CN103530525B - 一种提高尾矿坝基于库水位的风险评估精准性的方法 - Google Patents
一种提高尾矿坝基于库水位的风险评估精准性的方法 Download PDFInfo
- Publication number
- CN103530525B CN103530525B CN201310511127.5A CN201310511127A CN103530525B CN 103530525 B CN103530525 B CN 103530525B CN 201310511127 A CN201310511127 A CN 201310511127A CN 103530525 B CN103530525 B CN 103530525B
- Authority
- CN
- China
- Prior art keywords
- reservoir level
- dam body
- function
- composite signal
- risk status
- 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.)
- Expired - Fee Related
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种提高尾矿坝基于库水位的风险评估精准性的方法。该方法具体包括:1.对坝体的库水位和风险状态信息进行实时采集和预处理;2.建立库水位和坝体风险状态信息间可能存在的复杂多变性函数关系;3.利用基于相似性测度的加权融合方法对多个函数关系进行融合处理;4.对融合函数进行凸化处理,利用可能性均值和方差获得坝体的风险状态值区间,对坝体进行风险评估,并发布危险等级。本发明的提高尾矿坝风险评估精准性的方法,具有精准性高、工程应用前景广以及便于在***模块上实现的优点。
Description
技术领域
本发明涉及一种提高尾矿坝基于库水位的风险评估精准性的方法,具体为提高尾矿坝基于库水位的风险评估精准性的方法。
背景技术
尾矿坝作为一个重大的人造危险源,对附近的村庄、企业以及居民等都是一个潜在的威胁。尾矿坝一旦溃坝,不仅涉及到矿山自身的生产安全,更关系到周边及其下游居民的生命财产安危,极易造成重大、特大事故,严重威胁着社会的安全稳定。
库水位作为尾矿坝最重要的监测指标,其位置高低严重影响着坝体的风险状态。在尾矿坝实际运行中,对库水位指标进行实时监测,并研究其对坝体风险状态的影响,是确保尾矿坝安全运行的必要措施。但由于坝体结构的动态性、环境的强干扰性及监测***本身的局限性等常常使采集的库水位信息具有很大的模糊、随机等不确定性。另外,坝体的风险状态也是动态变化的,导致库水位与坝体风险状态间的函数关系是复杂多变的。该复杂多变主要体现在两个方面:第一,在同一时刻,两者间可能存在多个函数关系,且具有并存性;第二,随时间的变化,两者间的函数关系也在变化,而不是单一的。所以利用单一的函数无法描述这种复杂多变的关系,从而造成坝体风险评估的误判、错判,大大降低了评估的精准性。因此,通过研究两者间的多变性函数关系,把溃坝事故控制在萌芽状态需要有效的、合理的、高精准性的坝体风险评估方法。
现有基于库水位的坝体风险评估中,大多文献对库水位的重要性进行了说明。但总体来说,不是用单一的流体力学函数来表示两者间的关系,就是侧重于库水位与其他监测指标(如浸润线、坝***移、干滩长度)间的权值确定,而针对库水位与坝体风险间多变性关系的研究鲜有涉及。目前,有研究提出通过随机集可建立***风险评估中两类集间的函数关系,但其置信水平的选取是有限的;也有学者在随机集的基础上,提出了可能性集值映射来解决置信水平有限的问题。另外,可能性理论作为一种新的不确定性推理方法,其可能性分布还可以很好地表征库水位及坝体风险状态信息的随机、模糊等不确定性,为尾矿坝风险评估提供了更准确的描述方法。因此,通过可能性集值映射及各映射间的加权融合,提高风险评估的精准性具有重要的科学依据和现实意义。
库水位的监测是由尾矿坝在线监测***来完成的。在线监测***主要由库水位监测子***、浸润线监测子***、干滩长度监测子***,坝***移监测子***与视频监测子***等组成。代表性的研究内容涉及各子***中传感器材料及信号采集***的研制、综合管理模块的安全运行、数据采集模块的自检、采集与储存、数据通讯模块的传输、数据处理模块的可靠性与稳定性以及监测预警模块的预警等方面。实现***的一体化、远程、实时、自动分析与评估、智能化是尾矿坝在线监测***的发展趋势。不容质疑的是,这些技术的发展虽然一定程度上提高了坝体风险评估的精准性,但未从问题的根本出发,即未找到各单指标与坝体风险状态间存在的多变性关系;未利用多变性关系对坝体进行评估,造成了风险评估的误判、错判,大大降低了评估的精准性,严重影响了评估效果。
综合考虑以上情况可以看出,急需一种方法来专门用于解决库水位与坝体风险状态间的多变性关系及库水位对坝体的影响,以完善尾矿坝在线监测***的风险评估能力。
发明内容
本发明为了解决现有尾矿坝风险评估中因单一函数无法有效描述库水位与坝体风险状态间的复杂关系所导致的风险评估精准性低的问题,提供了一种提高尾矿坝基于库水位的风险评估精准性的方法。
本发明是采用如下的技术方案实现的:一种提高尾矿坝基于库水位的风险评估精准性的方法,包括以下步骤:
利用尾矿坝的库水位监测子***对库水位监测信息x′进行实时采集,并将库水位监测信息x′转化为高斯随机模糊变量转换方法为:在相同时间间隔△t内连续记录库水位监测信息x′,进行k次,每次记录信息20~30次,每次记录的库水位监测信息x′记为一组,将每组库水位监测信息进行标准化得到库水位标准化信息x,计算每组库水位标准化信息x的均值Mk和方差σk,构建库水位高斯随机变量将均值Mk转化为三角模糊数三角模糊数可能性分布函数为且bk=ck,ak为最小的均值,dk为最大的均值,bk,ck为数量最多的可能性均值,将库水位高斯随机变量xk转化成高斯随机模糊变量s为三角模糊数取值空间;
利用专家***对采集的库水位监测信息x′进行分析,获得坝体风险状态信息yk,并将其转化为梯形随机模糊变量转换方法为:由专家***根据坝体的安全评判标准利用层次分析法对与k组库水位监测信息x′同一时间段内的坝体状态进行评判,获得k组库水位监测信息对应的k组坝体风险状态信息yk,将k组坝体风险状态信息yk转化为梯形随机模糊变量即坝体风险状态信息为梯形随机模糊变量其中,a′k、b′k、c′k、d′k由专家***确定;
建立高斯随机模糊变量与梯形随机模糊变量间的多变性函数,将k组高斯随机模糊变量和k组梯形随机模糊变量分别用可能性合成规则进行合成,得到库水位监测合成信息和坝体风险状态合成信息 式中∨为取大运算符,然后确定库水位监测合成信息和坝体风险状态合成信息的落影:式中λ∈[0,1]和Aλ分别为库水位监测合成信息的置信水平和落影;α∈[0,1]和Bα分别为坝体风险状态合成信息的置信水平和落影,利用扩张原理建立库水位监测合成信息和坝体风险状态合成信息的联合落影:式中∪为并运算符,Y为坝体风险状态信息yk的取值空间,为库水位监测合成信息落影Aλ的补,获得合成后的库水位监测合成信息和坝体风险状态合成信息间的联合函数关系π′ζ(x,y);库水位标准化信息x在取值空间X内不唯一时,即其取值是变化的,则用模糊集x0∈X来表示库水位标准化信息x,将π′ζ(x0,y)进行标准化处理,获得库水位监测合成信息与坝体风险状态合成信息的多变性函数关系:πζ(x0,y)=(1-A(x0))∨A(x0)B(y),式中
利用基于相似性测度的加权融合法对上述多变性函数πζ(x0,y)中的函数进行融合处理,融合方法为:当λ、α取值不同时,得到的库水位监测合成信息与坝体风险状态合成信息间的可能性函数也不同,从多变性函数πζ(x0,y)中选取n个可能性函数π1,π2,…,πn,计算n个函数中两两函数间的相似性测度,,式中,i,j=1,2,…,n,且i≠j,分别为函数πi和πj的重心;Pl(πi)、A(πi)分别为函数πi的周长和面积,Pl(πj)、A(πj)分别为函数πj的周长和面积;分别为函数πi和πj的最大值,建立相似性测度S(πi,πj)的相似性矩阵D,根据相似性矩阵D计算各可能性函数的信任度βi,将其作为第i个可能性函数πi的权值,进行加权融合,得到融合函数
对融合函数πF(x0,y)进行凸化处理,计算出凸化处理后函数的可能性均值M和可能性方差σ2,给出坝体的风险状态值区间[M-σ,M+σ],根据划分尾矿坝的危险等级方法,得出坝体危险等级。
本发明首先监测了k组库水位监测信息x′,为统一量纲,将其进行标准化,求得库水位标准化信息x的均值Mk和方差σk,构建库水位高斯随机变量特别得将均值Mk转化为三角模糊数将库水位标准化信息x为高斯随机模糊变量再利用专家***对采集的库水位监测信息x′进行分析,获得坝体风险状态信息yk,并将其转化为梯形随机模糊变量将获得的高斯随机模糊变量和梯形随机模糊变量合成库水位与坝体风险状态间的多变性函数πζ(x0,y)=(1-A(x0))∨A(x0)B(y),然后再计算多变性函数πζ(x0,y)=(1-A(x0))∨A(x0)B(y)中两两函数之间的相似度,计算出各函数的信任度βi,对多变性函数πζ(x0,y)=(1-A(x0))∨A(x0)B(y)中的函数进行加权融合,得到融合函数再对融合函数凸化处理后,得到凸化处理后函数的可能性均值M和可能性方差σ2,给出坝体的风险状态值区间[M-σ,M+σ],便可根据划分尾矿坝的危险等级方法,得出尾矿坝的风险等级;将库水位监测信息和坝体风险状态信息分别转化成三角随机模糊变量和梯形随机变量,不仅描述了信息的随机性,而且也描述了其模糊性,使信息的描述更准确,为两者间映射关系的建立提供了更准确的信息,利用可能性集值映射建立库水位监测信息和坝体风险状态信息间的多变性函数关系,可以从不同的侧面来反映坝体的风险状态,不仅解决了单一映射关系无法描述这种复杂关系的问题,而且提高了坝体风险评估的精准性,本发明求得库水位与坝体风险状态间的多变性函数包含多个库水位与坝体风险状态间的函数关系,将这些函数关系加权融合求得的融合函数就包含了库水位与坝体风险状态间的动态性关系,该融合函数就能表达出库水位与坝体风险状态间的复杂性关系,由此得出的风险状态值区间[M-σ,M+σ]就能较全面、准确的反应出坝体的风险状态。
专家***由多位尾矿坝风险评估专家组成,各位专家根据公认的尾矿坝的安全评判标准利用层次分析法得出尾矿坝风险状态信息,各位专家得出的尾矿坝风险状态信息在可预测的范围内,因此由尾矿坝风险状态信息转化的梯形随机模糊变量为确定的变量。
上述的一种提高尾矿坝基于库水位的风险评估精准性的方法,根据不同的λ和α值从多变性函数πζ(x0,y)中选取n个函数π1,π2,…,πn时,λ和α在0.75~0.95间选值,选出的多变性函数可靠,进而最后得出的风险状态值区间[M-σ,M+σ]更准确和全面。
按“新九分法”将尾矿坝的危险等级划分为五个区域如下表:
危险程度 | 危险值(W) | 危险等级 |
稍有危险,可以接受 | <0.09 | A |
一般危险,需要注意 | 0.09~0.27 | B |
显著危险,需要整改 | 0.27~0.54 | C |
高度危险,需立即整改 | 0.54~0.99 | D |
极度危险,停库整改 | >0.99 | E |
当库水位监测信息为模糊集[0.68,0.72]时,利用本发明和流体力学方法对坝体进行风险评估,结果相比如下表:
局部隶属因子Qi是指坝体的风险状态值区间位于各危险等级区间的长度与坝体的风险状态值区间长度的比值,即式中;L(W)为坝体的风险状态值区间的长度;Li为坝体风险状态值区间位于第i个危险等级的长度,由上表可知,用流体力学法对库水位监测信息进行评估时,坝体的风险状态为C等级,即存在显著危险,需要整改;而利用本发明所得的评估结果为:属于C等级的可能性为15.38%、属于D等级的可能性为84.62%,根据局部隶属因子的最大值属于的危险等级作为坝体的风险状态,也就是说,当库水位为模糊集[0.68,0.72]时,坝体的危险等级处于D级,即存在高度危险,应立即进行整改;因此本发明在描述坝体的动态变化性及监测信息的不确定性方面具有重要优越性,且该风险评估方法具有合理、高精准性、工程应用前景广等优点,对于尾矿坝的安全管理具有非常重要的意义。
本发明的提高尾矿坝基于库水位的风险评估精准性的方法不仅具有实用性强、精准性高、工程应用前景广等优点,而且还为库水位和坝体风险状态信息提供了更准确的描述方法,可容易地嵌入到尾矿坝在线监测***中,满足***的一体化、自动分析与评估的需求,对坝体的风险评估具有很高的应用价值。
附图说明
图1为本发明的流程图。
图2为用高斯随机模糊变量表示的3组标准化后库水位监测信息的分布图。
图3为用梯形随机模糊变量表示的3组准化后坝体风险状态信息的分布图。
图4为准化后库水位监测信息与准化后坝体风险状态信息间的多变性函数图。
图5为根据流体力学法得到的库水位与坝体风险状态信息间的函数图。
图6为本发明得到的库水位与坝体风险状态信息间的函数图。
具体实施方式
一种提高尾矿坝基于库水位的风险评估精准性的方法,包括以下步骤:
利用尾矿坝的库水位监测子***对库水位监测信息x′进行实时采集,并将库水位监测信息x′转化为高斯随机模糊变量转换方法为:在相同时间间隔Δt内连续记录库水位监测信息x′,进行k次,每次记录信息20~30次,每次记录的库水位监测信息x′记为一组,将每组库水位监测信息进行标准化得到库水位标准化信息x,计算每组库水位标准化信息x的均值Mk和方差σk,构建库水位高斯随机变量将均值Mk转化为三角模糊数三角模糊数可能性分布函数为且bk=ck,ak为最小的均值,dk为最大的均值,bk,ck为数量最多的可能性均值,将库水位高斯随机变量xk转化成高斯随机模糊变量s为三角模糊数取值空间;
利用专家***对采集的库水位监测信息x′进行分析,获得坝体风险状态信息yk,并将其转化为梯形随机模糊变量转换方法为:由专家***根据坝体的安全评判标准利用层次分析法对与k组库水位监测信息x′同一时间段内的坝体状态进行评判,获得k组库水位监测信息对应的k组坝体风险状态信息yk,将k组坝体风险状态信息yk转化为梯形随机模糊变量即坝体风险状态信息为梯形随机模糊变量其中,a′k、b′k、c′k、d′k由专家***确定;
建立高斯随机模糊变量与梯形随机模糊变量间的多变性函数,将k组高斯随机模糊变量和k组梯形随机模糊变量分别用可能性合成规则进行合成,得到库水位监测合成信息和坝体风险状态合成信息 式中∨为取大运算符,然后确定库水位监测合成信息和坝体风险状态合成信息的落影:式中λ∈[0,1]和Aλ分别为库水位监测合成信息的置信水平和落影;α∈[0,1]和Bα分别为坝体风险状态合成信息的置信水平和落影,利用扩张原理建立库水位监测合成信息和坝体风险状态合成信息的联合落影:式中∪为并运算符,Y为坝体风险状态信息yk的取值空间,为库水位监测合成信息落影Aλ的补,获得合成后的库水位监测合成信息和坝体风险状态合成信息间的联合函数关系π′ζ(x,y);库水位标准化信息x在取值空间X内不唯一时,即其取值是变化的,则用模糊集x0∈X来表示库水位标准化信息x,将π′ζ(x0,y)进行标准化处理,获得库水位监测合成信息与坝体风险状态合成信息的多变性函数关系:πζ(x0,y)=(1-A(x0))∨A(x0)B(y),式中
利用基于相似性测度的加权融合法对上述多变性函数πζ(x0,y)中的函数进行融合处理,融合方法为:当λ、α取值不同时,得到的库水位监测合成信息与坝体风险状态合成信息间的可能性函数也不同,从多变性函数πζ(x0,y)中选取n个可能性函数π1,π2,…,πn,计算n个函数中两两函数间的相似性测度,,式中,i,j=1,2,…,n,且i≠j,分别为函数πi和πj的重心;Pl(πi)、A(πi)分别为函数πi的周长和面积,Pl(πj)、A(πj)分别为函数πj的周长和面积;分别为函数πi和πj的最大值,建立相似性测度S(πi,πj)的相似性矩阵D,根据相似性矩阵D计算各可能性函数的信任度βi,将其作为第i个可能性函数πi的权值,进行加权融合,得到融合函数
对融合函数πF(x0,y)进行凸化处理,计算出凸化处理后函数的可能性均值M和可能性方差σ2,给出坝体的风险状态值区间[M-σ,M+σ],根据划分尾矿坝的危险等级方法,得出坝体危险等级。
上述的一种提高尾矿坝基于库水位的风险评估精准性的方法,根据不同的λ和α值从多变性函数πζ(x0,y)中选取n个函数π1,π2,…,πn时,λ和α在0.75~0.95间选值。
具体实施时,λ和α不宜低于0.6,一般在0.75~0.95间选值,得出的多变性函数关系可靠;在对融合函数πF(x0,y)进行凸化处理,按照以下规则处理:对于任意区间y∈[yp,yp+1]来说,如果πF(x0,yp)≤πF(x0,yp+1),则当πF(x0,y)≤πF(x0,yp)时πF(x0,y)=πF(x0,yp);如果πF(x0,yp)≥πF(x0,yp+1),则当πF(x0,y)≤πF(x0,yp+1)时πF(x0,y)=πF(x0,yp+1);式中,yp、yp+1为极大值所对应的横坐标,且p=1,2,…,r-1,r为极大值个数。计算凸化处理后函数的可能性均值M和可能性方差σ2,式中,μ∈[0,1]为凸化处理后函数的置信水平;a1(μ),a2(μ)分别为μ置信水平下区间的两个端点。
Claims (2)
1.一种提高尾矿坝基于库水位的风险评估精准性的方法,其特征在于包括以下步骤:
利用尾矿坝的库水位监测子***对库水位监测信息x′进行实时采集,并将库水位监测信息x′转化为高斯随机模糊变量转换方法为:在相同时间间隔Δt内连续记录库水位监测信息x′,进行k次,每次记录信息20~30次,每次记录的库水位监测信息x′记为一组,将每组库水位监测信息进行标准化得到库水位标准化信息x,计算每组库水位标准化信息x的均值Mk和方差σk,构建库水位高斯随机变量将均值Mk转化为三角模糊数三角模糊数可能性分布函数为且bk=ck,ak为最小的均值,dk为最大的均值,bk,ck为数量最多的可能性均值,将库水位高斯随机变量xk转化成高斯随机模糊变量s为三角模糊数取值空间;
利用专家***对采集的库水位监测信息x′进行分析,获得坝体风险状态信息yk,并将其转化为梯形随机模糊变量转换方法为:由专家***根据坝体的安全评判标准利用层次分析法对与k组库水位监测信息x′同一时间段内的坝体状态进行评判,获得k组库水位监测信息对应的k组坝体风险状态信息yk,将k组坝体风险状态信息yk转化为梯形随机模糊变量即坝体风险状态信息为梯形随机模糊变量其中,a′k、b′k、c′k、d′k由专家***确定;
建立高斯随机模糊变量与梯形随机模糊变量间的多变性函数,将k组高斯随机模糊变量和k组梯形随机模糊变量分别用可能性合成规则进行合成,得到库水位监测合成信息和坝体风险状态合成信息 式中∨为取大运算符,然后确定库水位监测合成信息和坝体风险状态合成信息的落影:式中λ∈[0,1]和Aλ分别为库水位监测合成信息的置信水平和落影;α∈[0,1]和Bα分别为坝体风险状态合成信息的置信水平和落影,利用扩张原理建立库水位监测合成信息和坝体风险状态合成信息的联合落影:式中∪为并运算符,Y为坝体风险状态信息yk的取值空间,为库水位监测合成信息落影Aλ的补,获得合成后的库水位监测合成信息和坝体风险状态合成信息间的联合函数关系π′ζ(x,y);库水位标准化信息x在取值空间X内不唯一时,即其取值是变化的,则用模糊集x0∈X来表示库水位标准化信息x,将π′ζ(x0,y)进行标准化处理,获得库水位监测合成信息与坝体风险状态合成信息的多变性函数关系:
πζ(x0,y)=(1-A(x0))∨A(x0)B(y),式中
A(x0)为库水位监测信息x′为模糊集x0、且库水位监测合成信息在λ的置信水平下所对应的库水位监测合成信息,B(y)为坝体风险状态合成信息在α的置信水平下所对应的坝体风险状态合成信息;
利用基于相似性测度的加权融合法对上述多变性函数πζ(x0,y)中的函数进行融合处理,融合方法为:当λ、α取值不同时,得到的库水位监测合成信息与坝体风险状态合成信息间的可能性函数也不同,从多变性函数πζ(x0,y)中选取n个可能性函数πi,π2,…,πn,计算n个函数中两两函数间的相似性测度,式中,i,j=1,2,…,n,且i≠j,分别为函数πi和πj的重心;Pl(πi)、A(πi)分别为函数πi的周长和面积,Pl(πj)、A(πj)分别为函数πj的周长和面积;分别为函数πi和πj的最大值,建立相似性测度S(πi,πj)的相似性矩阵D,根据相似性矩阵D计算各可能性函数的信任度βi,将其作为第i个可能性函数πi的权值,进行加权融合,得到融合函数
对融合函数πF(x0,y)进行凸化处理,计算出凸化处理后函数的可能性均值M和可能性方差σ2,给出坝体的风险状态值区间[M-σ,M+σ],根据划分尾矿坝的危险等级方法,得出坝体危险等级。
2.根据权利要求1所述的一种提高尾矿坝基于库水位的风险评估精准性的方法,其特征在于根据不同的λ和α值从多变性函数πζ(x0,y)中选取n个函数π1,π2,…,πn时,λ和α在0.75~0.95间选值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310511127.5A CN103530525B (zh) | 2013-10-26 | 2013-10-26 | 一种提高尾矿坝基于库水位的风险评估精准性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310511127.5A CN103530525B (zh) | 2013-10-26 | 2013-10-26 | 一种提高尾矿坝基于库水位的风险评估精准性的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103530525A CN103530525A (zh) | 2014-01-22 |
CN103530525B true CN103530525B (zh) | 2016-07-20 |
Family
ID=49932530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310511127.5A Expired - Fee Related CN103530525B (zh) | 2013-10-26 | 2013-10-26 | 一种提高尾矿坝基于库水位的风险评估精准性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103530525B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103852041B (zh) * | 2014-03-05 | 2017-01-04 | 北京矿冶研究总院 | 一种尾矿库干滩长度在线监测的方法 |
CN104636827A (zh) * | 2015-01-30 | 2015-05-20 | 武汉科技大学 | 一种矿山成本主控因素决策的方法 |
CN105913184B (zh) * | 2016-04-11 | 2019-02-19 | 青岛理工大学 | 基于实时监测数据的尾矿坝失稳风险评价方法 |
CN105976104A (zh) * | 2016-05-03 | 2016-09-28 | 中国电建集团昆明勘测设计研究院有限公司 | 一种基于监测资料的大坝安全评价方法 |
CN107133408A (zh) * | 2017-05-12 | 2017-09-05 | 中国水利水电科学研究院 | 一种坝体性能评估方法和装置 |
CN107844850B (zh) * | 2017-08-28 | 2021-06-18 | 中北大学 | 基于数据可能性-信度分布的二型预测集安全评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1300746C (zh) * | 2004-12-09 | 2007-02-14 | 上海交通大学 | 基于多特征信息融合的视频运动目标自适应跟踪方法 |
US7447670B1 (en) * | 2005-09-08 | 2008-11-04 | Hrl Laboratories, Llc | Methods for monitoring conflicts in inference systems |
CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
CN102034023A (zh) * | 2010-12-07 | 2011-04-27 | 上海交通大学 | 基于证据理论的多源信息融合风险分析方法 |
-
2013
- 2013-10-26 CN CN201310511127.5A patent/CN103530525B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1300746C (zh) * | 2004-12-09 | 2007-02-14 | 上海交通大学 | 基于多特征信息融合的视频运动目标自适应跟踪方法 |
US7447670B1 (en) * | 2005-09-08 | 2008-11-04 | Hrl Laboratories, Llc | Methods for monitoring conflicts in inference systems |
CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
CN102034023A (zh) * | 2010-12-07 | 2011-04-27 | 上海交通大学 | 基于证据理论的多源信息融合风险分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103530525A (zh) | 2014-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103530525B (zh) | 一种提高尾矿坝基于库水位的风险评估精准性的方法 | |
CN104281920A (zh) | 尾矿库分层指标安全评估和预警方法与*** | |
CN105547717B (zh) | 基于贝叶斯网络的柴油机润滑***故障诊断方法 | |
Li et al. | MF-TCPV: a machine learning and fuzzy comprehensive evaluation-based framework for traffic congestion prediction and visualization | |
Su et al. | Macro-comprehensive evaluation method of high rock slope stability in hydropower projects | |
CN104460654A (zh) | 一种基于量化特征关系的不完备故障诊断规则提取方法 | |
Wang et al. | A normal cloud model-based method for risk assessment of water inrush and its application in a super-long tunnel constructed by a tunnel boring machine in the arid area of northwest China | |
Ma et al. | Intelligent anomaly identification of uplift pressure monitoring data and structural diagnosis of concrete dam | |
CN110134676A (zh) | 一种传感器数据质量的监控方法 | |
Shi et al. | Impacting factors and temporal and spatial differentiation of land subsidence in Shanghai | |
CN109101778B (zh) | 基于性能退化数据和寿命数据融合的Wiener过程参数估计方法 | |
Dong et al. | Anomaly identification of monitoring data and safety evaluation method of tailings dam | |
Feng et al. | Trend predictions in water resources using rescaled range (R/S) analysis | |
Miao et al. | Research on seepage control of Jurong pumped storage hydroelectric power station | |
CN107067021B (zh) | 基于运动角差的滑坡形变相似性评价方法 | |
Tian et al. | [Retracted] Prediction of Coal Mining Subsidence Based on Machine Learning Probability Theory | |
Ou et al. | Innovative Approach to Dam Deformation Analysis: Integration of VMD, Fractal Theory, and WOA‐DELM | |
Bielinskyi et al. | The lack of reversibility during financial crisis and its identification | |
Jun et al. | Distance measure of financial time series based on the coefficients of temporal tail dependence | |
Wang et al. | A vague decision method and its application in choosing tailings dam locations | |
Chen et al. | Prediction of dike seepage pressure based on ISSA-BiLSTM | |
Guo et al. | Optimized based on cloud model extension assessment of slope stability | |
Long et al. | The use of BP neural network in the landslide prediction of three gorges reservoir | |
Yu et al. | Demand-Response-Oriented Clustering of Household Load Data Based on Motif Theory | |
Reddy et al. | Power theft detection using convolutional neural network (CNN)-LSTM algorithm compared with Zigbee algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160720 Termination date: 20171026 |