CN105528657A - 基于北斗和向量机的建筑物震害预测方法 - Google Patents

基于北斗和向量机的建筑物震害预测方法 Download PDF

Info

Publication number
CN105528657A
CN105528657A CN201610022660.9A CN201610022660A CN105528657A CN 105528657 A CN105528657 A CN 105528657A CN 201610022660 A CN201610022660 A CN 201610022660A CN 105528657 A CN105528657 A CN 105528657A
Authority
CN
China
Prior art keywords
model
sample data
building
vector machine
carrying
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
CN201610022660.9A
Other languages
English (en)
Inventor
安庆
陈西江
柳涛
吴浩
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.)
Wuhan Futiantong Technology Co Ltd
Original Assignee
Wuhan Futiantong Technology Co Ltd
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 Wuhan Futiantong Technology Co Ltd filed Critical Wuhan Futiantong Technology Co Ltd
Priority to CN201610022660.9A priority Critical patent/CN105528657A/zh
Publication of CN105528657A publication Critical patent/CN105528657A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于北斗和向量机的建筑物震害预测方法，它涉及建筑物震害技术领域，它的预测方法为：步骤一：通过北斗地震灾害监测***获取建筑物相关信息，从中选取样本数据；对于建筑物样本数据的特征因子等进行去量纲、归一化预处理；步骤二：将样本数据分为训练样本数据和检验样本数据，选取合适的核函数，采用格网搜索方式对训练样本数据进行LOO-CV交叉验证寻优，获取模型最优参数，利用LVBSVM软件，进行预测模型的建立；步骤三：检验模型；步骤四：由最优模型对实际的大区域的建筑物信息数据进行地震灾害预测评估，分等定级；本发明的提高了预测的可靠性、准确性与速度，操作简便，劳动力低。

Description

基于北斗和向量机的建筑物震害预测方法
技术领域：
本发明涉及一种基于北斗和向量机的建筑物震害预测方法，属于建筑物震害技术领域。
背景技术：
目前常用的震害预测方法包括易损性分析法、树状图分析法、直接统计分析法、当量统计法、专家评估法、结构反映分析法、震害潜势分析法。现有的传统建筑物震害预测方法存在两方面的不足：一个方面是预测方法所涉及的基础数据或者操作过程过于复杂，对于大规模的群体建筑的震害预测来说，方案从时间和劳动成本上来说显然不可行；另一个方面，预测过程中可能需要主观的设定一些参数或者权重，所以结果不够客观和准确。
发明内容：
针对上述问题，本发明要解决的技术问题是提供一种基于北斗和向量机的建筑物震害预测方法。
本发明的一种基于北斗和向量机的建筑物震害预测方法，它的预测方法为：
步骤一：通过北斗地震灾害监测***获取建筑物相关信息，从中选取样本数据；对于建筑物样本数据的特征因子等进行去量纲、归一化预处理；
步骤二：将样本数据分为训练样本数据和检验样本数据，选取合适的核函数，采用格网搜索方式对训练样本数据进行LOO-CV交叉验证寻优，获取模型最优参数，利用LVBSVM软件，进行预测模型的建立；
步骤三：检验模型：运用检验样本进行分类结果精度的对比，并不断调整核函数及相关参数的选取，获得可靠性、准确性相对最高的北斗和向量机模型；
步骤四：由最优模型对实际的大区域的建筑物信息数据进行地震灾害预测评估，分等定级。
作为优选，所述的步骤二中的LOO-CV交叉验证寻优方法为：设训练样本数据有N个样本，将每个样本单独作为验证集，其余的N-1个样本作为训练集，首先用训练集对分类器进行训练，得到N个模型，再利用验证集来测试训练得到的模型，用这N个模型最终的验证集的分类准确率的平均数作为评价LOO-CV分类器的性能指标。
本发明的有益效果为：提高了预测的可靠性、准确性与速度，操作简便，劳动力低。
附图说明：
为了易于说明，本发明由下述的具体实施及附图作以详细描述。
图1为本发明的流程图。
具体实施方式：
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本发明。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
如图1所示，本具体实施方式采用以下技术方案：它的预测方法为：
步骤一：通过北斗地震灾害监测***获取建筑物相关信息，从中选取样本数据；对于建筑物样本数据的特征因子等进行去量纲、归一化预处理；
步骤二：将样本数据分为训练样本数据和检验样本数据，选取合适的核函数，采用格网搜索(GridSearch)方式对训练样本数据进行LOO-CV交叉验证寻优，获取模型最优参数(包括惩罚因子C和g系数)，利用LVBSVM软件，进行预测模型的建立；
步骤三：检验模型：运用检验样本进行分类结果精度的对比，并不断调整核函数及相关参数的选取，获得可靠性、准确性相对最高的北斗和向量机模型；
步骤四：由最优模型对实际的大区域的建筑物信息数据进行地震灾害预测评估，分等定级。
进一步的，所述的步骤二中的LOO-CV交叉验证寻优方法为：设训练样本数据有N个样本，将每个样本单独作为验证集，其余的N-1个样本作为训练集，首先用训练集对分类器进行训练，得到N个模型，再利用验证集来测试训练得到的模型，用这N个模型最终的验证集的分类准确率的平均数作为评价LOO-CV分类器的性能指标。
实施例：
本实施例为：基于北斗和向量机与单体力学对震害的预测结果对比如下：
通过对比，不难发现，通过基于北斗和向量机方法建筑物震害预测所得到的结果与力学单体建筑物震害预测所得到的结果大体一致，只有对于省教委办公楼震害有一个等级的差异，这个模型运用实例说明了基于北斗和向量机的建筑物震害预测模型的可靠性和准确性。相对于时间和劳动成本相对较高的传统预测方法，基于北斗和向量机的方法简便可行，优势突出。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (2)

1.基于北斗和向量机的建筑物震害预测方法，其特征在于：它的预测方法为：
步骤一：通过北斗地震灾害监测***获取建筑物相关信息，从中选取样本数据；对于建筑物样本数据的特征因子等进行去量纲、归一化预处理；
步骤二：将样本数据分为训练样本数据和检验样本数据，选取合适的核函数，采用格网搜索方式对训练样本数据进行LOO-CV交叉验证寻优，获取模型最优参数，利用LVBSVM软件，进行预测模型的建立；
步骤三：检验模型：运用检验样本进行分类结果精度的对比，并不断调整核函数及相关参数的选取，获得可靠性、准确性相对最高的北斗和向量机模型；
步骤四：由最优模型对实际的大区域的建筑物信息数据进行地震灾害预测评估，分等定级。
2.根据权利要求1所述的基于北斗和向量机的建筑物震害预测方法，其特征在于：所述的步骤二中的LOO-CV交叉验证寻优方法为：设训练样本数据有N个样本，将每个样本单独作为验证集，其余的N-1个样本作为训练集，首先用训练集对分类器进行训练，得到N个模型，再利用验证集来测试训练得到的模型，用这N个模型最终的验证集的分类准确率的平均数作为评价LOO-CV分类器的性能指标。
CN201610022660.9A 2016-01-13 2016-01-13 基于北斗和向量机的建筑物震害预测方法 Pending CN105528657A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610022660.9A CN105528657A (zh) 2016-01-13 2016-01-13 基于北斗和向量机的建筑物震害预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610022660.9A CN105528657A (zh) 2016-01-13 2016-01-13 基于北斗和向量机的建筑物震害预测方法

Publications (1)

Publication Number Publication Date
CN105528657A true CN105528657A (zh) 2016-04-27

Family

ID=55770871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610022660.9A Pending CN105528657A (zh) 2016-01-13 2016-01-13 基于北斗和向量机的建筑物震害预测方法

Country Status (1)

Country Link
CN (1) CN105528657A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106851714A (zh) * 2017-01-05 2017-06-13 中国铁道科学研究院通信信号研究所 一种基于自学习模式的车地无线通信质量评估方法
CN111222736A (zh) * 2019-09-29 2020-06-02 中国人民解放军空军工程大学 一种基于混合相关向量机模型的弹药贮存可靠度评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王彬彬: "基于支持向量机的建筑物震害预测方法研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106851714A (zh) * 2017-01-05 2017-06-13 中国铁道科学研究院通信信号研究所 一种基于自学习模式的车地无线通信质量评估方法
CN106851714B (zh) * 2017-01-05 2020-05-12 中国铁道科学研究院集团有限公司通信信号研究所 一种基于自学习模式的车地无线通信质量评估方法
CN111222736A (zh) * 2019-09-29 2020-06-02 中国人民解放军空军工程大学 一种基于混合相关向量机模型的弹药贮存可靠度评估方法

Similar Documents

Publication Publication Date Title
CN111104981B (zh) 一种基于机器学习的水文预报精度评价方法及***
Harrigan et al. Designation and trend analysis of the updated UK Benchmark Network of river flow stations: The UKBN2 dataset
CN109685289B (zh) 高炉炉况顺行预测方法、装置及***
Goulet et al. Data‐driven post‐earthquake rapid structural safety assessment
CN108918815B (zh) 一种土壤重金属风险预测方法
CN112506990B (zh) 一种基于时空信息的水文数据异常检测方法
CN107230021B (zh) 筛选供水管网泄漏区域的方法
CN109035730A (zh) 一种考虑服役环境影响的混凝土坝损伤动力预警方法
CN109613611B (zh) 用于结构抗震时程分析的输入地震波的确定方法及***
CN107885928A (zh) 考虑测量误差的步进应力加速性能退化可靠性分析方法
Mustafa et al. Measuring the effect of stochastic perturbation component in cellular automata urban growth model
CN104951842A (zh) 一种新的油田产量预测方法
CN113378473A (zh) 一种基于机器学习模型的地下水砷风险预测方法
CN110362886A (zh) 一种基于不确定性分析的城镇砌体住宅安全评估方法
CN110070220A (zh) 一种基于神经网络算法的氨氮指标软测量方法
CN104198998B (zh) 非均匀背景下基于聚类处理的恒虚警检测方法
CN115660407A (zh) 污染场地风险等级预测模型的训练方法和训练装置
CN103134433A (zh) 一种利用位移监测鉴别边坡失稳致滑因子的方法
CN107632010A (zh) 一种结合激光诱导击穿光谱对钢铁样品的定量方法
CN105528657A (zh) 基于北斗和向量机的建筑物震害预测方法
CN110489844A (zh) 一种适用于软岩隧道不均匀大变形等级预测方法
CN110222981B (zh) 一种基于参数二次选取的储层分类评价方法
CN107609284B (zh) 一种定量评价滑坡灾害危险性的方法
CN117191147A (zh) 一种泄洪大坝水位监测预警方法及***
CN114546841B (zh) 基于云计算的软件质量评估方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20160427