基于支持向量机的建筑物空调负荷预测模型

建立了基于支持向量机(SVM)理论的建筑物空调负荷预测模型.对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用SVM模型和BP神经网络模型进行了训练和预测.仿真结果表明,SVM模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法.     

基于搜索分析深度学习网络(SaNet)的粗粒土级配识别

粗粒土广泛应用于路基、土石坝等填方工程中,然而传统筛分法耗时低效,无法满足级配快速的质量检测需求。为解决上述问题,构建了黄河粉土、石英砂粗粒土“图像-级配”关系数据库,共22380张图像;针对二维图像与三维级配的不匹配的矛盾,构建了任意图像输入数量的搜索-分析网络(searcher-analyzer network,SaNet),基于该网络训练所得模型精度随图像数的增加稳定提升,黄河粉土,石英砂的级配识别平均误差分别为1.63%,1.21%,拟合优度分别为0.995,0.992。结果表明：基于SaNet架构构建的机器学习模型具有较高的级配识别精度,能够满足填方工程中实时无损的级配检测需求。     

四类常见边坡岩石类别识别和边界范围确定的方法

岩质边坡岩石的分类与边界范围的确定对于边坡稳定性的分析至关重要,目前人工方法效率低且受主观因素影响,所以基于Tensorflow建立了岩质边坡图像集分析的卷积神经网络模型,通过卷积操作和池化操作分别对80000张岩质边坡图像进行特征信息的提取和压缩,然后对网络模型进行训练从而实现了岩质边坡岩石的自动识别与分类;采用训练集和测试集中的岩质边坡图像对模型进行检验分析,训练集准确率达到了98%,测试集准确率达到了90%,显示了训练之后的网络模型具有良好的鲁棒性,达到了理想的训练效果。接下来以边坡不同岩石的颜色为主要区分依据,利用深度学习回归操作对岩质边坡不同种类岩石的范围进行确定,为验证算法效果,选取标准彩色岩质边坡图像进行仿真试验,边界检测效果准确。最终采用深度学习建立的网络模型,实现了岩质边坡岩石识别与边界范围划分的快速化、自动化,为后续将图像识别获取的岩质边坡信息导入团队自主研发的GeoSMA-3D软件中,作为对岩质边坡等级判定的重要参数。     

Using extreme learning machines for short-term urban water demand forecasting

This study explores the ability of various machine learning methods to improve the accuracy of urban water demand forecasting for the city of Montreal (Canada). Artificial Neural Network (ANN), Support Vector Regression (SVR) and Extreme Learning Machine (ELM) models, in addition to a traditional model (Multiple linear regression, MLR) were developed to forecast urban water demand at lead times of 1 and 3 days. The use of models based on ELM in water demand forecasting has not previously been explored in much detail. Models were based on different combinations of the main input variables (e.g., daily maximum temperature, daily total precipitation and daily water demand), for which data were available for Montreal, Canada between 1999 and 2010. Based on the squared coefficient of determination, the root mean square error and an examination of the residuals, ELM models provided greater accuracy than MLR, ANN or SVR models in forecasting Montreal urban water demand for 1 day and 3 days ahead, and can be considered a promising method for short-term urban water demand forecasting.     

基于深度学习的排水管道缺陷内窥检测智能识别系统研究

目前国内各城市已普遍采用管道机器人深入管道内部摄取视频影像,有效获取到可供管道缺陷检测的一手资料,但缺陷识别大部分依靠人工目视识别,耗时耗力,生产周期长。利用福州市勘测院多年累积的管道检测数据,基于Pytorch深度学习框架、建立了排水管道缺陷内窥检测智能识别系统,包括:数据预处理,残差神经网络设计与训练、系统集成等。重点实现了三级组合识别模型建构(二分类,类型识别,等级识别),解决了系统准确度等技术难题。经生产实践表明:模型准确率高,可有效提高管道健康状况检查质量和效率。     

利用神经网络的反馈分析方法及其在地下厂房中的应用

将反馈分析问题归结为约束最优化问题,采取最为直接的正演反分析的求解方案,即对结构进行正向数值分析以实现约束条件,利用人工神经网络进行参数反演以满足目标函数,从而建立基于神经网络的反馈分析方法,并给出详细实现步骤。该方法分析过程简单,通用性强。以溪洛渡水电站左岸地下厂房洞室群开挖过程的反馈分析为例,根据工程施工期位移监测资料,以三维连续介质快速Lagrange分析程序FLAC3D作为数值分析软件,建立神经网络数值反馈分析系统。围岩位移反馈分析成果与实测数据吻合,后期开挖的围岩变形、应力以及支护结构受力等的预测成果合理,这可作为溪洛渡厂房洞室群的围岩稳定性评价的可靠基础,也证明该方法是解决大型复杂工程监测反馈分析问题的有效途径,可能得到进一步的推广和应用。     

边坡随机场数字图像特征CNN深度学习及可靠度分析

考虑土体强度空间变异性,提出了数字图像化随机场特征深度学习模型并进行边坡稳定可靠度分析。通过Karhunen-Loeve展开法离散边坡土体随机场并将离散结果转化为数字图像,建立起随机场图像与边坡功能函数值之间隐式关系的卷积神经网络（CNN）代理模型,进而计算随机场数字图像表征后边坡的失效概率。在建立CNN代理模型时,采用拉丁超立方抽样、贝叶斯优化和五折交叉验证以提高精度。最后以单层不排水饱和黏土边坡和双层黏性土边坡为例说明了该方法的有效性。结果表明：在随机场高维表征图像化和边坡小概率失稳情况下,所提CNN深度学习模型能够比较精确地逼近真实边坡稳定性计算结果,进而显著提高考虑随机场模拟的边坡可靠度分析计算效率。     

基于聚类分析和支持向量机的滑坡易发性评价

在将支持向量机(support vector machine,SVM)等机器学习模型用于区域滑坡易发性评价时,大都随机或主观地选取非滑坡栅格单元,不能保证所选的非滑坡栅格单元是真正的\"非滑坡\"。为解决此问题,提出基于聚类分析和SVM的滑坡易发性评价模型。该模型首先用自组织映射(self-organizing mapping,SOM)神经网络对滑坡易发性进行聚类分析;然后从极低易发区中选择非滑坡栅格单元,确保所选非滑坡栅格单元是高概率的\"非滑坡\";最后采用SVM模型基于已知滑坡、所选非滑坡和环境因子对滑坡易发性进行评价。将提出的SOM-SVM模型用于三峡库区万州区滑坡易发性评价,并将得到的易发性结果与随机选取非滑坡的单独SVM模型结果做对比。结果显示SOM-SVM模型具有比单独SVM模型更高的成功率和预测率,表明SOM神经网络能更准确地选取非滑坡栅格单元。     

火灾信息的时间序列分析

介绍了对于火灾事故的基于支持向量机和神经网络的时间序列分析／预测方法，并在试验仿真的基础上指出神经网络模型和支持向量模型的适用范围及其局限性。     

有雾天气下输电线路山火烟雾检测方法研究

输电线路多处于环境复杂的山林中,早期山火发生时经常以烟雾的形式呈现,而在有雾状况下的山火烟雾检测方法的研究却很少见.针对有雾天气状况时的山火检测,提出一种去雾图像增强方法,首先对图像局部均衡化处理,再对全局利用改进的单尺度Retinex方法做增强处理,并使用基于卷积神经网络的山火烟雾检测网络来检测早期山火发生时产生的烟...     

基于ST-CNN的脉冲型地震动与脉冲周期融合识别方法

如何快速准确地识别脉冲型地震动是困扰学术界和工程界的关键难题,定量识别方法虽然能够克服人工识别的经验性限制,但是传统定量识别方法存在识别结果不一致、适用范围不广泛、难以同时识别脉冲周期或识别的脉冲周期部分情况下差异明显等问题。为此建立了一种问题针对性融合学习规则并结合卷积神经网络（CNN）,开发出了一种新的脉冲型地震动与脉冲周期同步识别方法。该学习规则通过对基于不同识别原理的多个传统典型识别方法进行融合学习并采用全球范围的30000条任意方向地震动数据进行训练和验证,摒弃了以往繁琐的人工标记过程并得到了3个问题针对性识别模型,分别命名为Strict识别模型、General识别模型以及T_P识别模型。除此之外,为解决地震动时序输入信息不足从而导致模型泛化能力较弱的问题,对CNN的输入结构进行了优化增强,提出了ST-CNN模型。其引入了S变换层以将地震动时序变换至时频,从而增加了频域分布信息并进一步提高了识别精度。结果表明：Strict识别模型能严格区分脉冲型与非脉冲型地震动,识别结果得到已有方法的一致认可;General识别模型的识别能力更强,适用范围更加广泛;T_P识别模型识别的脉冲周期更加准确,并可与前述识别模型并用以同步输出识别结果。提出的问题针对性融合学习规则还可推广至其他工程领域与其他机器学习模型,建立的识别方法可为脉冲型地震动研究提供科学指导。     

全景绿视率自动识别和计算研究

绿视率是用于绿色空间感知的直观评价标准,传统研究的绿视率多基于平面影像进行计算,不能完全反映三维空间中人对绿量的主观感受.基于全景影像,提出全景绿视率的概念,通过全景相机获取球面全景照片,将等距圆柱投影转换为等积圆柱投影,利用基于语义分割的卷积神经网络模型,自动识别植被区域面积以实现全景绿视率自动化识别和计量.通过比较5项卷积神经网络模型对绿视率的识别效果,显示出Dilated ResNet-105神经网络模型具有最高的识别准确度.以武汉市武昌区紫阳公园为例,对各级园路和广场的全景绿视率进行计算和分析.将卷积神经网络的识别结果同人工判别结果进行对比研究,结果显示:使用Dilated ResNet-105卷积神经网络对绿植范围识别的平均交并比(mIoU)为62.53%,与人工识别的平均差异为9.17%.全景绿视率自动识别和计算可以为相关研究提供新的思路,实现客观准确、快速便捷的绿视率测量评估.     

基于卷积神经网络的结构损伤识别研究进展

为系统梳理基于卷积神经网络的工程结构损伤识别方法的发展脉络和研究现状,分别从结构损伤的识别目的和在不同类型结构中的应用两方面进行了归类、分析和评价。介绍了卷积神经网络的基本结构和评价指标,回顾了卷积神经网络的研究和应用历程。在损伤的识别目的方面,主要针对混凝土结构损伤的分类、定位和分割,详细介绍了基于不同类型卷积神经网络的结构损伤识别方法,即基于分类的方法、基于回归的方法和像素级的图像分割算法; 分析了各类方法所使用的卷积神经网络模型的结构特点、计算流程、训练方法和损伤识别性能。在不同类型结构的损伤识别方面,分析了卷积神经网络在砌体结构、钢结构桥梁和古建筑木结构裂缝识别中的应用。最后,基于对卷积神经网络优缺点的思考,提出了发展建议和展望。结果表明:训练样本中结构损伤的多样性对模型的损伤识别效果影响较大; 现有基于卷积神经网络的损伤分割方法模型参数较多,计算量大; 采用数据增广和迁移学习方法可有效防止模型过拟合,提高模型训练效率; 针对微小损伤和不同类型结构损伤的识别,此类方法的性能有待提高。     

基于进化支持向量机的单桩竖向极限承载力的预测

通过将改进遗传算法与支持向量机相结合,建立一种用于单桩竖向极限承载力预测的进化支持向量机模型。这种方法基于实测数据,利用遗传算法搜索最优的支持向量机参数,用获得的最优模型进行学习,从而得到泛化能力更好的预测模型。结果表明,该算法可以有效地解决支持向量机的参数确定问题,给出的算例结果是令人满意的。     

基于支持向量机的单桩竖向极限承载力预测

提出了一种基于支持向量机理论的单桩竖向极限承载力预测方法,该方法以统计学理论为基础,避免了神经网络结构设计的盲目性和局部最优等非线性优化问题。仿真试验表明,它比基于混沌优化-神经网络的收敛速度快,预测精度高。     

卷积神经网络在结构损伤诊断中的应用

对卷积神经网络(CNN)在工程结构损伤诊断中的应用进行了深入探讨; 以多层框架结构节点损伤位置的识别问题为研究对象,构建了可以直接从结构动力反应信号中进行学习并完成分类诊断的基于原始信号和傅里叶频域信息的一维卷积神经网络模型和基于小波变换数据的二维卷积神经网络模型; 从输入数据样本类别、训练时间、预测准确率、浅层与深层卷积神经网络以及不同损伤程度的影响等多方面进行了研究。结果表明:卷积神经网络能从结构动力反应信息中有效提取结构的损伤特征,且具有很高的识别精度; 相比直接用加速度反应样本,使用傅里叶变换后的频域数据作为训练样本能使CNN的收敛速度更快、更稳定,并且深层CNN的性能要好于浅层CNN; 将卷积神经网络用于工程结构损伤诊断具有可行性,特别是在大数据处理和解决复杂问题能力方面与其他传统诊断方法相比有很大优势,应用前景广阔。     

基于PSO-SVM模型的深基坑变形预测研究

深基坑变形预测一直是深基坑工程的一个重点研究课题,具有十分重要的理论意义和实际价值.支持向量机是一种基于结构风险最小化原理的机器学习算法,它具有很好的泛化能力,能够有效地解决小样本、非线性、高维数、局部极小等问题.本文将支持向量机(SVM)理论引入到深基坑的变形预测当中,同时,采用粒子群算法(PSO)来优化SVM的相关...