CN115688242A - 一种多策略融合的rc柱地震破坏模式识别方法 - Google Patents
一种多策略融合的rc柱地震破坏模式识别方法 Download PDFInfo
- Publication number
- CN115688242A CN115688242A CN202211360388.7A CN202211360388A CN115688242A CN 115688242 A CN115688242 A CN 115688242A CN 202211360388 A CN202211360388 A CN 202211360388A CN 115688242 A CN115688242 A CN 115688242A
- Authority
- CN
- China
- Prior art keywords
- column
- model
- parameters
- variable
- mode identification
- 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
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
一种多策略融合的RC柱地震破坏模式识别方法,涉及人工智能技术领域,包括如下步骤:(1)建立拟静力试验数据库;(2)确定输入参数和输出参数,通过标准互信息和卡方检验的方法对RC柱的设计参数进行筛选,最终确定模型的输入参数和输出参数;(3)将由输入和输出参数构成的模型数据集进行数据预处理;(4)建立机器学习模型,对RC柱地震破坏模式进行识别。本发明提出一种多策略融合的RC柱地震破坏模式识别方法,该方法建立了BSCFB地震破坏模式识别模型,将数据过采样、代价敏感学习和模型集成相融合,提高RC柱地震破坏模式识别的准确率,并对提出的机器学习模型进行解释,提高模型的可信度。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种多策略融合的RC柱地震破坏模式识别方法。
背景技术
钢筋混凝土(RC)柱是工程结构的重要受力构件,由于RC柱的设计参数不同,其抗震性能也不同,在强烈地震作用下可能发生弯曲破坏、剪切破坏或弯剪破坏三种破坏模式。由于剪切破坏和弯剪破坏属于脆性破坏,因此,进行实际工程的设计时应尽量避免。为更好地实现基于性能的抗震设计,确定构件设计参数对地震破坏模式的影响程度并根据设计参数准确判别RC柱的地震破坏模式至关重要。
传统的RC柱地震破坏模式识别方法主要有观测法、基于剪跨比、基于变形和基于承载力的识别方法、多参数识别方法等。观测法是判别RC柱地震破坏模式的重要方法,如张勤等进行了RC柱拟静力试验,根据箍筋和纵筋发生屈服的顺序和裂缝开展情况对柱的破坏模式进行了划分。观测法简单、实用,但其主观性较强,特别是当柱的破坏形态没有明显特征时,并且该方法不适用于已有或新建结构中RC柱的地震破坏模式识别。万海涛等和Ghee等分别基于剪跨比和位移延性系数对RC柱的地震破坏模式进行识别;也有文献利用抗剪需求与抗剪能力的比值来识别RC柱的地震破坏模式。上述方法主要是利用RC柱的某单一性能指标对其地震破坏模式进行识别,此类型的方法由于未综合考虑影响RC柱地震破坏模式的主要因素,因此识别精度相对较低。为此,很多学者开始研究基于多参数的RC柱地震破坏模式识别方法。Zhu等考虑了剪跨比、配箍率和受剪承载力等因素,将RC柱的地震破坏模式划分为弯曲破坏和剪切破坏两种类型。尽管该方法考虑了多参数对地震破坏模式的影响,但没有细分剪切和弯剪两种破坏模式。Qi等基于Fisher方法分析了影响RC柱地震破坏模式的主要因素,提出了同时考虑抗剪需求与抗剪承载力比和剪跨比的识别方法。Ma等将RC柱的多个关键参数整合为一个经验判别指标,从概率的角度提出了RC柱地震破坏模式的识别方法。然而,RC柱的剪切失效机理复杂,其抗剪承载力计算模型的离散性较大,精度较低。此外,影响RC柱地震破坏模式的因素众多,包括剪跨比、轴压比、混凝土强度、箍筋配置、纵筋配置等,已有识别方法无法考虑众多因素的综合影响。因此,传统的多参数识别方法的精度也难以保证。
随着机器学习方法在土木工程领域的广泛应用,很多学者开始利用其进行RC柱的地震破坏模式识别。该方法可以从众多设计参数中挖掘出潜藏的、有价值的信息,并利用这些信息对RC柱的地震破坏模式进行分类,避免由于抗剪承载力计算不准确、影响因素考虑不全面等导致的识别误差。李启明等以箍筋参数、纵筋参数、剪跨比、轴压比和s/h(箍筋间距/截面高度)为特征参数,利用支持向量机建立了两阶段RC柱地震破坏模式识别方法,模型的整体准确率为95.9%,但对于弯剪破坏的精确率为89.2%;于晓辉等利用ET算法提出了两阶段地震破坏模式识别方法,尽管其模型在训练集和测试集上的整体准确率为97%,但模型在测试集上的表现是评价模型泛化能力和稳定性的最有力标准,该研究提出的模型在测试集上的整体准确率为91%,对于剪切破坏的召回率为74%。
发明内容
本发明提出一种RC柱地震破坏模式识别方法,该方法建立了BSCFB地震破坏模式识别模型,将数据过采样、代价敏感学习和模型集成相融合,提高在不平衡和相对平衡两种情况的数据集下,RC柱地震破坏模式识别的准确率,并对提出的机器学习模型进行解释,提高模型的可信度。
为达到上述目的,本发明所采用的技术方案是:
一种多策略融合的RC柱地震破坏模式识别方法,包括如下步骤:
(1)通过收集RC柱拟静力试验数据的方式建立拟静力试验数据库;
(2)确定输入参数和输出参数,通过标准互信息和卡方检验的方法对RC柱的设计参数进行筛选,最终确定模型的输入参数和输出参数;
(3)将由输入参数和输出参数构成的模型数据集进行数据预处理;
(4)建立机器学习模型,对RC柱地震破坏模式进行识别。
优选的,所述的步骤(2)中,所述的设计参数有17个,分别为:b、h、l、fc、ρt、ρl、fyt、fyl、dt、dl、s、λ、n、sh、αt、αl、tc,其中b为截面宽度、h为截面高度、l为柱长度、fc为混凝土抗压强度、ρt为箍筋配筋率、ρl为纵筋配筋率、fyt为箍筋屈服强度、fyl为纵筋屈服强度、dt为箍筋直径、dl为纵筋直径、s为箍筋间距、λ为剪跨比、n为轴压比、sh为箍筋间距与截面高度的比值、αt为箍筋配筋参数,计算公式为αt=fyt/fc·ρt、αl为纵筋配筋参数,计算公式为αl=fyl/fc·ρl、tc为试验配置形式。所述的输出参数为地震破坏模式,分别为弯曲破坏、剪切破坏和弯剪破坏,分别用1,2,3表示。
优选的,所述的步骤(2)中,所述的特征选择方法包括方法一和方法二,通过方法一和方法二的结合对输入参数进行筛选;所述的方法一为:通过互信息算法计算各自变量与因变量之间的互信息,并按照公式(1)对互信息进行标准化处理:
公式(1)中,MI(A,B)代表变量A和变量B的互信息;H(A)和H(B)分别代表变量A和变量B的熵值;H(A|B)和H(B|A)为条件熵,分别代表B或A已知,A或B的剩余不确定度;H(A,B)代表变量A和变量B的联合熵;
所述的方法二为:利用卡方检验对输入参数进行筛选,计算各自变量与因变量之间的cramer’s V值。
优选的,所述的步骤(2)中,依据标准互信息大于0.2或cramer’s V值大于0.55的标准对输入参数进行筛选,最终确定模型的输入参数为:l,fc,ρt,ρl,fyt,fyl,s,λ,n,sh,αt,αl。
优选的,所述的步骤(3)的方法为:将数据集按照7:3的比例随机划分为训练集和测试集,利用z-score的方式对样本数据进行标准化处理。
优选的,所述的步骤(4)的方法为:首先利用BoderlineSMOTE算法对少数类样本进行过采样,使训练集数据达到平衡状态;然后将随机森林算法作为AdaBoost算法的基学习器,并考虑代价敏感学习,即对不同分类结果的样本更新权重并赋予不同的代价敏感系数;对于此多分类问题,模型主要存在六类错误,分别为:i[0]=1,i[1]=2;(2)i[0]=1,i[1]=3;(3)i[0]=2,i[1]=1;(4)i[0]=2,i[1]=3;(5)i[0]=3,i[1]=1;(6)i[0]=3,i[1]=2,i[0]代表真实类别,i[1]代表预测类别;由于在实际工程中,RC柱剪切破坏和弯剪破坏预测错误的代价更大,且数据中剪切破坏和弯剪破坏属于少数类样本,因此,设置分类正确的样本代价系数为1,按照工程实际经验,对不同错分类型的代价进行赋值,并归一化处理。
优选的,所述的步骤(4)中,模型记为BSCFB地震破坏模式识别模型,在模型中,最优超参数通过网格搜索和五折交叉验证的方式确定。
优选的,所述的步骤(4)中,利用SHAP方法中的kernel解释对模型进行解释。
本发明一种多策略融合的RC柱地震破坏模式识别方法的有益效果为:
(1)本发明通过标准互信息和卡方检验,确定影响RC柱地震破坏模式的主要因素,将其作为机器学习模型的输入参数,提出BSCFB地震破坏模式识别模型,将数据过采样、代价敏感学习和模型集成三种策略相融合,提高RC柱地震破坏模式识别的准确率,并对所提出的机器学习模型进行解释,增加了模型的可信度。
(2)本发明方法影响因素考虑全面,模型的性能较高,在数据集存在类别不平衡的情况下,整体准确率可达97%,对三种不同地震破坏模式识别的精确率和召回率均在91%以上,且模型具有可解释性。
(3)本发明方法应用简单,适用范围广,对相对平衡数据集下的RC柱地震破坏模式识别也有较好的效果,整体准确率可达94%。
附图说明:
图1:本发明的流程图;
图2:本发明BSCFB地震破坏模式识别模型预测结果图;
图3:各影响因素重要程度分析结果图;
图1中,D1代表初始样本权重、D2代表训练第2个弱分类器的样本权重、Dm代表训练第m个弱分类器的样本权重;
图2中,FF、SF、FSF分别代表弯曲破坏、剪切破坏和弯剪破坏;
图3中,FF、SF、FSF分别代表弯曲破坏、剪切破坏和弯剪破坏。
具体实施方式:
以下所述,是以阶梯递进的方式对本发明的实施方式详细说明,该说明仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
本发明的描述中,需要说明的是,术语“上”“下”“左”“右”“顶”“底”“内”“外”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,仅是为了描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以及特定的方位构造和操作,因此不能理解为对本发明的限制。
在最初的实施例中,本发明一种多策略融合的RC柱地震破坏模式识别方法,如图1、2、3所示,包括如下步骤:
(1)通过收集RC柱拟静力试验数据的方式建立拟静力试验数据库;
(2)确定输入参数和输出参数,通过标准互信息和卡方检验的方法对RC柱的设计参数进行筛选,最终确定模型的输入参数和输出参数;
(3)将模型的数据集进行数据预处理;
(4)建立机器学习模型,对RC柱地震破坏模式进行识别。
在进一步的实施例中,所述的步骤(2)中,所述的设计参数有17个,分别为:b、h、l、fc、ρt、ρl、fyt、fyl、dt、dl、s、λ、n、sh、αt、αl、tc,其中b为截面宽度、h为截面高度、l为柱长度、fc为混凝土抗压强度、ρt为箍筋配筋率、ρl为纵筋配筋率、fyt为箍筋屈服强度、fyl为纵筋屈服强度、dt为箍筋直径、dl为纵筋直径、s为箍筋间距、λ为剪跨比、n为轴压比、sh为箍筋间距与截面高度的比值、αt为箍筋配筋参数,计算公式为αt=fyt/fc·ρt、αl为纵筋配筋参数,计算公式为αl=fyl/fc·ρl、tc为试验配置形式。所述的输出参数为地震破坏模式,分别为弯曲破坏、剪切破坏和弯剪破坏,分别用1,2,3表示。
在进一步的实施例中,
所述的步骤(2)中,所述的特征选择方法包括方法一和方法二,通过方法一和方法二的结合对输入参数进行筛选;所述的方法一为:通过互信息算法计算各自变量与因变量之间的互信息,并按照公式(1)对互信息进行标准化处理:
公式(1)中,MI(A,B)代表变量A和变量B的互信息;H(A)和H(B)分别代表变量A和变量B的熵值;H(A|B)和H(B|A)为条件熵,分别代表B或A已知,A或B的剩余不确定度;H(A,B)代表变量A和变量B的联合熵;
所述的方法二为:为保证筛选出的参数可以全面有效地反应数据信息,利用卡方检验对输入参数进行筛选,计算各自变量与因变量之间的cramer’s V值。两种特征选择方法的计算结果如表1所示。
表1RC柱各参数NMI和cramer’s V值
b | h | l | f<sub>c</sub> | ρ<sub>t</sub> | ρ<sub>l</sub> | f<sub>yt</sub> | f<sub>yl</sub> | d<sub>t</sub> | |
NMI | 0.19 | 0.14 | 0.29 | 0.27 | 0.24 | 0.31 | 0.34 | 0.35 | 0.12 |
cramer’s V | 0.55 | 0.47 | 0.80 | 0.89 | 0.78 | 0.85 | 0.92 | 0.91 | 0.44 |
d<sub>l</sub> | s | λ | n | s<sub>h</sub> | α<sub>t</sub> | α<sub>l</sub> | t<sub>c</sub> | ||
NMI | 0.18 | 0.16 | 0.28 | 0.22 | 0.26 | 0.30 | 0.30 | 0.06 | |
cramer’s V | 0.54 | 0.58 | 0.75 | 0.74 | 0.82 | 0.98 | 0.97 | 0.26 |
在进一步的实施例中,如表1所示,所述的步骤(2)中,依据标准互信息大于0.2或cramer’s V值大于0.55的标准对输入参数进行筛选,最终确定模型的输入参数为:l,fc,ρt,ρl,fyt,fyl,s,λ,n,sh,αt,αl。
在进一步的实施例中,所述的步骤(3)的方法为:将数据集按照7:3的比例随机划分为训练集和测试集,为提高机器学习模型的准确性和稳定性,在划分训练集和测试集后,利用z-score的方式对样本数据进行标准化处理。
在进一步的实施例中,所述的步骤(4)的方法为:首先利用BoderlineSMOTE算法对少数类样本进行过采样,使训练集数据达到平衡状态;然后将随机森林算法作为AdaBoost算法的基学习器,并考虑代价敏感学习,即对不同分类结果的样本更新权重并赋予不同的代价敏感系数;对于此多分类问题,模型主要存在六类错误,分别为:i[0]=1,i[1]=2;(2)i[0]=1,i[1]=3;(3)i[0]=2,i[1]=1;(4)i[0]=2,i[1]=3;(5)i[0]=3,i[1]=1;(6)i[0]=3,i[1]=2,i[0]代表真实类别,i[1]代表预测类别;由于在实际工程中,RC柱剪切破坏和弯剪破坏预测错误的代价更大,且数据中剪切破坏和弯剪破坏属于少数类样本,因此,设置分类正确的样本代价系数为1,按照工程实际经验,对不同错分类型的代价进行赋值,并归一化处理。最终赋值结果如表2所示。
表2不同分类结果的代价敏感系数
i[1,1] | i[1,2] | i[1,3] | i[2,1] | i[2,2] | i[2,3] | i[3,1] | i[3,2] | i[3,3] | |
未归一化 | 1 | 2 | 2 | 4 | 1 | 3 | 3 | 2 | 1 |
归一化 | 1/19 | 2/19 | 2/19 | 4/19 | 1/19 | 3/19 | 3/19 | 2/19 | 1/19 |
在进一步的实施例中,所述的步骤(4)中,模型记为BSCFB地震破坏模式识别模型,在模型中,最优超参数通过网格搜索和五折交叉验证的方式确定。
在进一步的实施例中,为增强模型的可靠性,所述的步骤(4)中,利用SHAP方法中的kernel解释对模型进行解释。各输入参数对模型的影响如图3所示。
由图3(a)可知,从模型整体看,l和λ是影响RC柱地震破坏模式的最主要因素,其次是αl,fc,fyt,fyl,ρl,ρt,最后是αt,s,n,sh。图3(b)展示了各特征参数对于弯曲破坏的影响程度,其重要性排序为l>λ>αl>ρt>fc>ρl>fyl>fyt>αt>s>sh>n。图3(c)展示了各特征参数对于剪切破坏的影响程度,其重要性排序为λ>l>ρt>αl>fyl>ρl>αt>fyt>s>fc>n>sh。图3(d)展示各特征参数对于弯剪破坏的影响程度,其重要性排序为l>fc>fyt>αl>λ>fyl>ρl>ρt>αt>sh>n>s。且l、λ、ρt、fc、fyl、fyt、αt相对越大,αl、ρl、s、sh、n相对越小,越容易发生弯曲破坏。否则,越容易发生非弯曲破坏。在进行实际工程设计时,应根据各影响因素对RC柱地震破坏模式的影响程度和正负相关性进行综合设计,尽量避免剪切破坏或弯剪破坏的发生。
Claims (8)
1.一种多策略融合的RC柱地震破坏模式识别方法,其特征为:包括如下步骤:
(1)通过收集RC柱拟静力试验数据的方式建立拟静力试验数据库;
(2)确定输入参数和输出参数,通过标准互信息和卡方检验的方法对RC柱的设计参数进行筛选,最终确定模型的输入参数和输出参数;
(3)将由输入参数和输出参数构成的模型数据集进行数据预处理;
(4)建立机器学习模型,对RC柱地震破坏模式进行识别。
2.如权利要求1所述的一种多策略融合的RC柱地震破坏模式识别方法,其特征为:所述的步骤(2)中,所述的设计参数有17个,分别为:b、h、l、fc、ρt、ρl、fyt、fyl、dt、dl、s、λ、n、sh、αt、αl、tc,其中b为截面宽度、h为截面高度、l为柱长度、fc为混凝土抗压强度、ρt为箍筋配筋率、ρl为纵筋配筋率、fyt为箍筋屈服强度、fyl为纵筋屈服强度、dt为箍筋直径、dl为纵筋直径、s为箍筋间距、λ为剪跨比、n为轴压比、sh为箍筋间距与截面高度的比值、αt为箍筋配筋参数,计算公式为αt=fyt/fc·ρt、αl为纵筋配筋参数,计算公式为αl=fyl/fc·ρl、tc为试验配置形式;所述的输出参数为地震破坏模式,分别为弯曲破坏、剪切破坏和弯剪破坏,分别用1,2,3表示。
3.如权利要求2所述的一种多策略融合的RC柱地震破坏模式识别方法,其特征为:所述的步骤(2)中,所述的特征选择方法包括方法一和方法二,通过方法一和方法二的结合对输入参数进行筛选;所述的方法一为:通过互信息算法计算各自变量与因变量之间的互信息,并按照公式(1)对互信息进行标准化处理:
公式(1)中,MI(A,B)代表变量A和变量B的互信息;H(A)和H(B)分别代表变量A和变量B的熵值;H(A|B)和H(B|A)为条件熵,分别代表B或A已知,A或B的剩余不确定度;H(A,B)代表变量A和变量B的联合熵;
所述的方法二为:利用卡方检验对输入参数进行筛选,计算各自变量与因变量之间的cramer’s V值。
4.如权利要求3所述的一种多策略融合的RC柱地震破坏模式识别方法,其特征为:所述的步骤(2)中,依据标准互信息大于0.2或cramer’s V值大于0.55的标准对输入参数进行筛选,最终确定模型的输入参数为:l,fc,ρt,ρl,fyt,fyl,s,λ,n,sh,αt,αl。
5.如权利要求4所述的一种多策略融合的RC柱地震破坏模式识别方法,其特征为:所述的步骤(3)的方法为:将数据集按照7:3的比例随机划分为训练集和测试集,利用z-score的方式对样本数据进行标准化处理。
6.如权利要求5所述的一种多策略融合的RC柱地震破坏模式识别方法,其特征为:所述的步骤(4)的方法为:首先利用BoderlineSMOTE算法对少数类样本进行过采样,使训练集数据达到平衡状态;然后将随机森林算法作为AdaBoost算法的基学习器,并考虑代价敏感学习,即对不同分类结果的样本更新权重并赋予不同的代价敏感系数;对于此多分类问题,模型主要存在六类错误,分别为:i[0]=1,i[1]=2;(2)i[0]=1,i[1]=3;(3)i[0]=2,i[1]=1;(4)i[0]=2,i[1]=3;(5)i[0]=3,i[1]=1;(6)i[0]=3,i[1]=2,i[0]代表真实类别,i[1]代表预测类别;由于在实际工程中,RC柱剪切破坏和弯剪破坏预测错误的代价更大,且数据中剪切破坏和弯剪破坏属于少数类样本,因此,设置分类正确的样本代价系数为1,按照工程实际经验,对不同错分类型的代价进行赋值,并归一化处理。
7.如权利要求6所述的一种多策略融合的RC柱地震破坏模式识别方法,其特征为:所述的步骤(4)中,模型记为BSCFB地震破坏模式识别模型,在模型中,最优超参数通过网格搜索和五折交叉验证的方式确定。
8.如权利要求7所述的一种多策略融合的RC柱地震破坏模式识别方法,其特征为:所述的步骤(4)中,利用SHAP方法中的kernel解释对模型进行解释。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211360388.7A CN115688242A (zh) | 2022-11-02 | 2022-11-02 | 一种多策略融合的rc柱地震破坏模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211360388.7A CN115688242A (zh) | 2022-11-02 | 2022-11-02 | 一种多策略融合的rc柱地震破坏模式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115688242A true CN115688242A (zh) | 2023-02-03 |
Family
ID=85048893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211360388.7A Pending CN115688242A (zh) | 2022-11-02 | 2022-11-02 | 一种多策略融合的rc柱地震破坏模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115688242A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522797A (zh) * | 2023-05-23 | 2023-08-01 | 河南大学 | 一种基于人工神经网络预测rc矩形柱破坏模式的方法 |
-
2022
- 2022-11-02 CN CN202211360388.7A patent/CN115688242A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116522797A (zh) * | 2023-05-23 | 2023-08-01 | 河南大学 | 一种基于人工神经网络预测rc矩形柱破坏模式的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102063374A (zh) | 一种使用半监督信息进行聚类的回归测试用例选择方法 | |
CN109934420A (zh) | 一种预测员工离职的方法及系统 | |
CN112506990A (zh) | 一种基于时空信息的水文数据异常检测方法 | |
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 | |
CN110889440A (zh) | 基于主成分分析和bp神经网络的岩爆等级预测方法及系统 | |
CN115688242A (zh) | 一种多策略融合的rc柱地震破坏模式识别方法 | |
CN111915022B (zh) | 滑移式岩溶危岩稳定系数快速识别的高斯过程方法及装置 | |
CN113420795A (zh) | 一种基于空洞卷积神经网络的矿物光谱分类方法 | |
CN107016416B (zh) | 基于邻域粗糙集和pca融合的数据分类预测方法 | |
CN115345227A (zh) | 基于pca融合机器学习的剪力墙震损破坏模式预测方法 | |
Kotanchek et al. | Symbolic regression via genetic programming as a discovery engine: Insights on outliers and prototypes | |
CN111753776A (zh) | 基于回声状态与多尺度卷积联合模型的结构损伤识别方法 | |
CN108197431A (zh) | 染色质相互作用差异的分析方法和系统 | |
CN110956543A (zh) | 异常交易检测的方法 | |
CN114662405A (zh) | 基于少样本度量和集成学习的岩爆预测方法 | |
Mostafaei et al. | Fully automated operational modal identification of regular and irregular buildings with ensemble learning | |
CN105354583A (zh) | 基于局部均值的不平衡数据分类方法 | |
CN114880954A (zh) | 一种基于机器学习的滑坡敏感性的评估方法 | |
CN108053093A (zh) | 一种基于平均影响值数据变换的k-近邻故障诊断方法 | |
CN114548306A (zh) | 一种基于误分类代价的钻井早期溢流智能监测方法 | |
CN106250681A (zh) | 一种用于直接顶板稳定性的预测方法 | |
Richter | Change detection in dynamic fitness landscapes: An immunological approach | |
CN113434408B (zh) | 一种基于测试预言的单元测试用例排序方法 | |
CN112324426B (zh) | 一种基于气测资料快速判别凝析气藏油环大小的方法 | |
CN110189797B (zh) | 一种基于dbn的序列错误数预测方法 |
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 |