CN117236137B - 一种高寒区深长隧道冬季连续施工控制*** - Google Patents
一种高寒区深长隧道冬季连续施工控制*** Download PDFInfo
- Publication number
- CN117236137B CN117236137B CN202311437112.9A CN202311437112A CN117236137B CN 117236137 B CN117236137 B CN 117236137B CN 202311437112 A CN202311437112 A CN 202311437112A CN 117236137 B CN117236137 B CN 117236137B
- Authority
- CN
- China
- Prior art keywords
- individual
- parameter
- module
- construction control
- data
- 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
Links
- 238000010276 construction Methods 0.000 title claims abstract description 68
- 230000006870 function Effects 0.000 claims abstract description 29
- 238000013461 design Methods 0.000 claims abstract description 28
- 230000004913 activation Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims 2
- 238000009435 building construction Methods 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种高寒区深长隧道冬季连续施工控制***,包括数据采集模块、预处理模块、施工控制模型设计模块、参数搜索模块和连续施工控制模块。本发明属于建筑施工技术领域,具体为一种高寒区深长隧道冬季连续施工控制***,本方案基于设计非线性激活函数更好地捕捉数据复杂表示,提高模型表达能力,基于设计损失函数和参数更新规则,通过学***衡探索和搜索空间信息的能力,提高搜索效率,通过定义移动分量从而进行参数位置的更新。
Description
技术领域
本发明属于建筑施工技术领域,具体是一种高寒区深长隧道冬季连续施工控制***。
背景技术
高寒地区的气候条件十分复杂,温度低,温差大,冬季长,为了缩短工程建设期,尽早发挥工程投资效应,高寒区隧道在负温条件下进行施工往往是不可避免的;高寒区深长隧道往往围岩条件十分复杂,如果施工控制不当,常常会产生较多的施工质量和施工安全问题。但是一般施工控制模型存在拟合不足或过拟合,模型存在梯度消失或者梯度***的问题;传统搜索算法存在随机性不足,全局搜索能力弱,搜索效率低导致算法性能弱的问题。
发明内容
针对上述情况,为克服现有技术的缺陷,本发明提供了一种高寒区深长隧道冬季连续施工控制***,针对一般施工控制模型存在拟合不足或过拟合,模型存在梯度消失或者梯度***的问题,本方案基于设计非线性激活函数更好地捕捉数据复杂表示,提高模型表达能力,基于设计损失函数和参数更新规则,通过学***衡探索和搜索空间信息的能力,提高搜索效率,通过定义移动分量从而进行参数位置的更新。
本发明提供的一种高寒区深长隧道冬季连续施工控制***,包括数据采集模块、预处理模块、施工控制模型设计模块、参数搜索模块和连续施工控制模块;
所述施工控制模型设计模块基于设计隐藏层和输出层节点的输出、设计激活函数、基于衰减率和学习率设计损失函数和更新隐藏层和输出层节点的连接权值构建神经网络;
所述参数搜索模块基于定义参数位置移动、定义个体经验最优和全局移动、定义移动分量和惯性权重进行参数搜索,基于适应度阈值判定搜索结果;
所述连续施工控制模块基于建立的施工控制模型控制施工设置。
进一步地,所述数据采集模块是收集高寒区深长隧道冬季相关的施工数据,包括有限元模拟数据、室内试验结果和现场监测数据。
进一步地,所述预处理模块是将采集到的数据进行预处理,包括去除异常值、填补缺失值、数据归一化和数据向量化处理操作,将模拟数据中的风险等级作为数据标签。
进一步地,所述施工控制模型设计模块是基于构建神经网络,具体包括以下内容:
设计隐藏层和输出层节点的输出,表示如下:
;
;
式中,Hj()是隐藏层输出,Yk()是输出层输出,ns是输出的数量,i是输入的索引,是j隐藏层节点i输入的权重矩阵,/>是k输出层节点到j隐藏层节点的输出矩阵,m是权重矩阵的阶数,j是隐藏层节点,k是输出层节点,θ是偏置,F()是激活函数,x是输入;
设计激活函数,表示如下:
;
式中,a是用于控制各层的负值的系数因子;
设计损失函数,表示如下:
;
式中,E是损失函数,Ns是神经元数量,是神经网络预测值,/>是实际值;
设计误差函数和输出层以及隐藏层节点的偏导,表示如下:
;
;
式中,是输出层节点的偏导数,/>是隐藏层节点的偏导数;
更新隐藏层和输出层节点的连接权值,表示如下:
;
;
式中,Wji m’是隐藏层更新后权重,Wkj m’是输出层更新后权重,s0是初始学习率,η是衰减率;t是当前训练次数,tm是最大训练次数。
进一步地,所述参数搜索模块具体包括以下内容:
初始化,基于参数搜索空间随机生成参数位置,将神经网络的误差作为参数个体适应度值;
定义参数位置移动,表示如下:
;
式中,X是个***置,V是移动分量,I是个体索引,J是搜索维度索引,n是迭代次数,p是个体经验最优,G是全局移动,r和R是0到1的随机数,ωp是惯性权重,c1是个体学习因子,c2是全局学习因子,是第n+1次迭代中第I个体J维度的位置,/>是第n次迭代中第I个体J维度的位置,/>是第n次迭代中第I个体J维度的移动分量,/>是第n次迭代中随机数,是第n次迭代中I个体J维度的经验最优,/>是第n次迭代中J维度的全局移动;
定义个体经验最优,表示如下:
;
式中,f()是个体适应度值,是I个体第n+1次迭代中的个体经验最优位置,/>是I个体第n次迭代中的个体经验最优位置;
定义全局移动,表示如下:
;
式中,第n次迭代中J维度的全局最优;
定义移动分量,表示如下:
;
式中,是0到1的随机数,ε是膨胀系数,N是参数数量,λ是漂移系数;
定义惯性权重,表示如下:
;
式中,ωmax是最大权重,ωmin是最小权重,是服从正态分布的随机值,σ是偏差系数;
定义判定方式,预先设有适应度阈值,若存在个体适应度值低于适应度阈值,则基于当前个***置建立施工控制模型;若达到最大迭代次数,则重新初始化进行参数搜索;否则继续迭代搜索。
进一步地,所述连续施工控制模块是实时采集施工数据,输入至基于参数搜索模块搜索的参数建立施工控制模型,根据模型输出的风险等级调整施工设置,并将数据返回至模型中,不断更新模型。
采用上述方案本发明取得的有益效果如下:
(1)针对一般施工控制模型存在拟合不足或过拟合,模型存在梯度消失或者梯度***的问题,本方案基于设计非线性激活函数更好地捕捉数据复杂表示,提高模型表达能力,基于设计损失函数和参数更新规则,通过学习率和衰减率控制参数更新,从而提高模型性能。
(2)针对传统搜索算法存在随机性不足,全局搜索能力弱,搜索效率低导致算法性能弱的问题,本方案基于设计惯性权重,权衡个体和全局的学***衡探索和搜索空间信息的能力,提高搜索效率,通过定义移动分量从而进行参数位置的更新。
附图说明
图1为本发明提供的一种高寒区深长隧道冬季连续施工控制***的示意图;
图2为施工控制模型设计模块的示意图;
图3为参数搜索模块的示意图。
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例一,参阅图1,本发明提供的一种高寒区深长隧道冬季连续施工控制***,包括数据采集模块、预处理模块、施工控制模型设计模块、参数搜索模块和连续施工控制模块;
所述施工控制模型设计模块基于设计隐藏层和输出层节点的输出、设计激活函数、基于衰减率和学习率设计损失函数和更新隐藏层和输出层节点的连接权值构建神经网络;
所述参数搜索模块基于定义参数位置移动、定义个体经验最优和全局移动、定义移动分量和惯性权重进行参数搜索,基于适应度阈值判定搜索结果;
所述连续施工控制模块基于建立的施工控制模型控制施工设置。
实施例二,参阅图1,该实施例基于上述实施例,数据采集模块是收集高寒区深长隧道冬季相关的施工数据,包括有限元模拟数据、室内试验结果和现场监测数据。
实施例三,参阅图1,该实施例基于上述实施例,预处理模块是将采集到的数据进行预处理,包括去除异常值、填补缺失值、数据归一化和数据向量化处理操作,将模拟数据中的风险等级作为数据标签。
实施例四,参阅图1和图2,该实施例基于上述实施例,施工控制模型设计模块是基于构建神经网络,具体包括以下内容:
设计隐藏层和输出层节点的输出,表示如下:
;
;
式中,Hj()是隐藏层输出,Yk()是输出层输出,ns是输出的数量,i是输入的索引,是j隐藏层节点i输入的权重矩阵,/>是k输出层节点到j隐藏层节点的输出矩阵,m是权重矩阵的阶数,j是隐藏层节点,k是输出层节点,θ是偏置,F()是激活函数,x是输入;
设计激活函数,表示如下:
;
式中,a是用于控制各层的负值的系数因子;
设计损失函数,表示如下:
;
式中,E是损失函数,Ns是神经元数量,是神经网络预测值,/>是实际值;
设计误差函数和输出层以及隐藏层节点的偏导,表示如下:
;
;
式中,是输出层节点的偏导数,/>是隐藏层节点的偏导数;
更新隐藏层和输出层节点的连接权值,表示如下:
;
;
式中,Wji m’是隐藏层更新后权重,Wkj m’是输出层更新后权重,s0是初始学习率,η是衰减率;t是当前训练次数,tm是最大训练次数。
通过执行上述操作,针对一般施工控制模型存在拟合不足或过拟合,模型存在梯度消失或者梯度***的问题,本方案基于设计非线性激活函数更好地捕捉数据复杂表示,提高模型表达能力,基于设计损失函数和参数更新规则,通过学习率和衰减率控制参数更新,从而提高模型性能。
实施例五,参阅图1和图3,该实施例基于上述实施例,参数搜索模块具体包括以下内容:
初始化,基于参数搜索空间随机生成参数位置,将神经网络的误差作为参数个体适应度值;
定义参数位置移动,表示如下:
;
式中,X是个***置,V是移动分量,I是个体索引,J是搜索维度索引,n是迭代次数,p是个体经验最优,G是全局移动,r和R是0到1的随机数,ωp是惯性权重,c1是个体学习因子,c2是全局学习因子,是第n+1次迭代中第I个体J维度的位置,/>是第n次迭代中第I个体J维度的位置,/>是第n次迭代中第I个体J维度的移动分量,/>是第n次迭代中随机数,是第n次迭代中I个体J维度的经验最优,/>是第n次迭代中J维度的全局移动;
定义个体经验最优,表示如下:
;
式中,f()是个体适应度值,是I个体第n+1次迭代中的个体经验最优位置,/>是I个体第n次迭代中的个体经验最优位置;
定义全局移动,表示如下:
;
式中,第n次迭代中J维度的全局最优;
定义移动分量,表示如下:
;
式中,是0到1的随机数,ε是膨胀系数,N是参数数量,λ是漂移系数;
定义惯性权重,表示如下:
;
式中,ωmax是最大权重,ωmin是最小权重,是服从正态分布的随机值,σ是偏差系数;
定义判定方式,预先设有适应度阈值,若存在个体适应度值低于适应度阈值,则基于当前个***置建立施工控制模型;若达到最大迭代次数,则重新初始化进行参数搜索;否则继续迭代搜索。
通过执行上述操作,针对传统搜索算法存在随机性不足,全局搜索能力弱,搜索效率低导致算法性能弱的问题,本方案基于设计惯性权重,权衡个体和全局的学***衡探索和搜索空间信息的能力,提高搜索效率,通过定义移动分量从而进行参数位置的更新。
实施例六,参阅图1,该实施例基于上述实施例,连续施工控制模块是实时采集施工数据,输入至基于参数搜索模块搜索的参数建立施工控制模型,根据模型输出的风险等级调整施工设置,并将数据返回至模型中,不断更新模型。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (2)
1.一种高寒区深长隧道冬季连续施工控制***,其特征在于:包括数据采集模块、预处理模块、施工控制模型设计模块、参数搜索模块和连续施工控制模块;
所述施工控制模型设计模块基于设计隐藏层和输出层节点的输出、设计激活函数、基于衰减率和学习率设计损失函数和更新隐藏层和输出层节点的连接权值构建神经网络;
所述参数搜索模块基于定义参数位置移动、定义个体经验最优和全局移动、定义移动分量和惯性权重进行参数搜索,基于适应度阈值判定搜索结果;
所述连续施工控制模块基于建立的施工控制模型控制施工设置;
所述参数搜索模块具体包括以下内容:
初始化,基于参数搜索空间随机生成参数位置,将神经网络的误差作为参数个体适应度值;
定义参数位置移动,表示如下:
;
式中,X是个***置,V是移动分量,I是个体索引,J是搜索维度索引,n是迭代次数,p是个体经验最优,G是全局移动,r和R是0到1的随机数,ωp是惯性权重,c1是个体学习因子,c2是全局学习因子,是第n+1次迭代中第I个体J维度的位置,/>是第n次迭代中第I个体J维度的位置,/>是第n次迭代中第I个体J维度的移动分量,/>是第n次迭代中随机数,/>是第n次迭代中I个体J维度的经验最优,/>是第n次迭代中J维度的全局移动;
定义个体经验最优,表示如下:
;
式中,f()是个体适应度值,是I个体第n+1次迭代中的个体经验最优位置,/>是I个体第n次迭代中的个体经验最优位置;
定义全局移动,表示如下:
;
式中,是第n次迭代中J维度的全局最优;
定义移动分量,表示如下:
;
式中,是0到1的随机数,ε是膨胀系数,N是参数数量,λ是漂移系数;
定义惯性权重,表示如下:
;
式中,ωmax是最大权重,ωmin是最小权重,是服从正态分布的随机值,σ是偏差系数;
定义判定方式,预先设有适应度阈值,若存在个体适应度值低于适应度阈值,则基于当前个***置建立施工控制模型;若达到最大迭代次数,则重新初始化进行参数搜索;否则继续迭代搜索;
所述施工控制模型设计模块是基于构建神经网络,具体包括以下内容:
设计隐藏层和输出层节点的输出,表示如下:
;
;
式中,Hj()是隐藏层输出,Yk()是输出层输出,ns是输出的数量,i是输入的索引,是j隐藏层节点i输入的权重矩阵,/>是k输出层节点到j隐藏层节点的输出矩阵,m是权重矩阵的阶数,j是隐藏层节点,k是输出层节点,θ是偏置,F()是激活函数,x是输入;
设计激活函数,表示如下:
;
式中,a是用于控制各层的负值的系数因子;
设计损失函数,表示如下:
;
式中,E是损失函数,Ns是神经元数量,是神经网络预测值,/>是实际值;
设计误差函数和输出层以及隐藏层节点的偏导,表示如下:
;
;
式中,是输出层节点的偏导数,/>是隐藏层节点的偏导数;
更新隐藏层和输出层节点的连接权值,表示如下:
;
;
式中,Wji m’是隐藏层更新后权重,Wkj m’是输出层更新后权重,s0是初始学习率,η是衰减率;t是当前训练次数,tm是最大训练次数;
所述数据采集模块是收集高寒区深长隧道冬季相关的施工数据,包括有限元模拟数据、室内试验结果和现场监测数据;
所述连续施工控制模块是实时采集施工数据,输入至基于参数搜索模块搜索的参数建立施工控制模型,根据模型输出的风险等级调整施工设置,并将数据返回至模型中,不断更新模型。
2.根据权利要求1所述的一种高寒区深长隧道冬季连续施工控制***,其特征在于:所述预处理模块是将采集到的数据进行预处理,包括去除异常值、填补缺失值、数据归一化和数据向量化处理操作,将模拟数据中的风险等级作为数据标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311437112.9A CN117236137B (zh) | 2023-11-01 | 2023-11-01 | 一种高寒区深长隧道冬季连续施工控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311437112.9A CN117236137B (zh) | 2023-11-01 | 2023-11-01 | 一种高寒区深长隧道冬季连续施工控制*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117236137A CN117236137A (zh) | 2023-12-15 |
CN117236137B true CN117236137B (zh) | 2024-02-02 |
Family
ID=89091406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311437112.9A Active CN117236137B (zh) | 2023-11-01 | 2023-11-01 | 一种高寒区深长隧道冬季连续施工控制*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117236137B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017197626A1 (zh) * | 2016-05-19 | 2017-11-23 | 江南大学 | 改进人工蜂群优化的极限学习机方法 |
CN110147874A (zh) * | 2019-04-28 | 2019-08-20 | 武汉理工大学 | 一种长大隧道车速分布的环境因素水平智能优化方法 |
CN110376900A (zh) * | 2019-08-16 | 2019-10-25 | 中国科学院深圳先进技术研究院 | 参数优化方法、终端设备以及计算机存储介质 |
CN111159891A (zh) * | 2019-12-27 | 2020-05-15 | 南京航空航天大学 | 基于dnn神经网络的单样本极化滤波器系数预测方法 |
CN114167295A (zh) * | 2021-11-30 | 2022-03-11 | 北京理工大学 | 基于多算法融合的锂离子电池soc估算方法与*** |
WO2022068934A1 (en) * | 2020-09-30 | 2022-04-07 | Huawei Technologies Co., Ltd. | Method of neural architecture search using continuous action reinforcement learning |
WO2022134391A1 (zh) * | 2020-12-25 | 2022-06-30 | 中国科学院西安光学精密机械研究所 | 融合神经元模型、神经网络结构及训练、推理方法、存储介质和设备 |
CN115526096A (zh) * | 2022-08-16 | 2022-12-27 | 中铁四局集团第四工程有限公司 | 盾构机施工掘进参数的预测方法、装置及可存储介质 |
CN115688234A (zh) * | 2022-10-27 | 2023-02-03 | 华南理工大学 | 一种基于条件卷积的建筑布局生成方法、装置及介质 |
CN115860044A (zh) * | 2022-12-07 | 2023-03-28 | 国网河南省电力公司营销服务中心 | 基于改进松鼠搜索算法的短期电力负荷预测方法 |
CN116629712A (zh) * | 2023-07-21 | 2023-08-22 | 武汉理工大学三亚科教创新园 | 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 |
CN116739176A (zh) * | 2023-06-21 | 2023-09-12 | 西安建筑科技大学 | 一种基于深度置信网络的隧道机械化施工风险预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 一种基于优化深度信念网络的电力电子电路故障诊断方法 |
-
2023
- 2023-11-01 CN CN202311437112.9A patent/CN117236137B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017197626A1 (zh) * | 2016-05-19 | 2017-11-23 | 江南大学 | 改进人工蜂群优化的极限学习机方法 |
CN110147874A (zh) * | 2019-04-28 | 2019-08-20 | 武汉理工大学 | 一种长大隧道车速分布的环境因素水平智能优化方法 |
CN110376900A (zh) * | 2019-08-16 | 2019-10-25 | 中国科学院深圳先进技术研究院 | 参数优化方法、终端设备以及计算机存储介质 |
CN111159891A (zh) * | 2019-12-27 | 2020-05-15 | 南京航空航天大学 | 基于dnn神经网络的单样本极化滤波器系数预测方法 |
WO2022068934A1 (en) * | 2020-09-30 | 2022-04-07 | Huawei Technologies Co., Ltd. | Method of neural architecture search using continuous action reinforcement learning |
WO2022134391A1 (zh) * | 2020-12-25 | 2022-06-30 | 中国科学院西安光学精密机械研究所 | 融合神经元模型、神经网络结构及训练、推理方法、存储介质和设备 |
CN114167295A (zh) * | 2021-11-30 | 2022-03-11 | 北京理工大学 | 基于多算法融合的锂离子电池soc估算方法与*** |
CN115526096A (zh) * | 2022-08-16 | 2022-12-27 | 中铁四局集团第四工程有限公司 | 盾构机施工掘进参数的预测方法、装置及可存储介质 |
CN115688234A (zh) * | 2022-10-27 | 2023-02-03 | 华南理工大学 | 一种基于条件卷积的建筑布局生成方法、装置及介质 |
CN115860044A (zh) * | 2022-12-07 | 2023-03-28 | 国网河南省电力公司营销服务中心 | 基于改进松鼠搜索算法的短期电力负荷预测方法 |
CN116739176A (zh) * | 2023-06-21 | 2023-09-12 | 西安建筑科技大学 | 一种基于深度置信网络的隧道机械化施工风险预测方法 |
CN116629712A (zh) * | 2023-07-21 | 2023-08-22 | 武汉理工大学三亚科教创新园 | 基于pso-bp神经网络的海底盾构隧道施工质量风险评估方法 |
Non-Patent Citations (3)
Title |
---|
Predictive model based on graph convolutional neural network;Wanwan Cao等;《2022 IEEE 6th Information Technology and Mechatronics Engineering Conference (ITOEC)》;全文 * |
万有引力搜索算法及其自适应改进研究;徐红霞;;新乡学院学报(06);全文 * |
基于深度架构网络的矮新星自动分类研究;赵永健;郭瑞;王璐瑶;姜斌;;光谱学与光谱分析(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117236137A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112329348B (zh) | 一种面向非完全信息条件下军事对抗博弈的智能决策方法 | |
Zhu et al. | Online minimax Q network learning for two-player zero-sum Markov games | |
CN109635947B (zh) | 基于答案采样的机器阅读理解模型训练方法及装置 | |
CN103593538B (zh) | 一种遗传算法优化动态递归神经网络的光纤陀螺温度漂移建模方法 | |
CN110030843B (zh) | 基于改进鲸鱼优化算法的蓄热式熔铝炉参数优化设定方法 | |
CN113762603B (zh) | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 | |
CN104539601B (zh) | 动态网络攻击过程可靠性分析方法及*** | |
CN107016464A (zh) | 基于动态贝叶斯网络的威胁估计方法 | |
CN110119766A (zh) | 一种多组合智能化模型的青椒温室温度智能化预警装置 | |
Putra et al. | Estimation of parameters in the SIR epidemic model using particle swarm optimization | |
CN110097929A (zh) | 一种高炉铁水硅含量在线预测方法 | |
Zhang et al. | Short‐term load forecasting based on wavelet neural network with adaptive mutation bat optimization algorithm | |
CN112766603A (zh) | 一种交通流量预测方法、***、计算机设备及存储介质 | |
CN109063388A (zh) | 风环境模拟的微气候建筑选址设计方法 | |
CN116992779A (zh) | 基于数字孪生模型的光伏储能***仿真方法及*** | |
CN114862015A (zh) | 一种基于FEN-ConvLSTM模型的台风风速智能预测方法 | |
Wang et al. | Inference-based posteriori parameter distribution optimization | |
CN117236137B (zh) | 一种高寒区深长隧道冬季连续施工控制*** | |
CN116722545B (zh) | 基于多源数据的光伏发电预测方法和相关设备 | |
CN117371320A (zh) | 基于增强灰狼优化算法的光子晶体光纤预测方法及*** | |
CN110570046A (zh) | 环境监测站点的选址方法及*** | |
CN116070763A (zh) | 基于梯度进化的新建风电场风电功率预测方法及*** | |
CN115909027A (zh) | 一种态势估计方法及装置 | |
CN109884548A (zh) | 一种基于gasvm-aukf算法的锂电池剩余寿命预测方法 | |
Hailong et al. | Data fusion method for temperature monitoring of bio-oxidation with wireless sensor networks |
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 |