CN116595621A - 一种混凝土坝变形融合诊断方法及系统 - Google Patents

一种混凝土坝变形融合诊断方法及系统 Download PDF

Info

Publication number
CN116595621A
CN116595621A CN202310678167.2A CN202310678167A CN116595621A CN 116595621 A CN116595621 A CN 116595621A CN 202310678167 A CN202310678167 A CN 202310678167A CN 116595621 A CN116595621 A CN 116595621A
Authority
CN
China
Prior art keywords
deformation
diagnosis
concrete dam
basic probability
probability assignment
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
Application number
CN202310678167.2A
Other languages
English (en)
Inventor
陈旭东
胡少伟
管俊毅
李刘洋
郭红迪
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.)
Zhengzhou University
Original Assignee
Zhengzhou University
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 Zhengzhou University filed Critical Zhengzhou University
Priority to CN202310678167.2A priority Critical patent/CN116595621A/zh
Publication of CN116595621A publication Critical patent/CN116595621A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Computing Systems (AREA)
  • Architecture (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于改进D‑S证据理论的混凝土坝变形融合诊断方法与系统，应用于混凝土坝变形诊断技术领域，以混凝土坝变形的各个诊断评语级别为识别框架，各个变形测点隶属于各个诊断评语级别的隶属度满足基本概率赋值的定义，并引入不确定性因素影响，构建基本概率赋值矩阵；引入组合权重的方法以改进D‑S证据理论，修正所述基本概率赋值矩阵；对于任意两个变形测点的基本概率赋值函数，证据理论根据合成规则进行融合；将所有变形测点的基本概率赋值融合后，得到该混凝土坝对于不同诊断评价等级下的诊断参数。本发明降低了混凝土坝变形性态诊断过程中的冲突性，获得更为客观、合理的诊断结果。

Description

一种混凝土坝变形融合诊断方法及系统
技术领域
本发明涉及混凝土坝变形诊断技术领域，更具体的说是涉及一种基于改进D-S证据理论的混凝土坝变形融合诊断方法及系统。
背景技术
目前，针对混凝土坝变形性态诊断的方法大多都是以单个测点为研究对象，对混凝土坝局部的变形状态判别起到了至关重要的作用。但由于大坝的整体性，其每个部分都是相互关联且互相影响的，单测点或多测点的变形预测模型并不能准确反映大坝的变形情况。因此采用上述方法只能判别混凝土坝部分区域的变形状态。故而对混凝土坝整体变形性态诊断方法的研究成为了当前的研究热点。已有大量学者们做出了一大批有价值的研究，其中，将多元信息进行融合是对混凝土坝整体变形性态进行诊断的主要思路之一。
然而，多源信息融合时多个信息源之间往往存在一定的冲突性，且混凝土坝整体变形性态诊断是一个多因素、多层次、具有复合不确定性的复杂问题。混凝土坝的变形监测信息中普遍存在的物理不确定性、信息不确定性和模型不确定性是变形性态诊断过程中不确定性的主要来源。变形监测信息作为变形性态诊断的基础，其不确定性影响着变形性态认知的不确定性，对最终的诊断结果影响较大。不确定性中的模糊性和随机性是大坝监测信息的两个重要属性，而现有的综合诊断方法大多未考虑监测信息的不确定性因素，或只考虑了不确定性中的随机性或模糊性的某一方面，因而难以对诊断对象的真实状况作出全面、客观的评价。对此，针对混凝土坝变形性态诊断中的不确定性与冲突性问题仍然有一定的研究空间。
发明内容
有鉴于此，本发明提供了一种基于改进D-S证据理论的混凝土坝变形融合诊断方法及系统，解决背景技术中的问题。
为了实现上述目的，本发明提供如下技术方案：
一方面，本发明公开了一种基于改进D-S证据理论的混凝土坝变形融合诊断方法，具体步骤如下：
以混凝土坝变形的各个诊断评语级别为识别框架Θ，各个变形测点隶属于各个诊断评语级别的隶属度满足基本概率赋值的定义，并引入不确定性因素影响，构建基本概率赋值矩阵；
引入组合权重的方法以改进D-S证据理论，修正所述基本概率赋值矩阵；
对于任意两个变形测点的基本概率赋值函数，证据理论根据合成规则进行融合；
将所有变形测点的基本概率赋值融合后，得到该混凝土坝对于不同诊断评价等级下的诊断参数。
优选的，在上述的一种基于改进D-S证据理论的混凝土坝变形融合诊断方法中，构建基本概率赋值矩阵如下：
其中，θi＝1-max(μi1,μi2,...,μiq)；
mi(X)＝θi；
式中，mi(X)表示某变形测点不确定性的概率，i∈[1,n]，其中n表示变形测点数；μij表示混凝土坝变形性态诊断任务中第i个测点在第j类诊断评语级别下的隶属度，j∈[1,q]，其中j表示诊断评语级别。
优选的，在上述的一种基于改进D-S证据理论的混凝土坝变形融合诊断方法中，计算组合权重具体步骤包括：
根据基本概率赋值矩阵，确定优选等级和优选指标，并计算每个优选等级中所有优选指标的平均隶属度；分别计算第i个指标的隶属度与平均隶属度之间的距离，根据距离大小分配各指标的动态权重，得到动态权重向量；
借鉴准离差法的思想和各个变形测点间的相关系数为前提计算静态权重向量；
采用博弈论的方式对动态权重与静态权重进行组合，建立组合权重向量。
优选的，在上述的一种基于改进D-S证据理论的混凝土坝变形融合诊断方法中，得到动态权重向量具体步骤如下：
根据所述基本概率赋值矩阵Mn×(q+1)共有q+1组命题，其中q个诊断评语级别和1个不确定性值，即共有q+1个优选等级，且每个命题共有n个变形测点，表现为有n组证据，即共有n个优选指标，则动态权重计算方法如下:
(i)计算每个优选等级中n个优选指标的平均隶属度计算公式如下：
(ii)分别计算第i个指标的隶属度与平均隶属度之间的距离d，计算公式如下：
(iii)根据距离大小分配各指标的权重ωi，且故其分配的权重与距离成反比，如下所示：
式中，i表示第i个测点，其中i∈[1,n]，k表示第k个诊断评语级别，其中k∈[1,q+1]；
最终得到动态权重向量ω1i：
ω1i＝[ω11,ω12,…,ω1n]i＝1,2,…,n。
优选的，在上述的一种基于改进D-S证据理论的混凝土坝变形融合诊断方法中，得到静态权重向量具体步骤如下：
静态权重系数采用CRITIC法计算CRITIC法包含变异性和冲突性；
以各个变形测点间的相关系数为前提，相关系数用r表示，第i个变形测点与其他任意一个除i以外的变形测点t的相关性表示为rit，其中t∈[1,n]；变形测点的冲突性和变形测点之间的相关性相反，第i个变形测点与其他任意一个变形测点t的冲突性表示为Rit；
Ci表示第i个变形测点所包含的信息量，变异性用δi表示；
Ci＝δi·Rit；
Wi为第i个变形测点的客观权重；
得到客观权重向量ω2i：
ω2i＝[ω21,ω22,…,ω2n]i＝1,2,…,n。
优选的，在上述的一种基于改进D-S证据理论的混凝土坝变形融合诊断方法中，组合权重向量Wm＝[W1,W2,…,Wm],m＝[1,n]；基于组合权重，引入修正系数Fdiscount折扣系数对基本概率赋值矩阵进行修正。
优选的，在上述的一种基于改进D-S证据理论的混凝土坝变形融合诊断方法中，通过组合权重识别冲突证据依据以下原则：已知存在n组变形测点，以诊断权重1/n为阈值计算，当组合权重Wm≥1/n时，则认为该变形测点不存在冲突；当组合权重Wm≤1/n时，则认为该变形测点存在冲突，需要加以修正，修正公式如下所示：
mi'(Ak)＝Fdiscountmi(Ak)；
mi'(θ)＝Fdiscountmi(θ)+1-Fdiscount；
式中，mi'(Ak)和mi'(θ)分别表示经过修正后的基本概率赋值和不确定性概率；得经过折扣系数修正后的基本概率赋值矩阵：
使用修正后的混凝土坝多测点变形性态基本概率赋值矩阵进行融合。
优选的，在上述的一种基于改进D-S证据理论的混凝土坝变形融合诊断方法中，对于任意两个变形测点的基本概率赋值函数，证据理论根据合成规则进行融合具体步骤如下：
对于任意两个变形测点的基本概率赋值函数m1和m2，证据理论根据A∈Θ的合成规则进行融合；
式中，H表示证据间的冲突程度，H-1越大，冲突程度越大。
另一方面，本发明公开了一种采用基于改进D-S证据理论的混凝土坝变形融合诊断方法的基于改进D-S证据理论的混凝土坝变形融合诊断系统，包括：
基本概率赋值矩阵构建模块，以混凝土坝变形的各个诊断评语级别为识别框架Θ，各个变形测点隶属于各个诊断评语级别的隶属度满足基本概率赋值的定义，并引入不确定性因素影响，构建基本概率赋值矩阵；
组合权重计算模块，引入组合权重的方法以改进D-S证据理论，修正所述基本概率赋值矩阵；
融合模块，对于任意两个变形测点的基本概率赋值函数，根据合成规则进行融合；
诊断模块，将所有变形测点的基本概率赋值融合后，得到该混凝土坝对于不同诊断评价等级下的诊断参数。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了基于改进D-S证据理论的混凝土坝变形融合诊断方法及系统，在混凝土坝诊断方面表现出良好的效果。通过修正基本概率赋值矩阵的方式对D-S证据理论进行改进。具体为采用动态权重与静态权重结合的方式建立组合权重，并通过组合权重以识别冲突待诊断指标，通过引入修正系数对基本概率赋值矩阵进行修正，最后进行融合，实现混凝土坝变形性态诊断。
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，下面将对实施例或现有技术描述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，还可以根据提供的附图获得其他的附图。
图1本发明的混凝土坝融合诊断的整体流程示意图；
图2为垂直变形测点组合权重图；
图3为混凝土坝变形性态诊断指标体系。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种基于改进D-S证据理论的混凝土坝变形融合诊断方法，如图1所示，具体步骤如下：
以混凝土坝变形的各个诊断评语级别为识别框架Θ，各个变形测点隶属于各个诊断评语级别的隶属度满足基本概率赋值的定义，并引入不确定性因素影响，构建基本概率赋值矩阵；
引入组合权重的方法以改进D-S证据理论，修正所述基本概率赋值矩阵；
对于任意两个变形测点的基本概率赋值函数，证据理论根据合成规则进行融合；
将所有变形测点的基本概率赋值融合后，得到该混凝土坝对于不同诊断评价等级下的诊断参数。
为了进一步优化上述技术方案，构建基本概率赋值矩阵如下：
其中，θi＝1-max(μi1,μi2,...,μiq)；
mi(X)＝θi；
式中，mi(X)表示某变形测点不确定性的概率，i∈[1,n]，其中n表示变形测点数；μij表示混凝土坝变形性态诊断任务中第i个测点在第j类诊断评语级别下的隶属度，j∈[1,q]，其中j表示诊断评语级别。
具体地，如下表1所示，本实施例构建的垂直变形测点的基本概率赋值矩阵如下：
表1
为了进一步优化上述技术方案，计算组合权重具体步骤包括：
根据基本概率赋值矩阵，确定优选等级和优选指标，并计算每个优选等级中所有优选指标的平均隶属度；分别计算第i个指标的隶属度与平均隶属度之间的距离，根据距离大小分配各指标的动态权重，得到动态权重向量；
借鉴准离差法的思想和各个变形测点间的相关系数为前提计算静态权重向量；
采用博弈论的方式对动态权重与静态权重进行组合，建立组合权重向量。
为了进一步优化上述技术方案，得到动态权重向量具体步骤如下：
根据所述基本概率赋值矩阵Mn×(q+1)共有q+1组命题，其中q个诊断评语级别和1个不确定性值，即共有q+1个优选等级，且每个命题共有n个变形测点，表现为有n组证据，即共有n个优选指标，则动态权重计算方法如下:
(i)计算每个优选等级中n个优选指标的平均隶属度计算公式如下：
(ii)分别计算第i个指标的隶属度与平均隶属度之间的距离d，计算公式如下：
(iii)根据距离大小分配各指标的权重ωi，且故其分配的权重与距离成反比，如下所示：
式中，i表示第i个测点，其中i∈[1,n]，k表示第k个诊断评语级别，其中k∈[1,q+1]；
最终得到动态权重向量ω1i：
ω1i＝[ω11,ω12,…,ω1n]i＝1,2,…,n。
具体地，如下表2垂直变形测点动态权重值；
表2
为了进一步优化上述技术方案，得到静态权重向量具体步骤如下：
静态权重系数采用CRITIC法计算CRITIC法包含变异性和冲突性；
以各个变形测点间的相关系数为前提，相关系数用r表示，第i个变形测点与其他任意一个除i以外的变形测点t的相关性表示为rit，其中t∈[1,n]；变形测点的冲突性和变形测点之间的相关性相反，第i个变形测点与其他任意一个变形测点t的冲突性表示为Rit；
Ci表示第i个变形测点所包含的信息量，变异性用δi表示；
Ci＝δi·Rit；
Wi为第i个变形测点的客观权重；
得到客观权重向量ω2i：
ω2i＝[ω21,ω22,…,ω2n]i＝1,2,…,n。
具体地，如表3垂直变形测点静态权重；
表3
为了进一步优化上述技术方案，组合权重向量Wm＝[W1,W2,…,Wm],m＝[1,n]；基于组合权重，引入修正系数Fdiscount折扣系数对基本概率赋值矩阵进行修正。
为了进一步优化上述技术方案，通过组合权重识别冲突证据依据以下原则：已知存在n组变形测点，以诊断权重1/n为阈值计算，当组合权重Wm≥1/n时，则认为该变形测点不存在冲突；当组合权重Wm≤1/n时，则认为该变形测点存在冲突，需要加以修正，修正公式如下所示：
mi'(Ak)＝Fdiscountmi(Ak)；
mi'(θ)＝Fdiscountmi(θ)+1-Fdiscount；
式中，mi'(Ak)和mi'(θ)分别表示经过修正后的基本概率赋值和不确定性概率；得经过折扣系数修正后的基本概率赋值矩阵：
使用修正后的混凝土坝多测点变形性态基本概率赋值矩阵进行融合。
具体地，如表4垂直变形测点折扣系数；
表4
进一步，如表5，得到修正后的垂直变形测点基本概率赋值矩阵
表5
更进一步，依据上述方法得到径向变形测点和切向变形测点的基本概率赋值矩阵，最终如表6所示，得到混凝土坝变形测点基本概率赋值矩阵。
表6
为了进一步优化上述技术方案，对于任意两个变形测点的基本概率赋值函数，证据理论根据合成规则进行融合具体步骤如下：
对于任意两个变形测点的基本概率赋值函数m1和m2，证据理论根据A∈Θ的合成规则进行融合；
式中，H表示证据间的冲突程度，H-1越大，冲突程度越大。
表7本实施例提出方法与传统方法对比结果
根据表7的对比结果可知，依据最大隶属度原则，三种方法均认为该混凝土坝处于安全状态，因此证明了本实施例提出方法的准确性。相比于模糊综合评价法而言，本实施例提出的方法在诊断结果的不确定性表示上具有一定优势，能够确定混凝土坝变形性态中不确定性的大小，并且在融合诊断过程中将不确定性合理地分配给了其他诊断级别，并将不确定性降低至一个较小值。相比于经典证据理论方法而言，本实施例提出的方法降低融合诊断过程中的冲突性方面具有一定的优势，降低了混凝土坝变形性态诊断过程中的冲突性，获得更为客观、合理的诊断结果。
本发明的另一实施例公开了一种采用基于改进D-S证据理论的混凝土坝变形融合诊断方法的基于改进D-S证据理论的混凝土坝变形融合诊断系统，包括：
基本概率赋值矩阵构建模块，以混凝土坝变形的各个诊断评语级别为识别框架Θ，各个变形测点隶属于各个诊断评语级别的隶属度满足基本概率赋值的定义，并引入不确定性因素影响，构建基本概率赋值矩阵；
组合权重计算模块，引入组合权重的方法以改进D-S证据理论，修正所述基本概率赋值矩阵；
融合模块，对于任意两个变形测点的基本概率赋值函数，根据合成规则进行融合；
诊断模块，将所有变形测点的基本概率赋值融合后，得到该混凝土坝对于不同诊断评价等级下的诊断参数。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于改进D-S证据理论的混凝土坝变形融合诊断方法，其特征在于，具体步骤如下：
以混凝土坝变形的各个诊断评语级别为识别框架Θ，各个变形测点隶属于各个诊断评语级别的隶属度满足基本概率赋值的定义，并引入不确定性因素影响，构建基本概率赋值矩阵；
引入组合权重的方法以改进D-S证据理论，修正所述基本概率赋值矩阵；
对于任意两个变形测点的基本概率赋值函数，证据理论根据合成规则进行融合；
将所有变形测点的基本概率赋值融合后，得到该混凝土坝对于不同诊断评价等级下的诊断参数。
2.根据权利要求1所述的一种基于改进D-S证据理论的混凝土坝变形融合诊断方法，其特征在于，构建基本概率赋值矩阵如下：
其中，θi＝1-max(μi1,μi2,...,μiq)；
mi(X)＝θi；
式中，mi(X)表示某变形测点不确定性的概率，i∈[1,n]，其中n表示变形测点数；μij表示混凝土坝变形性态诊断任务中第i个测点在第j类诊断评语级别下的隶属度，j∈[1,q]，其中j表示诊断评语级别。
3.根据权利要求1所述的一种基于改进D-S证据理论的混凝土坝变形融合诊断方法，其特征在于，计算组合权重具体步骤包括：
根据基本概率赋值矩阵，确定优选等级和优选指标，并计算每个优选等级中所有优选指标的平均隶属度；分别计算第i个指标的隶属度与平均隶属度之间的距离，根据距离大小分配各指标的动态权重，得到动态权重向量；
借鉴准离差法的思想和各个变形测点间的相关系数为前提计算静态权重向量；
采用博弈论的方式对动态权重与静态权重进行组合，建立组合权重向量。
4.根据权利要求3所述的一种基于改进D-S证据理论的混凝土坝变形融合诊断方法，其特征在于，得到动态权重向量具体步骤如下：
根据所述基本概率赋值矩阵Mn×(q+1)共有q+1组命题，其中q个诊断评语级别和1个不确定性值，即共有q+1个优选等级，且每个命题共有n个变形测点，表现为有n组证据，即共有n个优选指标，则动态权重计算方法如下:
(i)计算每个优选等级中n个优选指标的平均隶属度计算公式如下：
(ii)分别计算第i个指标的隶属度与平均隶属度之间的距离d，计算公式如下：
(iii)根据距离大小分配各指标的权重ωi，且故其分配的权重与距离成反比，如下所示：
式中，i表示第i个测点，其中i∈[1,n]，k表示第k个诊断评语级别，其中k∈[1,q+1]；
最终得到动态权重向量ω1i：
ω1i＝[ω11,ω12,…,ω1n]i＝1,2,…,n。
5.根据权利要求3所述的一种基于改进D-S证据理论的混凝土坝变形融合诊断方法，其特征在于，得到静态权重向量具体步骤如下：
静态权重系数采用CRITIC法计算CRITIC法包含变异性和冲突性；
以各个变形测点间的相关系数为前提，相关系数用r表示，第i个变形测点与其他任意一个除i以外的变形测点t的相关性表示为rit，其中t∈[1,n]；变形测点的冲突性和变形测点之间的相关性相反，第i个变形测点与其他任意一个变形测点t的冲突性表示为Rit；
Ci表示第i个变形测点所包含的信息量，变异性用δi表示；
Ci＝δi·Rit；
Wi为第i个变形测点的客观权重；
得到客观权重向量ω2i：
ω2i＝[ω21,ω22,…,ω2n]i＝1,2,…,n。
6.根据权利要求3所述的一种基于改进D-S证据理论的混凝土坝变形融合诊断方法，其特征在于，组合权重向量Wm＝[W1,W2,…,Wm],m＝[1,n]；基于组合权重，引入修正系数Fdiscount折扣系数对基本概率赋值矩阵进行修正。
7.根据权利要求6所述的一种基于改进D-S证据理论的混凝土坝变形融合诊断方法，其特征在于，
通过组合权重识别冲突证据依据以下原则：已知存在n组变形测点，以诊断权重1/n为阈值计算，当组合权重Wm≥1/n时，则认为该变形测点不存在冲突；当组合权重Wm≤1/n时，则认为该变形测点存在冲突，需要加以修正，修正公式如下所示：
mi'(Ak)＝Fdiscountmi(Ak)；
mi'(θ)＝Fdiscountmi(θ)+1-Fdiscount；
式中，mi'(Ak)和mi'(θ)分别表示经过修正后的基本概率赋值和不确定性概率；得经过折扣系数修正后的基本概率赋值矩阵：
使用修正后的混凝土坝多测点变形性态基本概率赋值矩阵进行融合。
8.根据权利要求1所述的一种基于改进D-S证据理论的混凝土坝变形融合诊断方法，其特征在于，对于任意两个变形测点的基本概率赋值函数，证据理论根据合成规则进行融合具体步骤如下：
对于任意两个变形测点的基本概率赋值函数m1和m2，证据理论根据A∈Θ的合成规则进行融合；
式中，H表示证据间的冲突程度，H-1越大，冲突程度越大。
9.一种采用如权利要求1-8任一项所述的基于改进D-S证据理论的混凝土坝变形融合诊断方法的基于改进D-S证据理论的混凝土坝变形融合诊断系统，其特征在于，包括：
基本概率赋值矩阵构建模块，以混凝土坝变形的各个诊断评语级别为识别框架Θ，各个变形测点隶属于各个诊断评语级别的隶属度满足基本概率赋值的定义，并引入不确定性因素影响，构建基本概率赋值矩阵；
组合权重计算模块，引入组合权重的方法以改进D-S证据理论，修正所述基本概率赋值矩阵；
融合模块，对于任意两个变形测点的基本概率赋值函数，证据理论根据合成规则进行融合；
诊断模块，将所有变形测点的基本概率赋值融合后，得到该混凝土坝对于不同诊断评价等级下的诊断参数。
CN202310678167.2A 2023-06-08 2023-06-08 一种混凝土坝变形融合诊断方法及系统 Pending CN116595621A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310678167.2A CN116595621A (zh) 2023-06-08 2023-06-08 一种混凝土坝变形融合诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310678167.2A CN116595621A (zh) 2023-06-08 2023-06-08 一种混凝土坝变形融合诊断方法及系统

Publications (1)

Publication Number Publication Date
CN116595621A true CN116595621A (zh) 2023-08-15

Family

ID=87589892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310678167.2A Pending CN116595621A (zh) 2023-06-08 2023-06-08 一种混凝土坝变形融合诊断方法及系统

Country Status (1)

Country Link
CN (1) CN116595621A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117725538A (zh) * 2024-02-07 2024-03-19 河海大学 水闸变形多测点联合诊断系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117725538A (zh) * 2024-02-07 2024-03-19 河海大学 水闸变形多测点联合诊断系统及方法
CN117725538B (zh) * 2024-02-07 2024-04-16 河海大学 水闸变形多测点联合诊断系统及方法

Similar Documents

Publication Publication Date Title
Dong et al. An analytic hierarchy process model of group consensus
Li et al. An approach to fuzzy soft sets in decision making based on grey relational analysis and Dempster–Shafer theory of evidence: An application in medical diagnosis
CN116595621A (zh) 一种混凝土坝变形融合诊断方法及系统
CN110222058A (zh) 基于FP-growth的多源数据关联隐私泄露风险评估系统
Keum et al. Color-Blind Racial Attitudes Scale for Asian Americans: Testing the factor structure and measurement invariance across generational status.
CN111708816B (zh) 一种基于贝叶斯模型的多真值冲突消解方法
US11900457B2 (en) Methods for prediction and rating aggregation
CN111882198A (zh) 一种项目绩效评价方法及系统
CN113887908A (zh) 考虑主客观交叉融合权重的桥梁风险评估方法
CN109492076A (zh) 一种基于网络的社区问答网站答案可信评估方法
CN113295421B (zh) 基于改进冲突系数和信度熵的发动机故障诊断方法
CN108710900A (zh) 一种基于d-s推理的多平台传感器测量数据融合方法
Li et al. On combination rule in Dempster–Shafer theory using OWA‐based soft likelihood functions and its applications in environmental impact assessment
CN112784277A (zh) 基于改进的d-s证据理论的软件可信性综合评估方法
CN113177328B (zh) 基于多传感器融合的机械故障诊断方法
Cleves Comparative assessment of three common algorithms for estimating the variance of the area under the nonparametric receiver operating characteristic curve
CN116611115A (zh) 基于联邦学习的医疗数据诊断模型、方法、系统和存储器
CN110211675A (zh) 一种基于不确定语言与gra-topsis改进的fmea方法
CN115171906A (zh) 一种基于机器学习的前列腺癌筛查和诊断方法
CN113159138B (zh) 一种基于数据融合的燃气锅炉故障诊断方法及装置
Eeckhoudt et al. The informative content of diagnostic tests: an economic analysis
Babaei et al. How fair is machine learning in credit lending?
CN110826843A (zh) 一种隐私风险评估方法
CN114444368B (zh) 管道完整性的评价方法、装置及电子设备
Zhang et al. Integrated data fusion using dempster-shafer theory

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