CN117312951A - 基于平均独赖性估计与增量学习的岩爆分类模型生成方法 - Google Patents
基于平均独赖性估计与增量学习的岩爆分类模型生成方法 Download PDFInfo
- Publication number
- CN117312951A CN117312951A CN202311267881.9A CN202311267881A CN117312951A CN 117312951 A CN117312951 A CN 117312951A CN 202311267881 A CN202311267881 A CN 202311267881A CN 117312951 A CN117312951 A CN 117312951A
- Authority
- CN
- China
- Prior art keywords
- rock burst
- model
- classification
- parameters
- rock
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 170
- 238000013145 classification model Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000012795 verification Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims description 4
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000006378 damage Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 238000010801 machine learning Methods 0.000 description 4
- 239000004575 stone Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于平均独赖性估计与增量学习的岩爆烈度分类模型生成方法，包括步骤：S1、选定分类模型的相关输入参数；S2、构建岩爆数据集；S3、建立基于平均独赖性估计与增量学习算法的岩爆分类模型，包括训练后的平均独赖性估计模型和分类初始模型；S4、将训练集输入平均独赖性估计模型进行参数初始修正，得岩爆分类初始模型；通过添加增量数据对分类初始模型进行训练及优化，得岩爆分类优化模型；S5、采用n倍交叉验证对岩爆分类优化模型进行验证，得岩爆分类验证模型；S6、将测试集输入岩爆分类验证模型进行测试，生成岩爆分类模型。本发明能够提高岩爆烈度分类的及时性和有效客观性，避免了现场测量给工作人员带来的危害。
Description
技术领域
本发明属于隧道岩爆预测和防治技术领域，特别涉及基于平均独赖性估计与增量学习的岩爆分类模型生成方法。
背景技术
岩爆是地下工程施工中常见的一种危险现象，其发生过程中会造成大规模的土石崩塌，导致山体崩溃，石块和碎石四处飞溅，瞬间释放出巨大的能量，同时可能引发地下涌突水等次生灾害。其突发性和破坏性往往给工程师和工作人员带来巨大的风险，因此，准确地预测和分类隧道岩爆烈度对隧道工程的安全和顺利进行具有重要意义。
为了有效预防和控制隧道岩爆事故，研究人员一直致力于开发可靠的岩爆分类模型。机器学习是一种基于数据和模式识别的方法，通过学习大量的历史数据和特征建立预测分类模型，并根据新的数据进行岩爆预测和烈度分类。随着机器学习技术的快速发展，越来越多的研究者开始探索如何利用机器学习方法来建立岩爆分类模型，从而进一步识别和预测隧道岩爆的发生概率和严重程度。
目前，已有基于机器学习的方法用于隧道岩爆的分类的相关报道，但均存在分类准确率不高和模型稳定性差的问题。另外，传统的分类算法往往依赖于全局特征和静态数据，新数据的加入导致分类模型需要重新训练，一定程度上增加了岩爆烈度分类的工作量；其次，现有的分类模型通常需要大量的训练数据和计算资源，对于实际工程项目来说，收集和处理这些数据可能是困难和昂贵的。
发明内容
针对背景技术中存在的问题，本发明的目的在于提供了一种基于平均独赖性估计与增量学习的岩爆分类模型生成方法。
为了实现上述目的，本发明采用了如下技术方案：
基于平均独赖性估计与增量学习的岩爆分类模型生成方法，包括以下步骤：
S1、依据隧道岩爆现场岩石的物理力学性质，选定分类模型的相关输入参数；
S2、根据所述相关输入参数收集岩爆参数数据，构建岩爆数据集，并划分为训练集和测试集；
S3、建立基于平均独赖性估计与增量学习算法的岩爆分类模型，所述岩爆分类模型包括平均独赖性估计模型和分类初始模型；
S4、将训练集输入岩爆分类模型中的平均独赖性估计模型进行参数初始修正，得到岩爆分类初始模型；然后通过添加增量数据对所述分类初始模型进行训练及优化，得到岩爆分类优化模型；
S5、采用n倍交叉验证对所述岩爆分类优化模型进行验证，得到岩爆分类验证模型；
S6、将所述测试集输入岩爆分类验证模型进行模型测试，得到最终的岩爆分类模型。
优选地，步骤S1中，所述相关输入参数包括切向应力σθ、抗拉强度σt、抗压强度σc、应力系数σθ/σc、脆性系数σc/σt、弹性能量指数Wet。
优选地，步骤S2中，所述收集的岩爆参数数据均来自真实岩爆案例，并将其中80％的案例数据作为训练集，20％的案例数据作为测试集。
优选地，所述输入参数采用皮尔逊相关系数法分析训练集中某两个岩爆参数数据的相关性，若所述两个岩爆参数之间的相关性较大，则应采取措施降低参数间的相关依赖性。
优选地，所述采用皮尔逊相关系数法分析训练集中某两个岩爆参数数据的相关性，具体包括以下步骤：
S21、将某两个岩爆参数的数据绘制成散点图，其中，横轴和纵轴分别表示所述两个参数，初步观察所述两个参数间的关系趋势；
S22、使用如下式(1)所示的皮尔逊相关系数公式计算所述某两个参数的相关性系数，皮尔逊相关系数介于-1到1之间，1表示完全正相关，0表示不相关，-1表示完全负相关；
其中，ρ为两个变量间的相关系数，X、Y为某两个变量，XY为变量的乘积，E为相应变量的期望值；
S2.3、计算所述相关性系数的显著性水平，若所得显著性水平小于设定的显著性水平，则认为所述某两个参数间的相关性显著。
优选地，步骤S3中，所述增量学习算法模型在所述平均独赖性估计模型完成训练后加入。
优选地，训练所述平均独赖性估计模型，包括以下步骤：
S31、将训练集分成无岩爆、弱岩爆、中等岩爆和强岩爆4个不同的类别，计算所述每个类别的样本数Ni占训练集总数N的比例，即先验概率p(c)，具体如下式(2)表示：
S32、估计每个特征与其他特征之间的依赖关系，对于每个参数特征，使用已估计的依赖关系来计算每个特征在给定类别下的条件概率P(xi|c)，具体如下式(3)表示：
S33、加入一个新的观测数据，对于所述新的观测数据的特征值，使用先验概率和条件概率计算每个类别的后验概率，并依据最大后验概率类别进行岩爆烈度分类，具体如下式(4)表示：
优选地，所述条件概率采用Laplace平滑进行平滑处理，即在所述的计算公式中采取分子加1，分母加k的操作，k表示类别数目。
优选地，步骤S4中，所述将训练集输入到平均独赖性估计模型进行参数初始修正，具体步骤：首先随机设置平均独赖性估计模型的参数，或者根据经验设置所述模型参数的(大概)数值，然后使用训练集(连续不断地)训练平均独赖性估计(预设)模型，此时不需要对平均独赖性估计(预设)模型的参数进行人为修改，而是在训练过程中，所述(预设)模型自行学习修改，不断修正参数，最终得到岩爆分类初始模型。
优选地，步骤S4中，通过添加增量数据对所述分类初始模型进行训练及优化，具体步骤为：将平均独赖性估计模型训练后的参数作为初始修正参数，所述增量学习算法加入模型后通过学习增量数据来更新所述模型的初始修正参数，使用所述增量数据对模型进行优化，得到岩爆分类优化模型。
优选地，步骤S5中，所述采用n倍交叉验证对岩爆分类优化模型进行验证，具体步骤为：将岩爆案例训练集划分为n个子集，其中n-1个子集用于训练所述岩爆分类优化模型，剩下的1个子集用于验证模型，根据验证集的预测值与实际值的偏差，对所述岩爆分类优化模型进行再次优化，得到岩爆分类验证模型。
优选地，步骤S6中，将所述测试集输入岩爆分类验证模型进行模型测试，具体步骤为：将所述测试集输入再次优化的岩爆分类验证模型中，测试所述岩爆分类模型输出的结果是否准确；当所述岩爆分类模型输出的预测结果较低时，打乱所述岩爆案例数据集，重新划分训练集和测试集的比例，重复步骤S3、步骤S4和步骤S5，直到所述岩爆分类验证模型输出的预测结果可靠且有效。
本发明具备如下有益效果：
(1)本发明通过引入平均独赖性估计和增量学习的方法，能够准确地对隧道岩爆进行分类，提高分类准确率和稳定性；
(2)本发明方法所生成的模型具有较好的实时性和适应性，只需要使用新数据进行模型更新，避免了重新训练整个模型的开销，从而节省了计算资源和时间；
(3)本发明方法所生成的模型允许灵活地添加、删除和调整模型中的特征，可以根据新的数据情况进行动态调整，从而提高模型的灵活性和可扩展性；
(4)本发明方法所生成的模型虑了输入参数间的相关性，且对小样本数据集具有较好的适用性。因此，本发明的隧道岩爆分类模型具有广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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为基于平均独赖性估计与增量学习的岩爆分类模型生成方法的流程示意图；
图2为采用皮尔逊相关系数法分析某两个岩爆参数数据的相关性的流程示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。
实施例1
参照图1，基于平均独赖性估计与增量学习的岩爆分类模型生成方法，包括以下步骤：
基于平均独赖性估计与增量学习的岩爆分类模型生成方法，包括以下步骤：
S1、依据隧道岩爆现场岩石的物理力学性质，选定分类模型的相关输入参数；
具体地，相关输入参数包括切向应力σθ、抗拉强度σt、抗压强度σc、应力系数σθ/σc、脆性系数σc/σt、弹性能量指数Wet；其中，切向应力σθ用于反映地应力的特征；抗拉强度σt和抗压强度σc分别用于反映非均质性岩石的岩性特征；弹性能量指数Wet用于反映岩石储存应变能的能力，因此上述选定的相关输入参数在解释岩爆方面更具代表性，更易实现岩爆分类。
S2、根据相关输入参数收集岩爆参数数据，构建岩爆数据集，并将其划分为训练集和测试集；
具体地，收集的岩爆参数数据来自均来自(世界各地的)真实岩爆案例，并将真实案例数据的80％作为训练集，真实案例数据的20％作为测试集。
其中，根据相关输入参数收集岩爆参数数据，具体地相关输入参数采用皮尔逊相关系数法分析某两个岩爆参数数据的相关性，若两个岩爆参数数据之间的相关性较大，则应采取措施降低岩爆参数之间的相关依赖性。
参照图2，具体地，采用皮尔逊相关系数法分析(训练集中)某两个岩爆参数数据的相关性，具体包括以下步骤：
S21、将某两个岩爆参数的数据绘制成散点图，其中，横轴和纵轴分别表示两个参数，初步观察两个参数间的关系趋势；
S22、使用如下式(1)所示的皮尔逊相关系数公式计算某两个岩爆参数的相关性系数，皮尔逊相关系数介于-1到1之间，1表示完全正相关，0表示不相关，-1表示完全负相关；
其中，ρ为两个变量间的相关系数，X、Y为某两个变量，XY为变量的乘积，E为相应变量的期望值；
S2.3、计算相关性系数的显著性水平，若所得显著性水平小于设定的显著性水平，则认为某两个岩爆参数间的相关性显著。
S3、建立基于平均独赖性估计与增量学习算法的岩爆分类模型；
该岩爆分类模型包括训练后的平均独赖性估计模型和分类初始模型，增量学习算法模型在平均独赖性估计模型完成训练后加入组成岩爆分类模型；
具体地，对平均独赖性估计模型训练，包括以下步骤：
S31、将训练集分成无岩爆、弱岩爆、中等岩爆和强岩爆4个不同的类别，计算每个类别的样本数Ni占训练集总数N的比例，即先验概率p(c)，具体如下式(2)表示：
S32、估计每个特征与其他特征之间的依赖关系，对于每个参数特征，使用已估计的依赖关系来计算每个特征在给定类别下的条件概率p(xi|c)，具体如下式(3)表示：
上述条件概率采用Laplace平滑进行平滑处理，即在计算公式中采取分子加1，分母加k的操作，k表示类别数目。避免了某些特征的概率为0的情况，保证了每个概率值都在0到1的范围内，实现了平均独赖性估计算法的优化；
S33、加入一个新的观测数据，对于新的观测数据的特征值，使用先验概率和条件概率计算每个类别的后验概率p(c|x)，并依据最大的后验概率类别进行岩爆烈度分类，具体如下式(4)表示：
S4、将训练集输入岩爆分类模型中的平均独赖性估计模型进行参数初始修正，得到岩爆分类初始模型；然后通过添加增量数据对分类初始模型进行训练及优化，得到岩爆分类优化模型；
具体地，首先将训练集输入到平均独赖性估计模型进行参数初始修正，具体步骤：首先随机设置平均独赖性估计模型的参数，或者根据经验设置模型参数的(大概)数值，然后使用训练集(连续不断地)训练平均独赖性估计(预设)模型，此时不需要对平均独赖性估计(预设)模型的参数进行人为修改，而是在训练过程中，(预设)模型自行学习修改，不断修正参数，最终得到岩爆分类初始模型。
然后，通过添加增量数据对分类初始模型进行训练及优化，具体步骤为：将平均独赖性估计模型训练后的参数作为初始修正参数，增量学习算法加入模型后通过学习增量数据来更新模型的初始修正参数，使用增量数据对模型进行优化，得到岩爆分类优化模型。
S5、采用n倍交叉验证对岩爆分类优化模型进行验证，得到岩爆分类验证模型；
具体地，采用n倍交叉验证对岩爆分类优化模型进行验证，具体步骤为：将岩爆案例训练集划分为n个子集，其中n-1个子集用于训练岩爆分类优化模型，剩下的1个子集用于验证模型，根据验证集的预测值与实际值的偏差，对岩爆分类优化模型进行再次优化，得到岩爆分类验证模型；
S6、将测试集输入岩爆分类验证模型进行模型测试，得到最终的岩爆分类模型。
步骤S6中，将测试集输入岩爆分类验证模型进行模型测试，具体步骤为：将测试集输入再次优化的岩爆分类验证模型中，测试岩爆分类模型输出的结果是否准确；当岩爆分类模型输出的预测结果较低时，打乱岩爆案例数据集，重新划分训练集和测试集的比例，重复步骤S3、步骤S4和步骤S5，直到岩爆分类验证模型输出的预测结果可靠且有效。
本发明不局限于上述具体的实施方式，本领域的普通技术人员从上述构思出发，不经过创造性的劳动，所做出的种种变换，均落在本发明的保护范围之内。
Claims (8)
1.基于平均独赖性估计与增量学习的岩爆分类模型生成方法，其特征在于，包括以下步骤：
S1、依据隧道岩爆现场岩石的物理力学性质，选定分类模型的相关输入参数；
S2、根据所述相关输入参数收集岩爆参数数据，构建岩爆数据集，并划分为训练集和测试集；
S3、建立基于平均独赖性估计与增量学习算法的岩爆分类模型，所述岩爆分类模型包括训练后的平均独赖性估计模型和分类初始模型；
S4、将训练集输入岩爆分类模型中的平均独赖性估计模型进行参数初始修正，得到岩爆分类初始模型；然后通过添加增量数据对所述分类初始模型进行训练及优化，得到岩爆分类优化模型；
S5、采用n倍交叉验证对所述岩爆分类优化模型进行验证，得到岩爆分类验证模型；
S6、将所述测试集输入岩爆分类验证模型进行模型测试，生成得到最终的岩爆分类模型。
2.根据权利要求1所述的基于平均独赖性估计与增量学习的岩爆分类模型生成方法，其特征在于，步骤S1中，所述相关输入参数包括切向应力σθ、抗拉强度σt、抗压强度σc、应力系数σθ/σc、脆性系数σc/σt、弹性能量指数Wet。
3.根据权利要求1所述的基于平均独赖性估计与增量学习的岩爆分类模型生成方法，其特征在于，步骤S2中，所述岩爆参数数据来自均来自真实岩爆案例；所述根据相关输入参数收集岩爆参数数据，具体地相关输入参数采用皮尔逊相关系数法分析某两个岩爆参数数据的相关性，若两个岩爆参数数据之间的相关性较大，则应采取措施降低岩爆参数之间的相关依赖性。
4.根据权利要求3所述的基于平均独赖性估计与增量学习的岩爆分类模型生成方法，其特征在于，所述采用皮尔逊相关系数法分析某两个岩爆参数数据的相关性，具体包括以下步骤：
S21、将某两个岩爆参数的数据绘制成散点图，其中，横轴和纵轴分别表示两个参数，初步观察两个参数间的关系趋势；
S22、使用如下式(1)所示的皮尔逊相关系数公式计算某两个岩爆参数的相关性系数，皮尔逊相关系数介于-1到1之间，1表示完全正相关，0表示不相关，-1表示完全负相关；
其中，ρ为两个变量间的相关系数，X、Y为某两个变量，XY为变量的乘积，E为相应变量的期望值；
S23、计算相关性系数的显著性水平，若所得显著性水平小于设定的显著性水平，则认为某两个岩爆参数间的相关性显著。
5.根据权利要求1所述的基于平均独赖性估计与增量学习的岩爆分类模型生成方法，其特征在于，步骤S3中，所述增量学习算法模型在平均独赖性估计模型完成训练后加入组成岩爆分类模型；具体地对平均独赖性估计模型训练，包括以下步骤：
S31、将训练集分成无岩爆、弱岩爆、中等岩爆和强岩爆4个不同的类别，计算每个类别的样本数Ni占训练集总数N的比例，即先验概率p(c)，具体如下式(2)表示：
S32、估计每个特征与其他特征之间的依赖关系，对于每个参数特征，使用已估计的依赖关系来计算每个特征在给定类别下的条件概率p(xi|c)，具体如下式(3)表示：
所述条件概率采用Laplace平滑进行平滑处理，即在计算公式中采取分子加1，分母加k的操作，k表示类别数目；
S33、加入一个新的观测数据，对于新的观测数据的特征值，使用先验概率和条件概率计算每个类别的后验概率p(c|x)，并依据最大的后验概率类别进行岩爆烈度分类，具体如下式(4)表示：
6.根据权利要求1所述的基于平均独赖性估计与增量学习的岩爆分类模型生成方法，其特征在于，步骤S4中，通过添加增量数据对所述分类初始模型进行训练及优化，具体步骤为：将平均独赖性估计模型训练后的参数作为初始修正参数，所述增量学习算法加入模型后通过学习增量数据来更新所述模型的初始修正参数，使用所述增量数据对模型进行优化，得到岩爆分类优化模型。
7.根据权利要求1所述的基于平均独赖性估计与增量学习的岩爆分类模型生成方法，其特征在于，步骤S5中，所述采用n倍交叉验证对岩爆分类优化模型进行验证，具体步骤为：将岩爆案例训练集划分为n个子集，其中n-1个子集用于训练所述岩爆分类优化模型，剩下的1个子集用于验证模型，根据验证集的预测值与实际值的偏差，对所述岩爆分类优化模型进行再次优化，得到岩爆分类验证模型。
8.根据权利要求1所述的基于平均独赖性估计与增量学习的岩爆分类模型生成方法，其特征在于，步骤S6中，将所述测试集输入岩爆分类验证模型进行模型测试，具体步骤为：将所述测试集输入再次优化的岩爆分类验证模型中，测试所述岩爆分类模型输出的结果是否准确；当所述岩爆分类模型输出的预测结果较低时，打乱所述岩爆案例数据集，重新划分训练集和测试集的比例，重复步骤S3、步骤S4和步骤S5，直到所述岩爆分类验证模型输出的预测结果可靠且有效。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311267881.9A CN117312951A (zh) | 2023-09-27 | 2023-09-27 | 基于平均独赖性估计与增量学习的岩爆分类模型生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311267881.9A CN117312951A (zh) | 2023-09-27 | 2023-09-27 | 基于平均独赖性估计与增量学习的岩爆分类模型生成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117312951A true CN117312951A (zh) | 2023-12-29 |
Family
ID=89287914
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311267881.9A Pending CN117312951A (zh) | 2023-09-27 | 2023-09-27 | 基于平均独赖性估计与增量学习的岩爆分类模型生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117312951A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112034139A (zh) * | 2020-09-08 | 2020-12-04 | 矿冶科技集团有限公司 | 岩爆倾向性等级的判别方法、装置及电子设备 |
| CN112949202A (zh) * | 2021-03-19 | 2021-06-11 | 交通运输部科学研究院 | 一种基于贝叶斯网络的岩爆概率预测方法 |
| CN113076700A (zh) * | 2021-04-27 | 2021-07-06 | 昆明理工大学 | 一种基于数据分析原理的svm-lda岩爆机器学习预测模型方法 |
| CN114662405A (zh) * | 2022-04-12 | 2022-06-24 | 中南大学 | 基于少样本度量和集成学习的岩爆预测方法 |
-
2023
- 2023-09-27 CN CN202311267881.9A patent/CN117312951A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112034139A (zh) * | 2020-09-08 | 2020-12-04 | 矿冶科技集团有限公司 | 岩爆倾向性等级的判别方法、装置及电子设备 |
| CN112949202A (zh) * | 2021-03-19 | 2021-06-11 | 交通运输部科学研究院 | 一种基于贝叶斯网络的岩爆概率预测方法 |
| CN113076700A (zh) * | 2021-04-27 | 2021-07-06 | 昆明理工大学 | 一种基于数据分析原理的svm-lda岩爆机器学习预测模型方法 |
| CN114662405A (zh) * | 2022-04-12 | 2022-06-24 | 中南大学 | 基于少样本度量和集成学习的岩爆预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 袁继来等: "岩爆可能性估计的贝叶斯网络方法", 《2010 3RD INTERNATIONAL CONFERENCE ON COMPUTATIONAL INTELLIGENCE AND INDUSTRIAL APPLICATION》, 31 December 2010 (2010-12-31), pages 92 - 95 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020125668A1 (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
| CN103226741B (zh) | 城市供水管网爆管预测方法 | |
| CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
| CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
| CN107480698A (zh) | 基于多个监测指标的质量控制方法 | |
| CN112949202A (zh) | 一种基于贝叶斯网络的岩爆概率预测方法 | |
| CN111178621A (zh) | 一种电采暖负荷预测支持向量回归机模型的参数优化方法 | |
| CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
| CN112948932A (zh) | 一种基于TSP预报数据与XGBoost算法的围岩等级预测方法 | |
| 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 | |
| CN113094860A (zh) | 一种基于注意力机制的工控网络流量建模方法 | |
| Shu et al. | A multi-task learning-based automatic blind identification procedure for operational modal analysis | |
| CN108280289B (zh) | 基于局部加权c4.5算法的冲击地压危险等级预测方法 | |
| CN115017791A (zh) | 隧道围岩级别识别方法和装置 | |
| CN115049124A (zh) | 一种基于贝叶斯网络的深长隧道突涌水预测方法 | |
| CN104732067A (zh) | 一种面向流程对象的工业过程建模预测方法 | |
| CN115481565A (zh) | 一种基于lstm和蚁群算法的土压平衡盾构机掘进参数预测方法 | |
| Sandhu et al. | A comparative analysis of conjugate gradient algorithms & PSO based neural network approaches for reusability evaluation of procedure based software systems | |
| CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
| CN110489844A (zh) | 一种适用于软岩隧道不均匀大变形等级预测方法 | |
| CN112926267B (zh) | 一种基于掘进参数反演的tbm隧道岩爆等级预测方法及系统 | |
| CN117312951A (zh) | 基于平均独赖性估计与增量学习的岩爆分类模型生成方法 | |
| CN116911148A (zh) | 一种沉积盆地建筑群震害评估方法及评估系统 | |
| CN113762394B (zh) | 一种爆破块度预测方法 | |
| CN115330085A (zh) | 基于深度神经网络且无未来信息泄露的风速预测方法 |
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 |