CN114118296B - 一种基于聚类集成的岩体结构面优势产状分组方法 - Google Patents

一种基于聚类集成的岩体结构面优势产状分组方法 Download PDF

Info

Publication number
CN114118296B
CN114118296B CN202111492117.2A CN202111492117A CN114118296B CN 114118296 B CN114118296 B CN 114118296B CN 202111492117 A CN202111492117 A CN 202111492117A CN 114118296 B CN114118296 B CN 114118296B
Authority
CN
China
Prior art keywords
clustering
structural
structural plane
grouping
integration
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.)
Active
Application number
CN202111492117.2A
Other languages
English (en)
Other versions
CN114118296A (zh
Inventor
吴顺川
张化进
张中信
李玉杰
黄世贵
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 CN202111492117.2A priority Critical patent/CN114118296B/zh
Publication of CN114118296A publication Critical patent/CN114118296A/zh
Application granted granted Critical
Publication of CN114118296B publication Critical patent/CN114118296B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2323—Non-hierarchical techniques based on graph theory, e.g. minimum spanning trees [MST] or graph cuts

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于聚类集成的岩体结构面优势产状分组方法。本发明将现场采集的结构面产状数据转换为对应的空间单位法向量n＝(x，y，z)；计算数据集中两两结构面之间的距离D(ni，nj)，获得结构面数据集距离矩阵DN×N；通过调整聚类算法或超参数，对数据集运算M次聚类，获得M个具有差异性的基聚类结果πm；计算基聚类结果的共协矩阵CA；分别设置分组数K为不小于2的整数，采用凝聚层次聚类算法对共协矩阵CA进行聚类；根据聚类性能度量指标，确定最优分组数Kop；依据最优分组数Kop的聚类集成结果，剔除噪点与孤值，获得结构面优势产状分组结果。本发明可有效识别结构面产状数据的噪点与孤值，获得比单一聚类模型更好、更稳健的聚类效果。

Description

一种基于聚类集成的岩体结构面优势产状分组方法
技术领域
本发明涉及一种基于聚类集成的岩体结构面优势产状分组方法，属于工程地质勘察结构面测量与分析技术领域。
背景技术
结构面作为岩体的重要组成部分，很大程度上影响并控制着岩体力学性质与工程结构稳定性。自然状态下的岩体结构面都具有成组的特性，准确可靠的结构面优势产状分组对岩体强度参数确定、力学特性研究与工程稳定性评价具有十分重要的现实意义。在结构面测量与统计分析过程中，由于测量和记录的误差与个别孤值结构面的存在，往往造成岩体结构面优势产状分组结果不太理想。目前，大多数聚类分析方法均以单一聚类模型为主，单一聚类模型对数据做出的某些假设不一定符合数据真实分布情况，容易陷入局部最优解，且较难识别结构面产状中的噪点与孤值，难以得到准确有效的聚类结果。因此，引入聚类集成技术，通过组合多个基聚类结果，从不同层面上揭示数据集的本质特征，标识出结构面噪点与孤值，弥补单个模型聚类效果不佳的缺陷。
发明内容
本发明针对单一聚类模型存在较大误判风险和难以标识噪点与孤值的问题，提出了一种基于聚类集成的岩体结构面优势产状分组方法，根据给定的结构面数据集构建出多个差异性基聚类结果，利用聚类集成技术整合并互补多个基聚类结果的信息，获得比单一聚类模型更好、更稳健的聚类效果。
一种基于聚类集成的岩体结构面优势产状分组方法，具体步骤如下：
(1)将现场采集的结构面产状数据转换为对应的空间单位法向量n＝(x，y，z)；
(2)计算数据集中两两结构面之间的距离D(ni，nj)，获得结构面数据集距离矩阵DN×N；
(3)通过调整聚类算法或超参数，对数据集运算M次聚类，获得M个具有差异性的基聚类结果πm；
(4)计算基聚类结果的共协矩阵CA；
(5)分别设置分组数K为不小于2的整数，采用凝聚层次聚类算法对共协矩阵CA进行聚类；
(6)根据聚类性能度量指标，确定最优分组数Kop；
(7)依据最优分组数Kop的聚类集成结果，剔除噪点与孤值，获得结构面优势产状分组结果。
所述步骤(1)现场采集的结构面产状采用倾向α和倾角β表示，结构面产状转换为空间单位法向量n＝(x，y，z)形式的计算公式为：
所述步骤(2)距离D(ni，nj)为两结构面的单位法向量夹角正弦值，两结构面单位法向量ni(xi，yi，zi)、nj(xj，yj，zj)的距离D(ni，nj)：
式中，ni和nj分别表示结构面i和j的单位法向量，θ表示两结构面的单位法向量的夹角，T为矩阵的转置符号。
所述步骤(3)聚类算法为基于划分的K-means、基于层次的凝聚层次聚类、基于密度的DBSCAN或基于图的谱聚类算法。
所述超参数为聚类分析时聚类算法设置的参数，每一种聚类算法都包含若干个超参数，比如K-means、凝聚层次聚类和谱聚类算法都包含分组数K，DBSCAN算法包含半径eps和最小样本数min_samples；
从聚类算法角度看，生成具有差异化的基聚类结果的方法：使用相同聚类算法，设置不同的超参数对数据集进行聚类生成基聚类结果；比如K-means、凝聚层次聚类和谱聚类算法可以设置K值为不小于2的整数；DBSCAN算法可以设置半径eps为0.1～0.3，最小样本数min_samples可设置为2～10，根据数据集密度设置，密度越大，min_samples越大，eps越小；
从聚类算法角度看，生成具有差异化的基聚类结果的方法还可以使用不同聚类算法，对数据集进行聚类生成基聚类结果；也可以组合使用以上两种方法生成基聚类结果；
所述步骤(4)共协矩阵CA意在重新组织基聚类结果，避免基聚类结果中组标签的对应问题，并数字化、精确化的衡量出数据点之间的相似度；共协矩阵CA计算表达式为：
CA＝{mij}N×N
式中，N为结构面产状数据数量，
πm(xi)为样本xi在基聚类结果πm中所属的组，为样本i和样本j是否出现在同一组中，若样本i和j出现在同一组中，则/>否则/>基聚类结果将某结构面划分为同一组的频率越大，对应得CA元素值越大。
所述步骤(5)凝聚层次聚类算法为
将CA矩阵中的每一个样本作为一个单独的组，在每一次迭代过程中，逐步将被划分在相同组频率最高的两个组合并为一组，直至达到终止条件或最终归为一组。
所述步骤(6)聚类性能度量指标指衡量结构面产状数据聚类效果的指标，采用轮廓系数SC作为聚类性能度量指标，SC表达式为
式中，s(i)表示一个样本的轮廓系数，
a(i)表示样本xi与同组其它样本之间的平均距离，b(i)表示样本xi与相邻最近组所有样本之间的平均距离；
SC取值范围为[-1,1]，SC值越大聚类效果越好；
所述步骤(6)最优分组数Kop，指对应聚类性能度量指标轮廓系数最大的分组数K值。
所述步骤(7)噪点与孤值，指聚类集成模型中基聚类结果划分为同一组频率很低的结构面。
本发明的有益效果是：
(1)本发明引入聚类集成技术，实现由传统结构面单一聚类模型向集成模型的过渡；
(2)本发明通过整合并互补多个基聚类结果，克服传统单一聚类模型存在误判的风险、难以识别噪点与孤值、易陷入局部最优解的不足，提升结构面产状聚类效果，使聚类结果更具有全局意义，为岩体结构面优势产状正确分组提供有效方法，可广泛应用于水利水电、矿山及道路建设等行业的结构面统计分析中。
附图说明
图1为本发明的流程图；
图2为结构面空间单位法向量夹角示意图；
图3为松塔水电站坝肩一平硐结构面产状极点图；
图4为不同分组数K对应的聚类集成模型轮廓系数；
图5为结构面产状的聚类集成结果；
图6为结构面优势产状分组结果。
具体实施方式
下面结合具体实施方式对本发明作进一步详细说明，但本发明的保护范围并不限于所述内容。
实施例1：如图1所示，一种基于聚类集成的岩体结构面优势产状分组方法，具体步骤如下：
(1)将现场采集的结构面产状数据转换为对应的空间单位法向量n＝(x，y，z)；
现场采集的结构面产状采用倾向α和倾角β表示，结构面产状转换为空间单位法向量n＝(x，y，z)形式的计算公式为：
(2)计算数据集中两两结构面之间的距离D(ni，nj)，获得结构面数据集距离矩阵DN×N；
距离D(ni，nj)为两结构面的单位法向量夹角正弦值，结构面单位法向量夹角示意图如图2所示，两结构面单位法向量ni(xi，yi，zi)、nj(xj，yj，zj)的距离D(ni，nj)：
式中，ni和nj分别表示结构面i和j的单位法向量，θ表示两结构面的单位法向量的夹角，T为矩阵的转置符号；
(3)通过调整聚类算法或超参数，对数据集运算M次聚类，获得M个具有差异性的基聚类结果πm；
聚类算法为基于划分的K-means、基于层次的凝聚层次聚类、基于密度的DBSCAN或基于图的谱聚类算法；超参数为聚类分析时聚类算法设置的参数，每一种聚类算法都包含若干个超参数，比如K-means、凝聚层次聚类和谱聚类算法都包含分组数K，DBSCAN算法包含半径eps和最小样本数min_samples；
从聚类算法角度看，生成具有差异化的基聚类结果的方法：使用相同聚类算法，设置不同的超参数对数据集进行聚类生成基聚类结果；比如K-means、凝聚层次聚类和谱聚类算法可以设置K值为不小于2的整数；DBSCAN算法可以设置半径eps为0.1～0.3，最小样本数min_samples可设置为2～10，根据数据集密度设置，密度越大，min_samples越大，eps越小；
从聚类算法角度看，生成具有差异化的基聚类结果的方法还可以使用不同聚类算法，对数据集进行聚类生成基聚类结果；也可以组合使用以上两种方法生成基聚类结果；
(4)计算基聚类结果的共协矩阵CA；
共协矩阵CA意在重新组织基聚类结果，避免基聚类结果中组标签的对应问题，并数字化、精确化的衡量出数据点之间的相似度；共协矩阵CA计算表达式为：
CA＝{mij}N×N
式中，N为结构面产状数据数量，
πm(xi)为样本xi在基聚类结果πm中所属的组，为样本i和样本j是否出现在同一组中，若样本i和j出现在同一组中，则/>否则/>基聚类结果将某结构面划分为同一组的频率越大，对应得CA元素值越大；
(5)分别设置分组数K为不小于2的整数，采用凝聚层次聚类算法对共协矩阵CA进行聚类；
凝聚层次聚类算法为
将CA矩阵中的每一个样本作为一个单独的组，在每一次迭代过程中，逐步将被划分在相同组频率最高的两个组合并为一组，直至达到终止条件或最终归为一组；
(6)根据聚类性能度量指标，确定最优分组数Kop；
聚类性能度量指标指衡量结构面产状数据聚类效果的指标，采用轮廓系数SC作为聚类性能度量指标，SC表达式为
式中，s(i)表示一个样本的轮廓系数，
a(i)表示样本xi与同组其它样本之间的平均距离，b(i)表示样本xi与相邻最近组所有样本之间的平均距离；
SC取值范围为[-1,1]，SC值越大聚类效果越好；
最优分组数Kop，指对应聚类性能度量指标轮廓系数最大的分组数K值；
(7)依据最优分组数Kop的聚类集成结果，剔除噪点与孤值，获得结构面优势产状分组结果；其中噪点与孤值指聚类集成模型中基聚类结果划分为同一组频率很低的结构面。
实施例2：如图1所示，一种基于聚类集成的岩体结构面优势产状分组方法，具体步骤如下：
(1)使用松塔水电站坝肩一平硐勘察的结构面产状数据作为试验数据，结构面产状极点图如图3所示，共包括305条结构面；将其产状转为空间单位法向量n＝(x，y，z)：
(2)利用空间单位法向量的夹角正弦值计算两两结构面的距离D(ni，nj)，结构面单位法向量夹角示意图如图2所示，并构建结构面数据集的距离矩阵DN×N；
式中，ni和nj分别表示结构面i和j的单位法向量，θ表示两结构面的单位法向量的夹角，T为矩阵的转置符号；
(3)以K-means为例，针对结构面产状数据集，通过调整K-means的超参数K值进行扰动，K的取值为2～11的整数，获得10个具有差异性的基聚类结果；
(4)重新组织10个基聚类结果，计算基聚类结果的共协矩阵CA，避免基聚类结果中组标签的对应问题，并数字化、精确化的衡量出数据点之间的相似度；
CA计算表达式为：
CA＝{mij}N×N
式中，N表示结构面产状数据数量，N＝305，πm(xi)表示样本xi在基聚类结果πm中所属的组，/>表示样本i和样本j是否出现在同一组中，若一对样本i，j出现在同一组中，/>否则/>基聚类结果将某结构面划分为同一组的频率越大，对应得CA元素值越大；
(5)分别设置分组数K为整数2～10，采用凝聚层次聚类算法对共协矩阵CA进行聚类。
将CA矩阵中的每一个样本作为一个单独的组，在每一次迭代过程中，逐步将被划分在相同组频率最高的两个组合并为一组，直至达到终止条件或最终归为一组为止；
(6)计算每种算法的CA矩阵在分组数K∈[2，10]的聚类性能度量指标轮廓系数SC，如图4所示，SC表达式为：
式中s(i)表示其中一个样本的轮廓系数，a(i)表示样本xi与同组其它样本之间的平均距离；b(i)表示样本xi与相邻最近组所有样本之间的平均距离；
由图4可知，4种聚类算法在K＝4时聚类性能度量指标SC最大，聚类效果最好，所以确定该结构面数据集最优分组数Kop为4；
(7)根据最优分组数Kop获得最终聚类集成结果，如图5所示，从图中可以看出，标识符号为“×”的结构面非常分散，没有成组的出现，因此该组的结构面为噪点与孤值；
(8)剔除噪点与孤值后，该结构面数据优势产状分组结果如图6所示，可知该平硐有3组优势结构面，分组结果与实际情况相符合；
对比集成前、后的聚类效果，在聚类集成之前，10个K-means聚类模型中，SC最大值为0.16；在聚类集成和剔除噪点与孤值后，SC＝0.60，聚类效果获得显著提升，表明聚类集成技术应用于结构面产状优势分组是可行且有效的，不但给出清晰的组间边界，还有效的标识出噪点与孤值结构面，这是常见结构面优势产状分组方法难以实现的。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (8)

1.一种基于聚类集成的岩体结构面优势产状分组方法，其特征在于，具体步骤如下：
(1)将现场采集的结构面产状数据转换为对应的空间单位法向量n＝(x，y，z)；
(2)计算数据集中两两结构面之间的距离D(ni，nj)，获得结构面数据集距离矩阵DN×N；
(3)通过调整聚类算法或超参数，对数据集运算M次聚类，获得M个具有差异性的基聚类结果πm；
(4)计算基聚类结果的共协矩阵CA；
(5)分别设置分组数K为不小于2的整数，采用凝聚层次聚类算法对共协矩阵CA进行聚类；
(6)根据聚类性能度量指标，确定最优分组数Kop；
(7)依据最优分组数Kop的聚类集成结果，剔除噪点与孤值，获得结构面优势产状分组结果。
2.根据权利要求1所述基于聚类集成的岩体结构面优势产状分组方法，其特征在于：步骤(1)现场采集的结构面产状采用倾向α和倾角β表示，结构面产状转换为空间单位法向量n＝(x，y，z)形式的计算公式为：
3.根据权利要求1所述基于聚类集成的岩体结构面优势产状分组方法，其特征在于：步骤(2)距离D(ni，nj)为两结构面的单位法向量夹角正弦值，两结构面单位法向量ni(xi，yi，zi)、nj(xj，yj，zj)的距离D(ni，nj)：
式中，ni和nj分别表示结构面i和j的单位法向量，θ表示两结构面的单位法向量的夹角，T为矩阵的转置符号。
4.根据权利要求1所述基于聚类集成的岩体结构面优势产状分组方法，其特征在于：步骤(3)聚类算法为基于划分的K-means、基于层次的凝聚层次聚类、基于密度的DBSCAN或基于图的谱聚类算法。
5.根据权利要求4所述基于聚类集成的岩体结构面优势产状分组方法，其特征在于：超参数为聚类分析时聚类算法设置的参数。
6.根据权利要求1所述基于聚类集成的岩体结构面优势产状分组方法，其特征在于：步骤(4)共协矩阵CA计算表达式为：
CA＝{mij}N×N
式中，N为结构面产状数据数量，
πm(xi)为样本xi在基聚类结果πm中所属的组，为样本i和样本j是否出现在同一组中，若样本i和j出现在同一组中，则/>否则/>
7.根据权利要求1所述基于聚类集成的岩体结构面优势产状分组方法，其特征在于：步骤(5)凝聚层次聚类算法为
将CA矩阵中的每一个样本作为一个单独的组，在每一次迭代过程中，逐步将被划分在相同组频率最高的两个组合并为一组，直至达到终止条件或最终归为一组。
8.根据权利要求1所述基于聚类集成的岩体结构面优势产状分组方法，其特征在于：步骤(6)聚类性能度量指标采用轮廓系数SC，SC表达式为
式中，s(i)表示一个样本的轮廓系数，
a(i)表示样本xi与同组其它样本之间的平均距离，b(i)表示样本xi与相邻最近组所有样本之间的平均距离。
CN202111492117.2A 2021-12-08 2021-12-08 一种基于聚类集成的岩体结构面优势产状分组方法 Active CN114118296B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111492117.2A CN114118296B (zh) 2021-12-08 2021-12-08 一种基于聚类集成的岩体结构面优势产状分组方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111492117.2A CN114118296B (zh) 2021-12-08 2021-12-08 一种基于聚类集成的岩体结构面优势产状分组方法

Publications (2)

Publication Number Publication Date
CN114118296A CN114118296A (zh) 2022-03-01
CN114118296B true CN114118296B (zh) 2024-06-18

Family

ID=80363474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111492117.2A Active CN114118296B (zh) 2021-12-08 2021-12-08 一种基于聚类集成的岩体结构面优势产状分组方法

Country Status (1)

Country Link
CN (1) CN114118296B (zh)

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6345119B1 (en) * 1996-02-19 2002-02-05 Fujitsu Limited Handwritten character recognition apparatus and method using a clustering algorithm
CN106650772A (zh) * 2016-10-08 2017-05-10 南京信息工程大学 基于增量成员选择和改进共协矩阵的聚类融合方法
TR201619702A1 (tr) * 2016-12-27 2018-07-23 Univ Yeditepe Hücresel otomatlar i̇le kümeleme problemi̇ni̇n isi yayilimi tabanli çözülmesi̇ne yöneli̇k bi̇r yöntem
CN108573274A (zh) * 2018-03-06 2018-09-25 华南理工大学 一种基于数据稳定性的选择性聚类集成方法
CN109002858B (zh) * 2018-07-23 2022-01-28 合肥工业大学 一种用于用户行为分析的基于证据推理的集成聚类方法
US11222047B2 (en) * 2018-10-08 2022-01-11 Adobe Inc. Generating digital visualizations of clustered distribution contacts for segmentation in adaptive digital content campaigns
CN110298373A (zh) * 2019-05-06 2019-10-01 泰豪软件股份有限公司 基于信息熵动态规划的电网线路遥测数据聚类集成方法
CN110555110A (zh) * 2019-09-10 2019-12-10 哈尔滨工业大学 一种将K-means与证据累积相结合的文本聚类方法
CN112232383A (zh) * 2020-09-27 2021-01-15 江南大学 一种基于超簇加权的集成聚类方法
CN112926403A (zh) * 2021-01-30 2021-06-08 上海工程技术大学 基于层次聚类与困难样本三元组的无监督行人重识别方法
CN113255677B (zh) * 2021-05-27 2022-08-09 中国电建集团中南勘测设计研究院有限公司 一种岩体结构面及产状信息快速提取方法、设备及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Dominant Partitioning of Rock Masses Discontinuities Based on Information Entropy Selective Heterogeneous Ensemble;Huang, Shigui等;KSCE JOURNAL OF CIVIL ENGINEERING;20231101;第27卷(第12期);全文 *
基于DBSCAN选择性聚类集成的岩体结构面优势产状分组方法;张化进等;岩土力学;20220630;第43卷(第6期);1585-1595 *

Also Published As

Publication number Publication date
CN114118296A (zh) 2022-03-01

Similar Documents

Publication Publication Date Title
CN109887015B (zh) 一种基于局部曲面特征直方图的点云自动配准方法
CN110443281B (zh) 基于hdbscan聚类的文本分类自适应过采样方法
CN111475596B (zh) 一种基于多层级轨迹编码树的子段相似性匹配方法
CN106407627A (zh) 一种风速概率分布建模的方法和***
CN105447762B (zh) 一种流体替换的低渗透油藏水淹信息的计算方法
CN112651431B (zh) 一种退役动力电池的聚类分选方法
CN103745459A (zh) 一种非结构化点云特征点检测方法及其提取方法
CN111046913B (zh) 一种负荷异常值识别方法
CN112819299A (zh) 一种基于中心优化的差分K-means负荷聚类方法
CN108304851A (zh) 一种高维数据流异常点识别方法
CN117313016B (zh) 一种新能源电力交易现货电价价差数据处理方法
CN109840497A (zh) 一种基于深度学习的指针式水表读数检测方法
CN109271466A (zh) 一种基于层次聚类与k均值算法的气象数据分析方法
CN112488127A (zh) 基于层次b样条的多尺度点云特征点检测与匹配
CN115115005A (zh) 一种基于最大密距的Canopy协议识别方法
CN116008671A (zh) 一种基于时差和聚类的闪电定位方法
CN113641733B (zh) 一种河道断面流量实时智能推求方法
CN114118296B (zh) 一种基于聚类集成的岩体结构面优势产状分组方法
CN103294647A (zh) 基于正交张量近邻保持嵌入的头相关传输函数降维方法
CN110909792A (zh) 一种基于改进K-means算法和新聚类有效性指标的聚类分析方法
CN111984629B (zh) 多维场景下基于数据挖掘的台区线损率标准库构建方法
CN116029618B (zh) 一种电力***动态安全分区评估方法及***
CN108510010A (zh) 一种基于预筛选的密度峰值聚类方法及***
CN106909707B (zh) 利用分形维数测量风场地表粗糙度的方法
CN110288014A (zh) 一种基于信息熵加权的局部离群检测方法

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
GR01 Patent grant
GR01 Patent grant