期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
模糊可变集合与模型及在岩爆分级预测中的应用 被引量：12
1
作者 陈守煜 郭瑜 《岩石力学与工程学报》 EI CAS CSCD 北大核心 2005年第A01期4603-4609,共7页
在工程模糊集理论基础上，系统建立模糊可变集合理论、模型与方法，其中包括：差异函数的概念与定义、相对隶属度公式、模糊优选BP神经网络模型及级别特征值公式，并对相关公式进行了分析论证。提出模糊可变集合的预测方法，针对国内外... 在工程模糊集理论基础上，系统建立模糊可变集合理论、模型与方法，其中包括：差异函数的概念与定义、相对隶属度公式、模糊优选BP神经网络模型及级别特征值公式，并对相关公式进行了分析论证。提出模糊可变集合的预测方法，针对国内外一些岩石地下工程实例进行了分析，并用级别特征值对岩爆的发生与否及烈度大小进行预测，结果与实际情况吻合地较好，说明模糊可变集合综合预测方法是有效的。 展开更多
关键词 岩石力学 模糊可变集合 差异函数 模糊优选BP神经网络 级别特征值 岩爆分级预测
下载PDF
基于9种无约束优化算法的岩爆预测BP模型优选 被引量：9
2
作者 王超 李岳峰 +3 位作者 邵琳 张亚平 徐健珲 王航龙 《昆明理工大学学报（自然科学版）》 北大核心 2021年第5期32-37,共6页
为研究不同训练样本数量和无约束优化算法对岩爆BP(Back Propagation)神经网络模型预测准确率的影响,选取围岩最大切向应力与岩石单轴抗压强度比σ_(θ)/σ_(c)、岩石单轴抗压强度与单轴抗拉强度比σ_(c)/σ_(t)和弹性能量指数Wet作为... 为研究不同训练样本数量和无约束优化算法对岩爆BP(Back Propagation)神经网络模型预测准确率的影响,选取围岩最大切向应力与岩石单轴抗压强度比σ_(θ)/σ_(c)、岩石单轴抗压强度与单轴抗拉强度比σ_(c)/σ_(t)和弹性能量指数Wet作为预测指标,广泛搜集整理100组典型岩爆实例建立了训练样本数据库.在样本数量分别为40、70和100时,基于标准算法和9种无约束优化算法建立了10个岩爆BP神经网络预测模型,并提出了考虑不同样本规模影响的岩爆烈度等级预测指数——综合准确值N.比较研究结果表明:BP模型的预测准确率随样本数量增加而提高,3种样本数量下的模型平均预测准确率分别为62.5%、76.4%和87.5%;基于9种优化算法建立的BP网络模型的N值均高于标准BP模型;基于Ploak-Ribiere共轭梯度法优化的BP模型的N值(195)和预测准确率(99.0%)均最高,且在5个工程实例中的预测结果完全符合现场实际,优于标准BP模型、支持向量机模型和其他优化模型,为岩爆烈度等级预测的最佳模型. 展开更多
关键词 无约束优化算法 BP神经网络 岩爆分级预测 训练样本数量 模型优选
原文传递
基于混合PSO-RBF神经网络的铁路隧道岩爆分级预测 被引量：15
3
作者 高磊 刘振奎 张昊宇 《铁道科学与工程学报》 CAS CSCD 北大核心 2021年第2期450-458,共9页
岩爆是铁路隧道建设中主要灾害之一。为了准确预测铁路隧道岩爆烈度等级,以岩石应力系数σ_(θ)/σ_(c)、岩石脆性系数σ_(c)/σ_(t)以及弹性能量指数W_(et)作为岩爆烈度评价指标,提出一种基于混合粒子群优化算法优化的径向基(RBF)神经... 岩爆是铁路隧道建设中主要灾害之一。为了准确预测铁路隧道岩爆烈度等级,以岩石应力系数σ_(θ)/σ_(c)、岩石脆性系数σ_(c)/σ_(t)以及弹性能量指数W_(et)作为岩爆烈度评价指标,提出一种基于混合粒子群优化算法优化的径向基(RBF)神经网络岩爆预测模型。首先在国内外研究成果基础上,选取80组已有岩爆实例作为模型基础数据;然后运用结合了模拟退火算法的粒子群算法(混合PSO)改进径向基神经网络,通过训练数据选取最优的权值W和基函数标准差σ,得到混合PSO-RBF神经网络岩爆烈度预测模型;最后将模型应用于实际铁路隧道工程进行验证。研究结果表明:该模型兼顾个体最优和全局最优,能够正确、有效的对铁路隧道岩爆等级做出预测,为铁路隧道岩爆预测提供了一种新方法。 展开更多
关键词 铁路隧道 模拟退火算法 粒子群算法 RBF神经网络 交叉验证 岩爆烈度分级预测
下载PDF
基于四大集成学习的岩爆烈度分级预测 被引量：6
4
作者 谭文侃 胡南燕 +3 位作者 叶义成 吴孟龙 黄兆云 王先华 《岩石力学与工程学报》 EI CAS CSCD 北大核心 2022年第S02期3250-3259,共10页
为准确预测岩爆灾害,将Boosting,Bagging,Stacking,Voting四大集成学习运用到岩爆灾害预测中,比较普通机器学习算法、Boosting与Bagging预测性能,提出一种Stacking与Voting的基模型选取方法。首先,搜集275组国内外岩爆案例构建原始岩爆... 为准确预测岩爆灾害,将Boosting,Bagging,Stacking,Voting四大集成学习运用到岩爆灾害预测中,比较普通机器学习算法、Boosting与Bagging预测性能,提出一种Stacking与Voting的基模型选取方法。首先,搜集275组国内外岩爆案例构建原始岩爆数据集,通过对原始岩爆数据集中不同岩爆等级的统计参数进行分析,以及使用TSNE(t-distributed Stochastic Neighbor Embedding)算法将原始岩爆数据集进行降维可视化分析,可知原始岩爆数据集中存在大量离群点并且数据不平衡。其次,先后使用Yeo-Johnson变换与K-means SMOTE过采样将数据正态化与平衡化,分别减少离群点以及数据不平衡的影响。正态化并且平衡化后岩爆数据可分性增强。然后,对包含普通机器学习,集成Boosting,集成Bagging的15种机器学习算法进行训练预测,通过宏平均的精确率以及Friedman统计假设检验比较各类模型的预测性能。最后,提出一种多样性与精确率权重融合的Stacking与Voting岩爆烈度分级预测方法。使用穷举法依次剔除精确率不高或者预测结果相似性高的模型,从一般机器学习算法,集成Boosting,集成Bagging保留精确率高、预测结果尽可能不同的模型作为Stacking或者Voting的基模型。结果表明:Boosting,Bagging,Stacking,Voting其预测性能大多比普通机器学习性能好。多样性与精确率权重融合的Stacking与Voting岩爆烈度分级预测方法能有效提高岩爆预测性能。 展开更多
关键词 岩石力学 集成学习 TSNE降维可视化 数据正态化与平衡化 多样性与精确率权重融合 岩爆烈度分级预测
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部