步骤S7包括以下步骤：
S71、对所述构件数据进行预处理，设定关联区域并对所述构件数据划分构建局部关联数据；
S72、采用改进型高斯混合模型最大期望算法对所述局部关联数据进行聚类分组，形成关联数据集模型，并进行迭代优化求解；
S73、根据训练完的关联数据集模型区分待关联的构件数据的分类。
S8、将所述构件数据与所述标准化编码进行关联得到关联构件数据。
其中，步骤S8包括以下步骤：
S81、所述构件数据包括工作分解结构属性与全局唯一标识符；
S82、读取所述工作分解结构编码库内的标准化编码；
S83、通过工作分解结构属性将所述全局唯一标识符与标准化编码一一对应关联，得到关联构件数据。
综上所述，借助于本发明的上述技术方案，通过对工程数据进行处理得到标准化编码并将标准化编码与BIM模型进行自动关联，有效地提高了构件关联效率，从而降低了生产成本，并且进一步地实现了工程项目数据与BIM模型构件的精细化关联，从而实现了工程精细化管理，大大提高了工程项目生产管理效率。通过引入改进型高斯混合模型，通过减少同一时刻参与关联的工程数据量和标准化编码，使算法得到改善。即首先对BIM模型的构件数据进行预处理，将其划分为若干局部关联区域以减少同一时刻参与关联的特征数；其次采用改进型最大期望（EM）算法，能够降低高斯混合模型迭代运算的耗时与资源占用，从而利用高斯混合模型降低关联计算复杂度，大大提高处理效率，为工程数据关联提供了可靠的保障与技术支持。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于改进型高斯混合模型的工程数据关联方法，其特征在于，该方法包括以下步骤：
S1、获取工程数据，对所述工程数据进行分解得到工号；
S2、对所述工号进行编码得到标准化编码，构建工作分解结构编码库；
S3、根据所述工程数据构建建筑信息模型；
S4、将所述标准化编码导入所述建筑信息模型；
S5、对所述建筑信息模型进行解析得到构件数据；
S6、构建高斯混合模型并进行训练及无监督学习得到改进型高斯混合模型；
所述构建高斯混合模型并进行训练及无监督学习得到改进型高斯混合模型，包括以下步骤：
S61、将每个所述构件数据等效为一个高斯模型，得到若干高斯模型；
S62、将若干所述高斯模型加权求和得到高斯混合模型；
S63、对所述高斯混合模型最大期望算法进行无监督学习得到改进最大期望算法；
S64、通过辅助函数对所述高斯混合模型进行训练；
所述辅助函数的表达式为：
Figure DEST_PATH_IMAGE001
；
其中，
Figure 245404DEST_PATH_IMAGE002
表示辅助函数，
Figure DEST_PATH_IMAGE003
与
Figure 997459DEST_PATH_IMAGE004
均表示高斯混合模型中的参数，且
Figure DEST_PATH_IMAGE005
，M表示高斯混合模型的阶数，j表示高斯分布的数量，
Figure 85501DEST_PATH_IMAGE006
表示特征序列，
Figure DEST_PATH_IMAGE007
表示均值，
Figure 539485DEST_PATH_IMAGE008
表示协方差矩阵，p表示局部极值；
S65、根据所述高斯混合模型构建后验概率密度模型，并利用所述改进最大期望算法，不断迭代参数得到后验概率；
S7、利用改进型高斯混合模型对所述构件数据进行聚类分组；
S8、将所述构件数据与所述标准化编码进行关联得到关联构件数据。
2.根据权利要求1所述的一种基于改进型高斯混合模型的工程数据关联方法，其特征在于，所述获取工程数据，对所述工程数据进行分解得到工号，包括以下步骤：
S11、获取工程项目信息；
S12、根据所述工程项目信息的工程类型与专业类型进行解析得到工程数据；
S13、工作分解结构利用线分法将所述工程数据按照归属关系分解得到工号；
其中，所述工程数据包括工程板块数据、专业工程数据、单位工程数据、子单位工程数据、分部工程数据和分项工程数据。
3.根据权利要求2所述的一种基于改进型高斯混合模型的工程数据关联方法，其特征在于，所述对所述工号进行编码得到标准化编码，包括以下步骤：
S21、利用工作分解结构对所述工号进行编码得到工程板块编码、专业工程编码、单位工程编码、子单位工程编码、分部工程编码和分项工程编码；
S22、将工程板块编码、专业工程编码、单位工程编码、子单位工程编码、分部工程编码和分项工程编码组成标准化编码。
4.根据权利要求3所述的一种基于改进型高斯混合模型的工程数据关联方法，其特征在于，所述高斯混合模型的表达式为：
Figure DEST_PATH_IMAGE009
；
其中，
Figure 676068DEST_PATH_IMAGE010
表示高斯混合模型的概率密度，z表示构件数据的样本，i表示构件数据数量，
Figure DEST_PATH_IMAGE011
表示模型方差，
Figure 298941DEST_PATH_IMAGE012
表示模型期望，
Figure DEST_PATH_IMAGE013
表示权值因子，k表示高斯混合成分个数，N表示高斯混合分布中的一个簇分组，且N的表达式为：
Figure 229988DEST_PATH_IMAGE014
；
其中，e表示自然常数，T表示转置行列。
5.根据权利要求4所述的一种基于改进型高斯混合模型的工程数据关联方法，其特征在于，所述对所述高斯混合模型最大期望算法进行无监督学习得到改进最大期望算法，包括以下步骤：
S631、在参数空间中为
Figure 718738DEST_PATH_IMAGE003
定义初始值
Figure DEST_PATH_IMAGE015
，Y表示无监督最大期望算法迭代的次数，
Figure 642701DEST_PATH_IMAGE003
表示高斯混合模型中的参数，
Figure 572611DEST_PATH_IMAGE016
表示高斯混合模型中参数初始值，h表示最佳参数估计值，n表示参数数量；
S632、对参数进行判断，若
Figure DEST_PATH_IMAGE017
，则继续步骤S633，若
Figure 690871DEST_PATH_IMAGE018
，则跳转至步骤S635；
S633、通过当前参数及初始值
Figure 463655DEST_PATH_IMAGE016
计算辅助函数；
S634、在参数空间中使辅助函数极大化，若小于预设阈值则终止迭代，若大于预设阈值则返回步骤S633；
S635、迭代算出每个混合分量的权重，并将权重为零的混合分量剔除，同时剔除剩余的混合分量中权重最小的；
S636、输出无监督结果，得到改进最大期望算法。
6.根据权利要求5所述的一种基于改进型高斯混合模型的工程数据关联方法，其特征在于，所述后验概率密度模型的表达式为：
Figure DEST_PATH_IMAGE019
Figure 942040DEST_PATH_IMAGE020
Figure DEST_PATH_IMAGE021
；
其中，
Figure 772462DEST_PATH_IMAGE022
表示后验概率密度函数，
Figure DEST_PATH_IMAGE023
表示高斯混合模型的概率密度，m表示高斯混合模型数量，z表示构件数据的样本，
Figure 248574DEST_PATH_IMAGE024
表示模型方差，
Figure DEST_PATH_IMAGE025
表示模型期望，
Figure 665911DEST_PATH_IMAGE026
表示权值因子，
Figure DEST_PATH_IMAGE027
表示随机变量，
Figure 947988DEST_PATH_IMAGE028
表示先验概率，i表示构件数据数量，j表示高斯分布的数量，
Figure DEST_PATH_IMAGE029
表示参数集合数量，k表示参数迭代次数。
7.根据权利要求6所述的一种基于改进型高斯混合模型的工程数据关联方法，其特征在于，所述利用改进型高斯混合模型对所述构件数据进行聚类分组，包括以下步骤：
S71、对所述构件数据进行预处理，设定关联区域并对所述构件数据划分构建局部关联数据；
S72、采用改进型高斯混合模型最大期望算法对所述局部关联数据进行聚类分组，形成关联数据集模型，并进行迭代优化求解；
S73、根据训练完的关联数据集模型区分待关联的构件数据的分类。
8.根据权利要求7所述的一种基于改进型高斯混合模型的工程数据关联方法，其特征在于，所述将所述构件数据与所述标准化编码进行关联得到关联构件数据，包括以下步骤：
S81、所述构件数据包括工作分解结构属性与全局唯一标识符；
S82、读取所述工作分解结构编码库内的标准化编码；
S83、通过工作分解结构属性将所述全局唯一标识符与标准化编码一一对应关联，得到关联构件数据。
CN202210547223.4A 2022-05-20 2022-05-20 一种基于改进型高斯混合模型的工程数据关联方法 Active CN114648014B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210547223.4A CN114648014B (zh) 2022-05-20 2022-05-20 一种基于改进型高斯混合模型的工程数据关联方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210547223.4A CN114648014B (zh) 2022-05-20 2022-05-20 一种基于改进型高斯混合模型的工程数据关联方法

Publications (2)

Publication Number Publication Date
CN114648014A CN114648014A (zh) 2022-06-21
CN114648014B true CN114648014B (zh) 2022-08-23

Family

ID=81996654

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210547223.4A Active CN114648014B (zh) 2022-05-20 2022-05-20 一种基于改进型高斯混合模型的工程数据关联方法

Country Status (1)

Country Link
CN (1) CN114648014B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292068A (zh) * 2017-08-21 2017-10-24 上海中建东孚投资发展有限公司 一种装配式建筑bim模型处理方法及处理系统
CN110135814A (zh) * 2019-05-21 2019-08-16 湖北合联工程管理有限公司 Bim与工程数据的关联方法、系统及终端设备
CN110297221A (zh) * 2019-06-19 2019-10-01 西安电子科技大学 一种基于高斯混合模型的数据关联方法
WO2019210389A1 (en) * 2018-05-03 2019-11-07 Pouria Ghods Construction material assessment method and systems
CN112685804A (zh) * 2020-12-25 2021-04-20 四川省交通勘察设计研究院有限公司 一种基于公路工程设计信息的wbs自动构建方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292068A (zh) * 2017-08-21 2017-10-24 上海中建东孚投资发展有限公司 一种装配式建筑bim模型处理方法及处理系统
WO2019210389A1 (en) * 2018-05-03 2019-11-07 Pouria Ghods Construction material assessment method and systems
CN110135814A (zh) * 2019-05-21 2019-08-16 湖北合联工程管理有限公司 Bim与工程数据的关联方法、系统及终端设备
CN110297221A (zh) * 2019-06-19 2019-10-01 西安电子科技大学 一种基于高斯混合模型的数据关联方法
CN112685804A (zh) * 2020-12-25 2021-04-20 四川省交通勘察设计研究院有限公司 一种基于公路工程设计信息的wbs自动构建方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"水利水电工程数字资产平台建设及应用";贾玉豪;《人民珠江》;20220223;全文 *

Also Published As

Publication number Publication date
CN114648014A (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN111222661A (zh) 一种城市规划实施效果分析评估方法
CN109325040B (zh) 一种faq问答库泛化方法、装置及设备
CN111597348B (zh) 用户画像方法、装置、计算机设备和存储介质
CN110674636B (zh) 一种用电行为分析方法
CN111311614B (zh) 基于分割网络和对抗网络的三维点云语义分割方法
CN110083639A (zh) 一种基于聚类分析的数据血缘智能溯源的方法及装置
CN111611488B (zh) 基于人工智能的信息推荐方法、装置、电子设备
CN110457514A (zh) 一种基于深度哈希的多标签图像检索方法
CN113515600B (zh) 一种基于元数据的空间分析自动计算方法
CN115641162A (zh) 一种基于建筑工程造价的预测数据分析系统和方法
CN116362569B (zh) 一种场地污染的多维度评估方法及系统
CN113112090A (zh) 基于综合互信息度的主成分分析的空间负荷预测方法
CN115965789A (zh) 一种基于场景感知类注意力的遥感图像语义分割方法
CN114648014B (zh) 一种基于改进型高斯混合模型的工程数据关联方法
CN111309770B (zh) 一种基于无监督机器学习的自动生成规则系统及方法
CN112052990B (zh) 一种基于CNN-BiLSTM混合模型的多角度业务流程下一活动预测方法
CN113742396A (zh) 一种对象学习行为模式的挖掘方法及装置
CN113792033A (zh) 一种基于Spark的数据质量核查方法、装置、存储介质及终端
CN111833408A (zh) 一种图像操作信息的层次编码与溯源方法
CN109753990B (zh) 一种用户电能替代潜力预测方法、系统及存储介质
CN113742495B (zh) 基于预测模型的评级特征权重确定方法及装置、电子设备
CN115964599A (zh) 一种大规模土地利用/覆被变化转移矩阵装置及使用方法
CN109447131B (zh) 相似高维目标信息识别方法及系统
CN114003812A (zh) 地址匹配方法、系统、设备及存储介质
CN113704565A (zh) 基于全局区间误差的学习型时空索引方法、装置及介质

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