CN116757093A - 一种边坡稳定性预测方法 - Google Patents

一种边坡稳定性预测方法 Download PDF

Info

Publication number
CN116757093A
CN116757093A CN202311007311.6A CN202311007311A CN116757093A CN 116757093 A CN116757093 A CN 116757093A CN 202311007311 A CN202311007311 A CN 202311007311A CN 116757093 A CN116757093 A CN 116757093A
Authority
CN
China
Prior art keywords
sparrow
slope stability
updating
population
parameters
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
CN202311007311.6A
Other languages
English (en)
Inventor
王超
王团辉
吴顺川
王琦玮
韩龙强
徐健珲
刘宇
张绍源
李岳峰
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202311007311.6A priority Critical patent/CN116757093A/zh
Publication of CN116757093A publication Critical patent/CN116757093A/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]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及地质灾害防控技术领域，尤其是涉及一种边坡稳定性预测方法，所述方法包括如下步骤：选取影响边坡稳定性的指标参数，并确定边坡稳定性状态分类；按照指标参数搜集边坡的边坡稳定性样本数据，进而建立边坡稳定性样本数据库；对麻雀搜索算法进行改进得到多策略改进麻雀搜索算法；利用多策略改进麻雀搜索算法对支持向量机超参数进行寻优，进而建立边坡稳定性预测模型；按照边坡稳定性状态分类，利用边坡稳定性预测模型对边坡稳定性样本数据库中的边坡稳定性进行预测。本发明利用多策略改进的麻雀搜索算法对支持向量机超参数进行寻优，进而建立了准确可靠的边坡稳定性预测模型，提高了边坡稳定性预测的准确性和可靠性。

Description

一种边坡稳定性预测方法
技术领域
本发明涉及地质灾害防控技术领域，尤其是涉及一种边坡稳定性预测方法。
背景技术
边坡是矿山、隧道、铁路、水利等多个领域的关键工程之一，其安全性问题备受关注。边坡灾害作为全球3大地质灾害之一，严重威胁人类生命财产安全，因此准确有效地预测边坡稳定性显得尤为重要。
传统的边坡稳定性预测方法主要是基于静力平衡理论的极限平衡法和以弹塑性力学为基础的数值分析方法，此类方法计算量大，计算过程复杂且存在收敛性问题，在边坡系统各组成部分之间的非线性关系的表达方面也有局限性。随后计算机网络和人工智能的兴起为边坡稳定性预测开辟了新方向。其中，SVM基于非线性映射理论，将低维样本数据映射到高维空间，在处理小样本、非线性、避免陷入局部最优解等多个问题中展现出了独特优势。但是，由于SVM模型准确率涉及惩罚因子和核函数参数的合理确定，因此，很多智能优化算法被用于SVM模型的参数寻优。其中麻雀搜索算法相较于其他群体智能优化算法具有较好的寻优能力。近年来科研人员采用雀搜索算法构建的预测模型在一定程度上提升了边坡稳定性预测准确率。但麻雀搜索算法求解复杂优化问题时，当搜索接近全局最优时，会出现种群多样性显著降低、收敛速度不够快、易陷入局部最优等问题，会很大程度影响模型预测准确率和预测精度。而且影响边坡稳定性的因素众多，若不能合理选取输入指标参数，也无法准确高效地对边坡稳定性进行预测。
发明内容
针对现有技术中的缺陷，本发明提供一种边坡稳定性预测方法。
为了实现上述目的，本发明提供了一种边坡稳定性预测方法，所述方法包括如下步骤：选取影响边坡稳定性的指标参数，并确定边坡稳定性状态分类；按照所述指标参数搜集边坡的边坡稳定性样本数据，进而建立边坡稳定性样本数据库；对麻雀搜索算法进行改进得到多策略改进麻雀搜索算法；利用所述多策略改进麻雀搜索算法对支持向量机超参数进行寻优，进而建立边坡稳定性预测模型；按照所述边坡稳定性状态分类，利用所述边坡稳定性预测模型对所述边坡稳定性样本数据库中的边坡稳定性进行预测。本发明利用多策略改进的麻雀搜索算法对支持向量机超参数进行寻优，进而建立了准确可靠的边坡稳定性预测模型，提高了边坡稳定性预测的准确性和可靠性。
可选的，所述对麻雀搜索算法进行改进得到多策略改进麻雀搜索算法包括如下步骤：
利用一维SPM映射对麻雀种群进行初始化；
使用自适应权重和正余弦策略，对麻雀种群的发现者位置进行更新；
基于Levy飞行机制，对麻雀种群的追随者位置进行更新；
根据步长因子动态调整策略，对麻雀种群的警戒者位置进行更新；
在设置的迭代次数下以当前的所述发现者位置、所述追随者位置和所述警戒者位置为基础来获取下一次的所述发现者位置、所述追随者位置和所述警戒者位置，最终得到多策略改进麻雀搜索算法。
可选的，所述支持向量机超参数包括惩罚因子和核函数参数；
所述利用所述多策略改进麻雀搜索算法对支持向量机超参数进行寻优，进而建立边坡稳定性预测模型包括如下步骤：
利用所述多策略改进麻雀搜索算法对所述惩罚因子和所述核函数参数进行寻优；
根据寻优的结果，利用所述多策略改进麻雀搜索算法和所述支持向量机建立所述边坡稳定性预测模型。
进一步的，使用多策略改进麻雀搜索算法能够提高对惩罚因子和核函数参数的寻优效果，提高支持向量机的分类准确率，进而提高边坡稳定性预测模型的预测精度。
可选的，所述利用一维SPM映射对麻雀种群进行初始化包括如下步骤：
设定麻雀搜索算法的初始参数；
基于设定的所述初始参数，使用一维SPM映射对麻雀种群进行初始化。
进一步的，基于一维SPM映射对麻雀种群进行初始化，增加种群多样性，使麻雀搜索算法更易搜索到全局最优解从而加快算法前期的收敛速度，也有利于后续提升支持向量机的分类性能。
可选的，所述使用自适应权重和正余弦策略，对麻雀种群的发现者位置进行更新包括如下步骤：
对正余弦算法中的步长搜索因子进行改进，得到非线性递减搜索因子，进而得到改进正余弦算法；
引入自适应权重，并利用所述改进正余弦算法和所述自适应权重对麻雀搜索算法中的原始发现者位置更新关系式进行改进，得到新发现者位置更新关系式；
利用所述新发现者位置更新关系式对所述发现者位置进行更新。
进一步的，改进正余弦算法能够解决步长搜索因子无法平衡局部和全局搜索能力的问题。引入自适应权重能够提升麻雀搜索算法的全局搜索能力和收敛速度。
可选的，所述基于Levy飞行机制，对麻雀种群的追随者位置进行更新包括如下步骤：
确定麻雀搜索算法中的原始追随者位置更新关系式以及所述Levy飞行机制的随机步长；
利用所述随机步长对所述原始追随者位置更新关系式进行改进，得到新追随者位置更新关系式；
利用所述新追随者位置更新关系式对所述追随者位置进行更新。
进一步的，采用Levy飞行机制可以增强麻雀搜索算法的局部搜索能力，当陷入局部最优时可通过长距离步长跳出局部最优解。
可选的，所述根据步长因子动态调整策略，对麻雀种群的警戒者位置进行更新包括如下步骤：
确定麻雀搜索算法中的原始警戒者位置更新关系式，并对所述原始警戒者位置更新关系式中的步长因子参数进行动态调整，得到动态步长因子参数；
利用所述动态步长因子参数替换所述原始警戒者位置更新关系式中的步长因子参数，得到新警戒者位置更新关系式；
利用所述新警戒者位置更新关系式对所述警戒者位置进行更新。
进一步的，动态步长因子参数能够减少搜索过程陷入局部最优出现的概率。
可选的，所述新发现者位置更新关系式如下：
其中，为第t+1次迭代时麻雀种群中第i个发现者在第d维的位置，/>为所述自适应权重，/>为所述非线性递减搜索因子，/>和/>为/>之间的随机数，/>为麻雀种群中发现者的全局最优位置，/>为第t次迭代时麻雀种群中第i个发现者在第d维的位置，为预警值，/>为安全值。
可选的，所述新追随者位置更新关系式如下：
其中，为第t+1次迭代时麻雀种群中第i个追随者在第d维的位置，Q为服从正态分布的随机数，/>为第t次迭代时麻雀种群中发现者在第d维的全局最差位置，/>为第t次迭代时麻雀种群中第i个发现者在第d维的位置，/>为种群规模，/>为第t次迭代时麻雀种群中发现者在第d维的最佳位置，/>为所述随机步长。
可选的，所述动态步长因子参数满足如下关系：
，
，
其中，和/>为所述动态步长因子参数，/>为全局最优适应度，/>为全局最差适应度，/>为最大迭代次数，t为迭代次数，rand为服从随机分布的随机因子。
综上所述，本发明在合理选取指标参数的基础上，利用一维SPM映射、自适应权重和正余弦策略、Levy飞行机制和步长因子动态调整策略等多种策略对麻雀搜索算法进行优化，进而得到了多策略改进麻雀搜索算法，解决了麻雀搜索算法收敛速度慢、精确度不高、易陷入局部最优等问题，提高麻雀搜索算法的性能；此外，本发明使用支持向量机能将低维样本数据映射到高维空间，充分发挥了支持向量机良好的分类性能，同时利用多策略改进麻雀搜索算法对支持向量机的惩罚因子和核函数参数进行寻优，进一步提升了支持向量机的分类性能；最后，基于多策略改进麻雀搜索算法和支持向量机相结合构建的边坡稳定性预测模型，该模型能够高效准确的对边坡稳定性进行预测。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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它相关的附图。
图1为本发明实施例的一种边坡稳定性预测方法流程示意图；
图2为本发明实施例使用F1测试函数时的算法性能对比图；
图3为本发明实施例使用F2测试函数时的算法性能对比图；
图4为本发明实施例使用F3测试函数时的算法性能对比图；
图5为本发明实施例使用F4测试函数时的算法性能对比图；
图6为本发明实施例使用F5测试函数时的算法性能对比图；
图7为本发明实施例的模型ROC曲线对比图。
具体实施方式
下面将详细描述本发明的具体实施例，应当注意，这里描述的实施例只用于举例说明，并不用于限制本发明。在以下描述中，为了提供对本发明的透彻理解，阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的电路，软件或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施例中”、“在实施例中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。
需要提前说明的是，在一个可选地实施例当中，除了做出独立的说明之外，其它的在所有公式中出现的相同的符号或字母带表的含义和数值相同。
在一个可选地实施例当中，请参见图1，本发明提供了一种边坡稳定性预测方法，所述方法包括如下步骤：
S1、选取影响边坡稳定性的指标参数，并确定边坡稳定性状态分类。
具体的，在本实施例中，选取容重、黏聚力、摩擦角、边坡角、边坡高度和孔隙压力比作为影响边坡稳定性的指标参数。根据工程实际状态将边坡稳定性状态分为失稳和稳定两类，并分别用数字1和2来表示。
进一步的，影响边坡稳定性状态的因素众多，指标参数的选取对边坡稳定性状态的预测结果有重要影响。对边坡稳定性状态的预测作为一个多因素协同影响的非线性复杂问题，其影响因素主要包括地层、岩性、地质构造、地应力、岩体结构、水的作用、边坡的几何形状和表面形态。其中边坡高度、边坡角是基本的边坡几何参数；影响边坡稳定的岩土体力学指标主要是岩土体的容重、黏聚力、摩擦角和孔隙压力比等。一般来讲，岩土体的容重较大，黏聚力越大，摩擦角越大，边坡越稳定；反之，黏聚力越小，摩擦角越小，越容易失稳。在岩土体水的作用方面，可以用孔隙压力比来表征注液量变化和降雨过程。因此本实施例选取的指标参数能具有较强的合理性，有利于准确高效地对边坡稳定性状态进行预测。
S2、按照所述指标参数搜集边坡的边坡稳定性样本数据，进而建立边坡稳定性样本数据库。
具体的，在本实施例中，选取现有技术中90组实测的边坡稳定性样本数据，并利用这90组实测的边坡稳定性样本数据建立边坡稳定性样本数据库，具体的数据如下表所示：
序号 γ c Φ θ H ru 实际的边坡稳定性状态
1 21.47 6.9 30.02 31.01 76.8 0.38 1
2 21.51 6.94 30 31 76.81 0.38 1
3 21.78 8.55 32 2798 12.8 0.49 1
4 19.08 10.05 9.99 25.02 50 0.4 1
5 19.08 10.05 19.98 30 50 0.4 1
6 18.83 10.35 21.29 34.03 37 0.3 1
7 16.5 11.49 0 30 3.66 0 1
8 16.47 11.55 0 30 3.6 0 1
9 19.06 11.7 28 35 21 0.11 1
10 14 11.97 26 30 88 0 1
11 19.63 11.97 20 22 12.19 0.41 1
12 14 11.97 26 30 88 0.45 1
13 19.63 11.97 20 22 21.19 0.4 1
14 18.5 12 0 30 6 0 1
15 18.5 12 0 30 6 0.25 1
16 19.6 12 19.98 22 12.2 0.41 1
17 13.97 12 26.01 30 88 0 1
18 18.46 12 0 30 6 0 1
19 13.97 12 26.01 30 88 0.45 1
20 18.84 14.36 25 20 30.5 0.45 1
21 18.84 14.36 25 20 30.5 0.45 1
22 18.84 14.36 25 20.3 50 0.45 1
23 18.8 14.4 25.02 19.98 30.6 0.45 1
24 20.6 16.28 26.5 30 40 0 1
25 19.97 19.96 36 45 50 0.25 1
26 19.97 19.96 36 45 50 0.5 1
27 18.77 19.96 9.99 25.02 50 0.3 1
28 18.77 19.96 19.98 30 50 0.3 1
29 21.98 19.96 22.01 19.98 180 0 1
30 20 20 36 45 50 0.5 1
31 20 20 36 45 50 0.25 1
32 18 24 30.15 45 20 0.12 1
33 17.98 24.01 30.15 45 20 0.12 1
34 18.83 24.76 21.29 29.2 37 0.5 1
35 18.5 25 0 30 6 0 1
36 18.5 25 0 30 6 0.25 1
37 18.77 25.06 19.98 30 50 0.2 1
38 18.77 25.06 9.99 25.02 50 0.2 1
39 18.68 26.34 15 35 8.23 0 1
40 20.39 33.46 10.98 16.01 45.8 0.2 1
41 20.41 33.52 11 16 45.72 0.2 1
42 16 70 20 40 115 0 1
43 18.68 26.34 15 35 8.23 0 1
44 18.66 26.41 14.99 34.98 8.2 0 1
45 20.56 16.21 26.51 30 40 0 1
46 20.6 16.28 26.5 30 40 0 1
47 21.98 19.96 22.01 19.98 180 0 1
48 21.98 19.96 22.01 19.98 180 0.1 1
49 21.47 6.9 30.02 31.01 76.8 0.38 1
50 16.47 11.55 0 30 3.6 0 1
51 19.03 11.7 27.99 34.98 21 0.11 1
52 27.3 10 39 41 511 0.25 2
53 22.4 10 35 30 10 0.25 2
54 27 10 39 41 51 0.25 2
55 27 10 39 40 470 0.25 2
56 27.3 10 39 40 480 0.25 2
57 22.38 10.05 35.01 30 10 0 2
58 27.3 14 31 41 110 0.25 2
59 27 16.8 28 50 90.5 0.25 2
60 27.3 26 31 50 92 0.25 2
61 28.44 29.42 35 35 100 0 2
62 27.3 31.5 29.7 41 135 0.25 2
63 27 32 33 42.4 289 0.25 2
64 27 37.5 35 38 320 0.25 2
65 28.44 39.23 38 35 100 0 2
66 25 46 35 47 443 0.25 2
67 25 46 35 44 435 0.25 2
68 25 46 35 46 432 0.25 2
69 25 46 35 46 393 0.25 2
70 25 46 35 47 443 0.25 2
71 25 46 35 46 393 0.25 2
72 25 48 40 49 330 0.25 2
73 26.43 50 26.6 40 92.2 0.15 2
74 26.7 50 26.6 50 170 0.25 2
75 27 50 40 42 407 0.25 2
76 25 55 36 44 299 0.25 2
77 26.8 60 28.8 59 108 0.25 2
78 31.3 68 37 46 366 0.25 2
79 22.4 100 45 45 15 0.25 2
80 25 120 45 53 120 0 2
81 26.49 150 33 45 73 0.15 2
82 26.7 150 33 50 130 0.25 2
83 26.89 150 33 52 120 0.25 2
84 26 150 45 30 200 0.25 2
85 26 150.05 45 50 200 0 2
86 26.81 200 35 58 138 0.25 2
87 28.4 39.16 37.98 34.98 100 0 2
88 18.8 15.31 30.02 25.02 10.6 0.38 2
89 20.96 19.96 40.01 40.02 12 0 2
90 28.4 29.41 35.01 34.98 100 0 2
此表中，γ为容重，单位为“”；c为黏聚力，单位为“kPa”；Φ为摩擦角，单位为“°”（度）；θ为边坡角，单位为“°”（度）；H为边坡高度，单位为“m”；ru为孔隙压力比，单位为“kPa”。
进一步，此表中数据都是经过专家验证的，是准确可靠的，可以用于验证本发明对边坡稳定性状态预测的准确性。
S3、对麻雀搜索算法进行改进得到多策略改进麻雀搜索算法。
其中，S3又包括如下步骤：
S31、利用一维SPM映射对麻雀种群进行初始化。
其中，S31具体又包括如下步骤：
S311、设定麻雀搜索算法的初始参数。
具体的，在本实施例中，麻雀搜索算法的初始参数如下表所示：
S312、基于设定的所述初始参数，使用一维SPM映射对麻雀种群进行初始化。
具体的，在本实施例中，使用一维SPM映射的混沌映射方程如下：
，
其中，mod为求余函数，为生成的混沌映射序列中第i个状态值，/>为生成的混沌映射序列中第i-1个状态值，/>为控制参数，/>为密匙，/>为混沌系统的扰动参数，为/>、/>和/>的复合函数，/>为/>、/>和/>的复合函数。当/>且/>时，系统处于混沌状态。
进一步的，使用一维SPM映射对麻雀种群进行初始化能够增加种群多样性，使麻雀搜索算法更易搜索到全局最优解从而加快算法前期的收敛速度，也有利于后续提升支持向量机的分类性能。
更进一步的，在给出一维SPM映射的混沌映射方程的情况下，具体的初始化过程可参考现有技术中混沌映射初始化种群的相关技术，在此就不做详细说明。
S32、使用自适应权重和正余弦策略，对麻雀种群的发现者位置进行更新。
其中，S32具体又包括如下步骤：
S321、对正余弦算法中的步长搜索因子进行改进，得到非线性递减搜索因子，进而得到改进正余弦算法。
具体的，在本实施例中，将正余弦算法应用于麻雀搜索算法中能够增加麻雀搜索算法对整体和局部的寻优能力，但由于正余弦算法的步长搜索因子呈现线性递减，是一个线性递减搜索因子，使得正余弦算法在麻雀搜索算法中无法平衡局部和全局搜索能力。为了平衡麻雀搜索算法的局部和全局搜索能力进而提升麻雀搜索算法的性能，需要对步长搜索因子进行改进，本实施例将步长搜索因子替换为非线性递减搜索因子进而得到改进正余弦算法，非线性递减搜索因子就是步长搜索因子的改进结果，步长搜索因子和非线性递减搜索因子分别满足如下关系：
，
，
其中，为步长搜索因子，a为常数且a=1，t为迭代次数，/>为最大迭代次数，为非线性递减搜索因子，/>为调节系数且/>。
S322、引入自适应权重，并利用所述改进正余弦算法和所述自适应权重对麻雀搜索算法中的原始发现者位置更新关系式进行改进，得到新发现者位置更新关系式。
具体的，在本实施例中，原始发现者位置更新关系式即现有技术使用的发现者位置更新关系式，在此就不详细说明。麻雀搜索算法在整个搜索过程中，发现者位置在更新时受到其当前位置的影响较大，这会降低麻雀搜索算法的全局搜索能力。本实施例通过引入自适应权重来调节发现者的当前位置对位置更新时的影响，自适应权重和新发现者位置更新关系式如下：
，
，
其中，为第t+1次迭代时麻雀种群中第i个发现者在第d维的位置，/>为自适应权重，/>和/>为/>之间的随机数，/>为麻雀种群中发现者的全局最优位置，/>为第t次迭代时麻雀种群中第i个发现者在第d维的位置，/>为预警值，/>为安全值，/>，/>。
进一步的，在使用改进正余弦算法平衡麻雀搜索算法的局部和全局搜索能力的基础上，在搜索前期，迭代次数较小，因此自适应权重也较小，这样可以减小更新发现者位置时对其当前位置的依赖程度，从而提升全局搜索能力；在搜索后期，自适应权重增加，更新发现者位置时对其当前位置的依赖程度增加，有利于提升麻雀搜索算法的收敛速度。
S323、利用所述新发现者位置更新关系式对所述发现者位置进行更新。
S33、基于Levy飞行机制，对麻雀种群的追随者位置进行更新。
其中，S33具体又包括如下步骤：
S331、确定麻雀搜索算法中的原始追随者位置更新关系式以及所述Levy飞行机制的随机步长。
具体的，在本实施例中，原始追随者位置更新关系式即现有技术使用的追随者位置更新关系式，在此就不详细说明。Levy飞行机制的随机步长满足如下关系：
其中，为随机步长，/>和/>为服从正态分布的随机数，/>，，/>和/>为正态分布的标准差，/>为常数且/>。
进一步的，，/>满足如下关系：
其中，为自变量为/>的伽马函数，/>为自变量为的伽马函数。
S332、利用所述随机步长对所述原始追随者位置更新关系式进行改进，得到新追随者位置更新关系式。
具体的，在本实施例中，新追随者位置更新关系式如下：
其中，为第t+1次迭代时麻雀种群中第i个追随者在第d维的位置，Q为服从正态分布的随机数，/>为第t次迭代时麻雀种群中发现者在第d维的全局最差位置，/>为第t次迭代时麻雀种群中第i个发现者在第d维的位置，/>为种群规模，/>为第t次迭代时麻雀种群中发现者在第d维的最佳位置。
进一步的，使用Levy飞行机制可以实现偶尔的长距离步长跳跃搜索，进而探测算法空间的较远解，即当麻雀种群搜索到全局最优空间时可增强局部搜索能力，当陷入局部最优时可通过长距离步长跳出局部最优解，对追随者位置进行更新。
S333、利用所述新追随者位置更新关系式对所述追随者位置进行更新。
S34、根据步长因子动态调整策略，对麻雀种群的警戒者位置进行更新。
其中，S34具体又包括如下步骤：
S341、确定麻雀搜索算法中的原始警戒者位置更新关系式，并对所述原始警戒者位置更新关系式中的步长因子参数进行动态调整，得到动态步长因子参数。
具体的，在本实施例中，原始警戒者位置更新关系式即现有技术使用的警戒者位置更新关系式，为了便于说明，以下给出了原始警戒者位置更新关系式：
其中，为第t+1次迭代时麻雀种群中第i个警戒者在第d维的位置，/>为第t次迭代时麻雀种群中发现者在第d维的全局最优位置，/>和K为步长因子参数，/>为麻雀个体在当前的适应度，/>为全局最优适应度，/>为全局最差适应度，rand为服从随机分布的随机因子。/>为较小的常数，防止分母为0，/>是服从均值为0、方差为1的正态分布的随机数，K为[-1，1]之间的随机数。
进一步的，由于步长因子参数和K为有域限制的随机数，容易导致麻雀搜索算法在搜索过程陷入局部最优。因此，本实施例通过对/>和K进行动态调整使其摆脱有域限制，减少局部最优出现的概率，进而提升麻雀搜索算法的搜索性能。
动态步长因子参数满足如下关系：
，
，
其中，和/>为动态步长因子参数。
S342、利用所述动态步长因子参数替换所述原始警戒者位置更新关系式中的步长因子参数，得到新警戒者位置更新关系式。
具体的，在本实施例中，使用和/>代替原始警戒者位置更新关系式中的/>和K即可得到新警戒者位置更新关系式。
S343、利用所述新警戒者位置更新关系式对所述警戒者位置进行更新。
S35、在设置的迭代次数下以当前的所述发现者位置、所述追随者位置和所述警戒者位置为基础来获取下一次的所述发现者位置、所述追随者位置和所述警戒者位置，最终得到多策略改进麻雀搜索算法。
具体的，在本实施例中，在使用新发现者位置更新关系式、新追随者位置更新关系式和新警戒者位置更新关系式对麻雀种群的发现者位置、追随者位置和警戒者位置进行更新的基础上，更新麻雀的最优麻雀位置及适应值，此时麻雀搜索算法已经得到初步改进，为了进一步提升初步改进后的算法的性能，还需要通过迭代更新的方式来优化初步改进后的算法。即设定迭代阈值，在每一次更新麻雀的最优麻雀位置及适应值之后，都需要判断当前迭代更新的次数是否大于等于设定的迭代阈值。如果当前迭代更新的次数小于迭代阈值，则将当前更新得到的数据反馈回步骤S32来重新执行步骤S32至S34的内容并更新麻雀的最优麻雀位置及适应值，直至迭代更新的次数达到迭代阈值，最终即可得到多策略改进麻雀搜索算法，并将多策略改进麻雀搜索算法记为MISSA。
进一步的，为了验证本实施例中多策略改进麻雀搜索算法的优越性，请参见图2至图6，本实施例采用5种标准测试函数对多策略改进麻雀搜索算法与麻雀搜索算法进行性能对比。图2至图6，Log(F)为测试函数值的均值的对数，用它变小的速度来表示算法的收敛速度。从图2至图6中可以看出，使用F1测试函数、F2测试函数和F3测试函数对SSA进行测试时，即便迭代次数达到250次时Log(F)的变化也不大，没能减小至0；在使用F4测试函数和F5测试函数对SSA进行测试时，即便迭代次数达到400次时Log(F)的变化也不大，没能减小至0。因此SSA存在收敛速度慢且易陷入局部最优解的缺陷。而在使用F1测试函数、F2测试函数、F3测试函数F4测试函数和F5测试函数对MISSA进行测试时，在迭代次数达到250次之前Log(F)就已经减小至0，甚至在使用F4测试函数对MISSA进行测试时，迭代次数还没达到100Log(F)就已经减小至0，证明本发明提供的多策略改进麻雀搜索算法相较于现有的麻雀搜索算法呈现出更快的收敛特性，极大的提升了算法的性能。
S4、利用所述多策略改进麻雀搜索算法对支持向量机超参数进行寻优，进而建立边坡稳定性预测模型。
其中，所述支持向量机超参数包括惩罚因子和核函数参数，S4具体又包括如下步骤：
S41、利用所述多策略改进麻雀搜索算法对所述惩罚因子和所述核函数参数进行寻优。
具体的，在本实施例中，基于多策略改进麻雀搜索算法对支持向量机SVM的惩罚因子和核函数参数进行寻优，由于多策略改进麻雀搜索算法具有收敛速度快、搜索精确度高、不易陷入局部最优等优点，因此相比于现有技术中使用麻雀搜索算法SSA对SVM的惩罚因子和核函数参数进行寻优的方法，使用多策略改进麻雀搜索算法对SVM的惩罚因子和核函数参数的寻优结果更加精准。
S42、根据寻优的结果，利用所述多策略改进麻雀搜索算法和所述支持向量机建立所述边坡稳定性预测模型。
具体的，在本实施例中，根据步骤S41的寻优结果，使用多策略改进麻雀搜索算法和SVM建立边坡稳定性预测模型，记为MISSA-SVM模型。具体的建立过程参考现有技术中SSA-SVM模型的建立过程，在此就不做详细说明。
进一步的，本实施例采用的支持向量机基于非线性映射理论，能将低维样本数据映射到高维空间，在处理小样本、非线性、避免陷入局部最优解等多个问题中具有独特优势，在对边坡稳定性进行分类时能够发挥其良好的分类性能。此外，由于使用多策略改进麻雀搜索算法对SVM的惩罚因子和核函数参数的寻优结果更加精准，因此SVM的分类性能也能进一步得到提升，有利于提高边坡稳定性预测的准确性。
S5、按照所述边坡稳定性状态分类，利用所述边坡稳定性预测模型对所述边坡稳定性样本数据库中的边坡稳定性进行预测。
具体的，在本实施例中，对于边坡稳定性样本数据库中的90组边坡稳定性样本数据，将其中63组作为训练数据，27组作为测试数据。在步骤S311设定的初始参数的基础上，将SSA-SVM模型、SSA-BP模型和MISSA-SVM模型进行性能对比。
进一步的，为了准确地评估模型的性能，本实施例采用混淆矩阵、准确率、精确率、召回率、F1分数、均方误差、模型评估指标作为评判指标对SSA-SVM模型、SSA-BP模型和MISSA-SVM模型的性能进行评估。首先构建混淆矩阵，混淆矩阵如下表所示：
预测值 预测值
真实值 失稳 稳定
失稳 TN FP
稳定 FN TP
此表中，预测值为使用模型预测的边坡稳定性状态，真实值为实际的边坡稳定性状态。预测值为稳定的样本中，实际为稳定的样本数为TP，实际为失稳的样本数为FP；预测为失稳的样本中，实际为稳定的样本数为FN，实际为失稳的样本数为TN。
进一步的，利用混淆矩阵中的参数来计算准确率、精确率、召回率、F1分数和均方误差，准确率、精确率、召回率、F1分数和均方误差分别满足如下关系：
，
，
，
，
，
其中，Accuracy为准确率，Precision为精确率，Recall为召回率，F1-score为F1分数，MSE为均方误差，为真实值，/>为预测值，N为真实值或预测值的数量。均方误差的值越小，模型的性能越好。
更进一步的，请参见图7，模型评估指标AUC被定义为模型的ROC曲线下的面积，是衡量模型优劣的一种性能指标，AUC越接近1，模型性能越好，从图7中可以直接看出MISSA-SVM模型的AUC为0.958，SSA-SVM模型与SSA-BP模型的AUC分别为0.917和0.883，因此MISSA-SVM模型的AUC相比于其他两种模型更接近1，证明本发明提供的边坡稳定性预测模型性能相比于其他两种模型更好，因此本发明提供的边坡稳定性预测模型对边坡稳定性的预测相比于其他两种模型更加准确可靠。分别使用SSA-SVM模型、SSA-BP模型和MISSA-SVM模型对边坡稳定性样本数据库中的边坡稳定性进行预测，得到三种模型的准确率、精确率、召回率、F1分数和均方误差如下表所示：
模型 准确率(%) 精确率(%) 召回率(%) F1分数(%) 均方误差
MISSA-SVM 96.3 100 91.7 95.7 0.037
SSA-SVM 92.6 100 83.3 90.9 0.074
SSA-BP 88.9 90.9 83.3 86.9 0.111
从此表中可以直接看出，相比于SSA-SVM模型和SSA-BP模型，MISSA-SVM模型拥有更高的准确率、召回率和F1分数，MISSA-SVM模型的准确率更是达到了百分之百，其均方误差也明显小于SSA-SVM模型和SSA-BP模型的均方误差。因此，本发明提供的边坡稳定性预测模型相比于现有技术更加准确可靠。
为了进一步验证MISSA-SVM模型的准确性和可靠性，本实施例还将MISSA-SVM模型、SSA-SVM、SSA-BP应用于9个工程实例中，具体的数据如下表所示：
序号 工程实例 γ c Φ θ H ru 实际状态 MISSA-SVM SSA-SVM SSA-BP
1 浙江大溪滑坡 22 20 36 45 30 0.29 1 1 1 1
2 子洪水库右岸滑坡 12 0.03 30 35 4 0.29 1 1 2 1
3 中延村滑坡 12 0 30 45 8 0.29 1 1 1 2
4 旬阳水电站杨大沟滑坡 31.3 68 37 49 200.5 0.29 1 1 1 2
5 苏家坪滑坡 20 30 36 45 50 0.29 1 1 1 1
6 江西七一水库滑坡 18.82 25 14.6 20.32 50 0.4 1 1 1 1
7 天生桥二级水电站边坡 22 10 35 30 10 0.29 2 2 1 2
8 四川垮梁子边坡 21 10 30.343 30 30 0.29 2 2 1 2
9 云南头寨沟边坡 21.5 15 29 41.5 123.6 0.36 2 2 2 1
此表中，“实际状态”即实际的边坡稳定性状态，根据表中的数据不难看出，MISSA-SVM模型的预测结果于实际的边坡稳定性状态完全相同；按照表中工程实例的序号，SSA-SVM模型在对第2、第7和第8个工程实例的边坡稳定性状态进行预测时出现错误，SSA-BP模型在对第3、第4和第9个工程实例的边坡稳定性状态进行预测时出现错误。因此，本发明提出的边坡稳定性预测方法拥有更好的准确性和适用性，能为边坡灾害防治提供借鉴指导意义。
需要说明的是，在一些情况下，在说明书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果，在本实施例当中，所给出的步骤顺序仅仅是为了使实施例看起来更加清晰明了，方便说明，而非对其限制。
综上所述，本发明在合理选取指标参数的基础上，利用一维SPM映射、自适应权重和正余弦策略、Levy飞行机制和步长因子动态调整策略等多种策略对麻雀搜索算法进行优化，进而得到了多策略改进麻雀搜索算法，解决了麻雀搜索算法收敛速度慢、精确度不高、易陷入局部最优等问题，提高麻雀搜索算法的性能；此外，本发明使用支持向量机能将低维样本数据映射到高维空间，充分发挥了支持向量机良好的分类性能，同时利用多策略改进麻雀搜索算法对支持向量机的惩罚因子和核函数参数进行寻优，进一步提升了支持向量机的分类性能；最后，基于多策略改进麻雀搜索算法和支持向量机相结合构建的边坡稳定性预测模型，该模型能够高效准确的对边坡稳定性进行预测，能为边坡灾害防治提供借鉴指导意义。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (10)

1.一种边坡稳定性预测方法，其特征在于，包括如下步骤：
选取影响边坡稳定性的指标参数，并确定边坡稳定性状态分类；
按照所述指标参数搜集边坡的边坡稳定性样本数据，进而建立边坡稳定性样本数据库；
对麻雀搜索算法进行改进得到多策略改进麻雀搜索算法；
利用所述多策略改进麻雀搜索算法对支持向量机超参数进行寻优，进而建立边坡稳定性预测模型；
按照所述边坡稳定性状态分类，利用所述边坡稳定性预测模型对所述边坡稳定性样本数据库中的边坡稳定性进行预测。
2.根据权利要求1所述的一种边坡稳定性预测方法，其特征在于，所述对麻雀搜索算法进行改进得到多策略改进麻雀搜索算法包括如下步骤：
利用一维SPM映射对麻雀种群进行初始化；
使用自适应权重和正余弦策略，对麻雀种群的发现者位置进行更新；
基于Levy飞行机制，对麻雀种群的追随者位置进行更新；
根据步长因子动态调整策略，对麻雀种群的警戒者位置进行更新；
在设置的迭代次数下以当前的所述发现者位置、所述追随者位置和所述警戒者位置为基础来获取下一次的所述发现者位置、所述追随者位置和所述警戒者位置，最终得到多策略改进麻雀搜索算法。
3.根据权利要求2所述的一种边坡稳定性预测方法，其特征在于：
所述支持向量机超参数包括惩罚因子和核函数参数；
所述利用所述多策略改进麻雀搜索算法对支持向量机超参数进行寻优，进而建立边坡稳定性预测模型包括如下步骤：
利用所述多策略改进麻雀搜索算法对所述惩罚因子和所述核函数参数进行寻优；
根据寻优的结果，利用所述多策略改进麻雀搜索算法和所述支持向量机建立所述边坡稳定性预测模型。
4.根据权利要求2所述的一种边坡稳定性预测方法，其特征在于，所述利用一维SPM映射对麻雀种群进行初始化包括如下步骤：
设定麻雀搜索算法的初始参数；
基于设定的所述初始参数，使用一维SPM映射对麻雀种群进行初始化。
5.根据权利要求4所述的一种边坡稳定性预测方法，其特征在于，所述使用自适应权重和正余弦策略，对麻雀种群的发现者位置进行更新包括如下步骤：
对正余弦算法中的步长搜索因子进行改进，得到非线性递减搜索因子，进而得到改进正余弦算法；
引入自适应权重，并利用所述改进正余弦算法和所述自适应权重对麻雀搜索算法中的原始发现者位置更新关系式进行改进，得到新发现者位置更新关系式；
利用所述新发现者位置更新关系式对所述发现者位置进行更新。
6.根据权利要求5所述的一种边坡稳定性预测方法，其特征在于，所述基于Levy飞行机制，对麻雀种群的追随者位置进行更新包括如下步骤：
确定麻雀搜索算法中的原始追随者位置更新关系式以及所述Levy飞行机制的随机步长；
利用所述随机步长对所述原始追随者位置更新关系式进行改进，得到新追随者位置更新关系式；
利用所述新追随者位置更新关系式对所述追随者位置进行更新。
7.根据权利要求6所述的一种边坡稳定性预测方法，其特征在于，所述根据步长因子动态调整策略，对麻雀种群的警戒者位置进行更新包括如下步骤：
确定麻雀搜索算法中的原始警戒者位置更新关系式，并对所述原始警戒者位置更新关系式中的步长因子参数进行动态调整，得到动态步长因子参数；
利用所述动态步长因子参数替换所述原始警戒者位置更新关系式中的步长因子参数，得到新警戒者位置更新关系式；
利用所述新警戒者位置更新关系式对所述警戒者位置进行更新。
8.根据权利要求5所述的一种边坡稳定性预测方法，其特征在于，所述新发现者位置更新关系式如下：
，
其中，为第t+1次迭代时麻雀种群中第i个发现者在第d维的位置，/>为所述自适应权重，/>为所述非线性递减搜索因子，/>和/>为/>之间的随机数，/>为麻雀种群中发现者的全局最优位置，/>为第t次迭代时麻雀种群中第i个发现者在第d维的位置，/>为预警值，/>为安全值。
9.根据权利要求6所述的一种边坡稳定性预测方法，其特征在于，所述新追随者位置更新关系式如下：
，
其中，为第t+1次迭代时麻雀种群中第i个追随者在第d维的位置，Q为服从正态分布的随机数，/>为第t次迭代时麻雀种群中发现者在第d维的全局最差位置，/>为第t次迭代时麻雀种群中第i个发现者在第d维的位置，/>为种群规模，/>为第t次迭代时麻雀种群中发现者在第d维的最佳位置，/>为所述随机步长。
10.根据权利要求7所述的一种边坡稳定性预测方法，其特征在于，所述动态步长因子参数满足如下关系：
，
，
其中，和/>为所述动态步长因子参数，/>为全局最优适应度，/>为全局最差适应度，/>为最大迭代次数，t为迭代次数，rand为服从随机分布的随机因子。
CN202311007311.6A 2023-08-11 2023-08-11 一种边坡稳定性预测方法 Pending CN116757093A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311007311.6A CN116757093A (zh) 2023-08-11 2023-08-11 一种边坡稳定性预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311007311.6A CN116757093A (zh) 2023-08-11 2023-08-11 一种边坡稳定性预测方法

Publications (1)

Publication Number Publication Date
CN116757093A true CN116757093A (zh) 2023-09-15

Family

ID=87948076

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311007311.6A Pending CN116757093A (zh) 2023-08-11 2023-08-11 一种边坡稳定性预测方法

Country Status (1)

Country Link
CN (1) CN116757093A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117388681A (zh) * 2023-12-07 2024-01-12 国网辽宁省电力有限公司 一种高压隔离开关故障诊断方法
CN117494282A (zh) * 2023-11-23 2024-02-02 桂林理工大学 基于参数优化的边坡稳定性预测方法、系统、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103207952A (zh) * 2013-04-23 2013-07-17 华北科技学院 一种边坡位移预测方法
CN114819349A (zh) * 2022-04-28 2022-07-29 河北工业大学 一种多微网系统的主动配电网能量分层管理优化方法
CN115307687A (zh) * 2022-09-29 2022-11-08 四川省公路规划勘察设计研究院有限公司 一种边坡稳定性监测方法、系统、存储介质及电子设备
CN116436354A (zh) * 2023-04-12 2023-07-14 西安黄河机电有限公司 一种基于改进鲸鱼算法和bp-pid的永磁同步电机控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103207952A (zh) * 2013-04-23 2013-07-17 华北科技学院 一种边坡位移预测方法
CN114819349A (zh) * 2022-04-28 2022-07-29 河北工业大学 一种多微网系统的主动配电网能量分层管理优化方法
CN115307687A (zh) * 2022-09-29 2022-11-08 四川省公路规划勘察设计研究院有限公司 一种边坡稳定性监测方法、系统、存储介质及电子设备
CN116436354A (zh) * 2023-04-12 2023-07-14 西安黄河机电有限公司 一种基于改进鲸鱼算法和bp-pid的永磁同步电机控制方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
刘芃良: "绝缘子污秽等级的图像识别关键技术研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, pages 042 - 101 *
李爱莲 等: "融合正余弦和柯西变异的麻雀搜索算法", 计算机工程与应用, pages 91 - 99 *
毛清华 等: "混合正弦余弦算法和Lévy飞行的麻雀算法", 山西大学学报(自然科学版), pages 2 *
金爱兵 等: "基于SSA-SVM的边坡失稳智能预测及预警模型", 华中科技大学学报(自然科学版), pages 142 - 148 *
马纪梅 等: "基于改进麻雀搜索算法的微网容量优化配置", 电子测量技术, pages 3 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117494282A (zh) * 2023-11-23 2024-02-02 桂林理工大学 基于参数优化的边坡稳定性预测方法、系统、设备及介质
CN117388681A (zh) * 2023-12-07 2024-01-12 国网辽宁省电力有限公司 一种高压隔离开关故障诊断方法

Similar Documents

Publication Publication Date Title
CN116757093A (zh) 一种边坡稳定性预测方法
Kardani et al. Improved prediction of slope stability using a hybrid stacking ensemble method based on finite element analysis and field data
Sharmin et al. Simultaneous feature selection and discretization based on mutual information
Ishwaran et al. Standard errors and confidence intervals for variable importance in random forest regression, classification, and survival
Lin et al. Evaluation and prediction of slope stability using machine learning approaches
Lerch et al. Forecaster's dilemma: extreme events and forecast evaluation
Datta et al. On measuring the variability of small area estimators under a basic area level model
Lin et al. Comparative performance of eight ensemble learning approaches for the development of models of slope stability prediction
CN103268420B (zh) 一种岩石高边坡的危险性评价方法
CN104199923B (zh) 基于最优k均值哈希算法的大规模图像库检索方法
CN110866030A (zh) 一种基于无监督学习的数据库异常访问检测方法
CN102072922A (zh) 基于粒子群优化神经网络模型的木材含水率检测方法
Basudhar et al. Reliability assessment using probabilistic support vector machines
Ma et al. Automated machine learning-based landslide susceptibility mapping for the Three Gorges Reservoir area, China
CN116611002A (zh) 一种基于鲸鱼算法优化支持向量机的边坡安全系数预测方法
Kurtovié et al. Umbrella sampling molecular dynamics study of the dielectric constant of water
Kim et al. Application of classification coupled with PCA and SMOTE, for obtaining safety factor of landslide based on HRA
Chen et al. A new evaluation method for slope stability based on TOPSIS and MCS
CN113486591A (zh) 一种卷积神经网络结果的重力多参量数据密度加权反演方法
Wang et al. Integrating mach number prediction with outlier detection for wind tunnel systems
Nandram et al. A Bayesian test of independence in a two-way contingency table using surrogate sampling
Hua-Yan et al. Accelerating EM missing data filling algorithm based on the k-means
CN116842818A (zh) 基于鹈鹕优化算法的结构面产状分组方法
Li et al. GLDH: Toward more efficient global low-density locality-sensitive hashing for high dimensions
Arab et al. Enhancing weighted uniform simulation for structural reliability analysis

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