白丝美女被狂躁免费视频网站,500av导航大全精品,yw.193.cnc爆乳尤物未满,97se亚洲综合色区,аⅴ天堂中文在线网官网

首頁 / 專利庫 / 人工智能 / 數(shù)據(jù)挖掘 / 一種基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法

一種基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法

閱讀：355發(fā)布：2020-05-11

專利匯可以提供一種基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法專利檢索，專利查詢，專利分析的服務(wù)。并且本 發(fā)明 公開了一種基于 數(shù)據(jù)挖掘 的結(jié)構(gòu)安全評估及預(yù)報方法，解決了現(xiàn)有方法難度大、對人員要求高、評估可靠性不足的弊端，其技術(shù)方案要點是包括有以下步驟：收集結(jié)構(gòu)全生命周期內(nèi)各類相關(guān)資料，形成分析 數(shù)據(jù)庫 ； 抽取 全因素的特征數(shù)據(jù)形成樣本庫；基于 隨機(jī)森林 挖掘 算法 ，生成評估模型與 預(yù)測模型 ；將需評估的結(jié)構(gòu)當(dāng)前生命周期內(nèi)的資料輸入分析數(shù)據(jù)庫，抽取相關(guān)特征數(shù)據(jù)進(jìn)行評估和預(yù)測；將評估及預(yù)測結(jié)果以及重要性的對應(yīng)特征數(shù)據(jù)進(jìn)行推送；將評估預(yù)測結(jié)果及該結(jié)構(gòu)對應(yīng)的特征數(shù)據(jù)加入樣本庫，作為下一次評估的訓(xùn)練樣本。本發(fā)明的一種基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法，能夠解決現(xiàn)有問題，為結(jié)構(gòu)提供更為準(zhǔn)確和快速的安全評估和預(yù)報。，下面是一種基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法專利的具體信息內(nèi)容。

1.一種基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法，其特征是，包括有以下步驟：
收集結(jié)構(gòu)全生命周期內(nèi)各類相關(guān)資料，處理形成特征數(shù)據(jù)并存儲以形成分析數(shù)據(jù)庫；
按照結(jié)構(gòu)所處不同階段抽取結(jié)構(gòu)處于不同安全狀態(tài)下全因素的特征數(shù)據(jù)，形成樣本庫；
基于隨機(jī)森林挖掘算法，對樣本庫進(jìn)行訓(xùn)練，通過參數(shù)優(yōu)化，生成結(jié)構(gòu)現(xiàn)狀安全的評估模型與下階段結(jié)構(gòu)安全狀態(tài)的預(yù)測模型；
將需要評估的結(jié)構(gòu)當(dāng)前生命周期內(nèi)的資料輸入分析數(shù)據(jù)庫，按照相同規(guī)則抽取需要評估階段的相關(guān)特征數(shù)據(jù)，導(dǎo)入評估模型及預(yù)測模型進(jìn)行現(xiàn)階段結(jié)構(gòu)安全狀態(tài)的評估和下階段結(jié)構(gòu)安全狀態(tài)的預(yù)測；
將評估及預(yù)測結(jié)果以及重要性排序在前的對應(yīng)特征數(shù)據(jù)進(jìn)行推送；
將評估預(yù)測結(jié)果及該結(jié)構(gòu)對應(yīng)的特征數(shù)據(jù)加入樣本庫，作為下一次評估的訓(xùn)練樣本。
2.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法，其特征是，相關(guān)數(shù)據(jù)資料的收集處理具體包括有：
收集結(jié)構(gòu)的建設(shè)及運營期間勘察、設(shè)計、施工、監(jiān)測、運營監(jiān)護(hù)時獲取的結(jié)構(gòu)前期工程勘察資料、結(jié)構(gòu)設(shè)計資料、結(jié)構(gòu)施工及監(jiān)測資料、結(jié)構(gòu)使用過程的監(jiān)護(hù)資料、結(jié)構(gòu)周邊環(huán)境資料、結(jié)構(gòu)收周邊活動影響資料，并將對應(yīng)資料解析獲得對應(yīng)特征數(shù)據(jù)存儲至分析數(shù)據(jù)庫；
結(jié)構(gòu)全生命周期內(nèi)解析獲得的結(jié)構(gòu)地質(zhì)數(shù)據(jù)、結(jié)構(gòu)設(shè)計數(shù)據(jù)、結(jié)構(gòu)施工數(shù)據(jù)、結(jié)構(gòu)監(jiān)護(hù)數(shù)據(jù)、周邊環(huán)境數(shù)據(jù)、周邊活動影響數(shù)據(jù)形成結(jié)構(gòu)全因素的特征數(shù)據(jù)。
3.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法，其特征是：樣本庫的樣本中同類結(jié)構(gòu)數(shù)目大于100，每個結(jié)構(gòu)覆蓋全生命周期的不同安全狀態(tài)的特征數(shù)據(jù)。
4.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法，其特征是，所述隨機(jī)森林算法模型訓(xùn)練的步驟包括有：
調(diào)用基本算法環(huán)境，導(dǎo)入樣本庫中的特征數(shù)據(jù)；
調(diào)用隨機(jī)森林算法，將導(dǎo)入的特征數(shù)據(jù)劃分為預(yù)測樣本集和驗證樣本集；
對建立的評估模型及預(yù)測模型進(jìn)行訓(xùn)練及參數(shù)優(yōu)化；
返回最優(yōu)模型，輸出最優(yōu)模型及精度。
5.根據(jù)權(quán)利要求4所述的基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法，其特征是，所述隨機(jī)森林算法參數(shù)優(yōu)化方法及步驟包括有：
設(shè)定隨機(jī)森林參數(shù)較大取值范圍；
采用考慮貪心策略的隨機(jī)搜索方法快速獲取模型參數(shù)的較優(yōu)取值；
以較優(yōu)取值確定較小的取值范圍，采用小步長網(wǎng)絡(luò)搜索方法進(jìn)一步確定本結(jié)構(gòu)安全評估的參數(shù)最優(yōu)取值，以獲取最優(yōu)訓(xùn)練精度的模型。
6.根據(jù)權(quán)利要求5所述的基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法，其特征是，所述考慮貪心策略的隨機(jī)搜索方法包含：
隨機(jī)選取一組參數(shù)對模型進(jìn)行訓(xùn)練，在改變各參數(shù)取值的情況下，通過模型評價指標(biāo)確定參數(shù)取值方向，進(jìn)而找出各參數(shù)的較優(yōu)取值。
7.根據(jù)權(quán)利要求6所述的基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法，其特征是，進(jìn)一步確定本結(jié)構(gòu)安全評估的參數(shù)最優(yōu)取值具體為：
以較優(yōu)參數(shù)取值為基礎(chǔ)，加減隨機(jī)搜索中設(shè)定的較大取值范圍上限的5％～10％作為模型參數(shù)新取值范圍的上下限，采用上下限之差的5％～10％作為網(wǎng)絡(luò)搜索的步長，進(jìn)一步確定模型參數(shù)的最優(yōu)取值。
8.根據(jù)權(quán)利要求7所述的基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法，其特征是，模型最優(yōu)訓(xùn)練精度的評價指標(biāo)包含：準(zhǔn)確率、精確率和F1分?jǐn)?shù)，且模型的質(zhì)量與三個指標(biāo)取值大小成正相關(guān)。
9.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法，其特征是，特征數(shù)據(jù)重要性的排序獲取具體為：
采用基尼指數(shù)衡量特征的重要性，選取基尼系數(shù)排名靠前的若干特征作為影響結(jié)構(gòu)安全的重要特征；
所述基尼指數(shù)的計算公式為：
其中，k代表數(shù)據(jù)集中類別的個數(shù)，pi代表第i個類別的樣本數(shù)量占總樣本的比例。

說明書全文

一種基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法

技術(shù)領(lǐng)域

[0001] 本發(fā)明涉及結(jié)構(gòu)安全及預(yù)報技術(shù)領(lǐng)域，特別涉及一種基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法。

背景技術(shù)

[0002] 結(jié)構(gòu)從施工至使用的整個生命周期內(nèi)，都會受到自身及外部諸多因素的影響，結(jié)構(gòu)的施工及使用一旦超過一定的安全狀態(tài)，如果不進(jìn)行及時跟蹤及處理將嚴(yán)重威脅人們的生命財產(chǎn)安全。因此，需要采取有效的方法對結(jié)構(gòu)的當(dāng)前安全狀態(tài)進(jìn)行實時評估，對結(jié)構(gòu)接下來安全狀態(tài)的發(fā)展進(jìn)行預(yù)測及預(yù)報，對結(jié)構(gòu)安全事故的預(yù)防至關(guān)重要。
[0003] 結(jié)構(gòu)安全評估的方法一般包括模糊綜合評價法、層次分析法、故障樹分析法等等。模糊綜合評價法是根據(jù)模糊數(shù)學(xué)的隸屬度理論把定性評價轉(zhuǎn)化為定量評價，即用模糊數(shù)學(xué)對受到多種因素制約的事物或?qū)ο笞龀鲆粋€總體的評價，而在使用過程中，其指標(biāo)權(quán)重矢量的確定主觀性較強(qiáng)，當(dāng)指標(biāo)較多時，受權(quán)重矢量和為1的約束下，會因為相對隸屬權(quán)系數(shù)偏小的原因產(chǎn)生超模糊現(xiàn)象；層次分析法是將與決策總是有關(guān)的元素分解成目標(biāo)、準(zhǔn)則、方案等層次，在此基礎(chǔ)之上進(jìn)行定性和定量分析的決策方法，該方法在指標(biāo)過多時，指標(biāo)權(quán)重難以確定，判斷矩陣的特征值和特征向量精確求解較為困難；故障樹分析法是利用布林邏輯組合低階事件，由上往下的演繹式失效分析法，在應(yīng)用過程中，構(gòu)建故障樹的多余量相當(dāng)繁重，難度也較大，對分析人員的要求也較高，很容易發(fā)生錯誤和失察，因此造成評估結(jié)果可能存在可靠性不足的情況。

發(fā)明內(nèi)容

[0004] 本發(fā)明的目的是提供一種基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法，能夠解決現(xiàn)有問題，為結(jié)構(gòu)提供更為準(zhǔn)確和快速的安全評估和預(yù)報。
[0005] 本發(fā)明的上述技術(shù)目的是通過以下技術(shù)方案得以實現(xiàn)的：
[0006] 一種基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法，包括有以下步驟：
[0007] 收集結(jié)構(gòu)全生命周期內(nèi)各類相關(guān)資料，處理形成特征數(shù)據(jù)并存儲以形成分析數(shù)據(jù)庫；
[0008] 按照結(jié)構(gòu)所處不同階段抽取結(jié)構(gòu)處于不同安全狀態(tài)下全因素的特征數(shù)據(jù)，形成樣本庫；
[0009] 基于隨機(jī)森林挖掘算法，對樣本庫進(jìn)行訓(xùn)練，通過參數(shù)優(yōu)化，生成結(jié)構(gòu)現(xiàn)狀安全的評估模型與下階段結(jié)構(gòu)安全狀態(tài)的預(yù)測模型；
[0010] 將需要評估的結(jié)構(gòu)當(dāng)前生命周期內(nèi)的資料輸入分析數(shù)據(jù)庫，按照相同規(guī)則抽取需要評估階段的相關(guān)特征數(shù)據(jù)，導(dǎo)入評估模型及預(yù)測模型進(jìn)行現(xiàn)階段結(jié)構(gòu)安全狀態(tài)的評估和下階段結(jié)構(gòu)安全狀態(tài)的預(yù)測；
[0011] 將評估及預(yù)測結(jié)果以及重要性排序在前的對應(yīng)特征數(shù)據(jù)進(jìn)行推送；
[0012] 將評估預(yù)測結(jié)果及該結(jié)構(gòu)對應(yīng)的特征數(shù)據(jù)加入樣本庫，作為下一次評估的訓(xùn)練樣本。
[0013] 作為優(yōu)選，相關(guān)數(shù)據(jù)資料的收集處理具體包括有：
[0014] 收集結(jié)構(gòu)的建設(shè)及運營期間勘察、設(shè)計、施工、監(jiān)測、運營監(jiān)護(hù)時獲取的結(jié)構(gòu)前期工程勘察資料、結(jié)構(gòu)設(shè)計資料、結(jié)構(gòu)施工及監(jiān)測資料、結(jié)構(gòu)使用過程的監(jiān)護(hù)資料、結(jié)構(gòu)周邊環(huán)境資料、結(jié)構(gòu)收周邊活動影響資料，并將對應(yīng)資料解析獲得對應(yīng)特征數(shù)據(jù)存儲至分析數(shù)據(jù)庫；
[0015] 結(jié)構(gòu)全生命周期內(nèi)解析獲得的結(jié)構(gòu)地質(zhì)數(shù)據(jù)、結(jié)構(gòu)設(shè)計數(shù)據(jù)、結(jié)構(gòu)施工數(shù)據(jù)、結(jié)構(gòu)監(jiān)護(hù)數(shù)據(jù)、周邊環(huán)境數(shù)據(jù)、周邊活動影響數(shù)據(jù)形成結(jié)構(gòu)全因素的特征數(shù)據(jù)。
[0016] 作為優(yōu)選，樣本庫的樣本中同類結(jié)構(gòu)數(shù)目大于100，每個結(jié)構(gòu)覆蓋全生命周期的不同安全狀態(tài)的特征數(shù)據(jù)。
[0017] 作為優(yōu)選，所述隨機(jī)森林算法模型訓(xùn)練的步驟包括有：
[0018] 調(diào)用基本算法環(huán)境，導(dǎo)入樣本庫中的特征數(shù)據(jù)；
[0019] 調(diào)用隨機(jī)森林算法，將導(dǎo)入的特征數(shù)據(jù)劃分為為預(yù)測樣本集和驗證樣本集；
[0020] 對建立的評估模型及預(yù)測模型進(jìn)行訓(xùn)練及參數(shù)優(yōu)化；
[0021] 返回最優(yōu)模型，輸出最優(yōu)模型及精度。
[0022] 作為優(yōu)選，所述隨機(jī)森林算法參數(shù)優(yōu)化方法及步驟包括有：
[0023] 設(shè)定隨機(jī)森林參數(shù)較大取值范圍；
[0024] 采用考慮貪心策略的隨機(jī)搜索方法快速獲取模型參數(shù)的較優(yōu)取值；
[0025] 以較優(yōu)取值確定較小的取值范圍，采用小步長網(wǎng)絡(luò)搜索方法進(jìn)一步確定本結(jié)構(gòu)安全評估的參數(shù)最優(yōu)取值，以獲取最優(yōu)訓(xùn)練精度的模型。
[0026] 作為優(yōu)選，所述考慮貪心策略的隨機(jī)搜索方法包含：
[0027] 隨機(jī)選取一組參數(shù)對模型進(jìn)行訓(xùn)練，在改變各參數(shù)取值的情況下，通過模型評價指標(biāo)確定參數(shù)取值方向，進(jìn)而找出各參數(shù)的較優(yōu)取值。
[0028] 作為優(yōu)選，進(jìn)一步確定本結(jié)構(gòu)安全評估的參數(shù)最優(yōu)取值具體為：
[0029] 以較優(yōu)參數(shù)取值為基礎(chǔ)，加減隨機(jī)搜索中設(shè)定的較大取值范圍上限的5％～10％作為模型參數(shù)新取值范圍的上下限，采用上下限之差的5％～10％作為網(wǎng)絡(luò)搜索的步長，進(jìn)一步確定模型參數(shù)的最優(yōu)取值。
[0030] 作為優(yōu)選，模型最優(yōu)訓(xùn)練精度的評價指標(biāo)包含：準(zhǔn)確率、精確率和F1分?jǐn)?shù)，且模型的質(zhì)量與三個指標(biāo)取值大小成正相關(guān)
[0031] 作為優(yōu)選，特征數(shù)據(jù)重要性的排序獲取具體為：
[0032] 采用基尼指數(shù)衡量特征的重要性，選取基尼系數(shù)排名靠前的若干特征作為影響結(jié)構(gòu)安全的重要特征；
[0033] 所述基尼指數(shù)的計算公式為：
[0034]
[0035] 其中，k代表數(shù)據(jù)集中類別的個數(shù)，pi代表第i個類別的樣本數(shù)量占總樣本的比例。
[0036] 綜上所述，本發(fā)明具有以下有益效果：
[0037] 通過構(gòu)建全生命周期相關(guān)資料的分析數(shù)據(jù)庫和樣本庫，采用隨機(jī)森林?jǐn)?shù)據(jù)挖掘算法實現(xiàn)隧道結(jié)構(gòu)安全現(xiàn)狀評估及后續(xù)安全狀態(tài)預(yù)測；可對全生命周期內(nèi)任何時刻的結(jié)構(gòu)進(jìn)行安全狀態(tài)評價，且可根據(jù)樣本數(shù)據(jù)和訓(xùn)練模型對結(jié)構(gòu)后續(xù)安全狀態(tài)的發(fā)展進(jìn)行預(yù)測；將每次完成預(yù)測評估的結(jié)構(gòu)的特征數(shù)據(jù)加入樣本庫內(nèi)，實現(xiàn)了樣本數(shù)據(jù)的自增長方法，可保證樣本數(shù)據(jù)量的持續(xù)增長，提高評估結(jié)果的可靠性。附圖說明
[0038] 圖1為本方法的流程圖；
[0039] 圖2為本方法采用的隨機(jī)森林算法模型訓(xùn)練的步驟流程圖。

具體實施方式

[0040] 以下結(jié)合附圖對本發(fā)明作進(jìn)一步詳細(xì)說明。
[0041] 根據(jù)一個或多個實施例，公開的一種基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法，如圖1所示，包括有以下步驟：
[0042] 1)對結(jié)構(gòu)全生命周期內(nèi)各類相關(guān)資料進(jìn)行收集，并形成分析數(shù)據(jù)庫；
[0043] 2)按照結(jié)構(gòu)所處不同階段抽取結(jié)構(gòu)處于不同安全狀態(tài)全因素的特征數(shù)據(jù)形成樣本庫；
[0044] 3)基于隨機(jī)森林挖掘算法，對樣本庫進(jìn)行訓(xùn)練，并通過參數(shù)優(yōu)化，生成結(jié)構(gòu)現(xiàn)狀安全的評估模型和下階段結(jié)構(gòu)安全狀態(tài)的預(yù)測模型；
[0045] 4)將需要評估的結(jié)構(gòu)當(dāng)前生命周期內(nèi)的資料輸入分析數(shù)據(jù)庫，按照相同規(guī)則抽取需要評估階段的相關(guān)特征數(shù)據(jù)，導(dǎo)入評估模型及預(yù)測模型進(jìn)行現(xiàn)狀安全的評估和下階段結(jié)構(gòu)安全狀態(tài)的預(yù)測；
[0046] 5)將評估預(yù)測結(jié)果和重要性靠前的特征所對應(yīng)數(shù)據(jù)推送給本項目各相關(guān)方；
[0047] 6)將最終評估結(jié)果和該結(jié)構(gòu)相對應(yīng)的特征數(shù)據(jù)加入樣本庫，作為下一次評估項目的訓(xùn)練樣本，實現(xiàn)結(jié)構(gòu)安全評估樣本數(shù)量的持續(xù)增長。
[0048] 全生命周期內(nèi)各類相關(guān)資料包括有：在結(jié)構(gòu)的建設(shè)及運營期間，勘察、設(shè)計、施工、監(jiān)測、運營監(jiān)護(hù)時獲取的結(jié)構(gòu)前期工程勘察資料(如地層信息、水文信息)、結(jié)構(gòu)設(shè)計資料(如結(jié)構(gòu)形式、設(shè)計等級)、結(jié)構(gòu)施工及監(jiān)測資料(如施工工況、施工內(nèi)力變形監(jiān)測)、結(jié)構(gòu)使用過程的監(jiān)護(hù)資料(如結(jié)構(gòu)變形、結(jié)構(gòu)損傷、結(jié)構(gòu)養(yǎng)護(hù))、結(jié)構(gòu)周邊環(huán)境資料(如所處地域、氣候條件)、結(jié)構(gòu)受周邊活動影響資料(如周邊工程施工、降水等)。
[0049] 將相關(guān)資料解析形成特征數(shù)據(jù)后存儲至分析數(shù)據(jù)庫內(nèi)，結(jié)構(gòu)全生命周期內(nèi)解析獲得的結(jié)構(gòu)地質(zhì)數(shù)據(jù)、結(jié)構(gòu)設(shè)計數(shù)據(jù)、結(jié)構(gòu)施工數(shù)據(jù)、結(jié)構(gòu)監(jiān)護(hù)數(shù)據(jù)、周邊環(huán)境數(shù)據(jù)、周邊活動影響數(shù)據(jù)形成結(jié)構(gòu)全因素的特征數(shù)據(jù)。
[0050] 樣本庫中作為樣本數(shù)據(jù)的特征數(shù)據(jù)則包括有：結(jié)構(gòu)地質(zhì)數(shù)據(jù)、結(jié)構(gòu)設(shè)計數(shù)據(jù)、結(jié)構(gòu)施工數(shù)據(jù)、結(jié)構(gòu)監(jiān)護(hù)數(shù)據(jù)、周邊環(huán)境數(shù)據(jù)、周邊活動影響數(shù)據(jù)。樣本庫應(yīng)包含大于100個同類結(jié)構(gòu)項目，且每個項目結(jié)構(gòu)覆蓋全生命周期的不同安全狀態(tài)的特征數(shù)據(jù)，以保證數(shù)據(jù)挖掘模型能夠涵蓋預(yù)評估對象所有可能的安全狀態(tài)。
[0051] 用于數(shù)據(jù)挖掘的算法為隨機(jī)森林算法，應(yīng)用該算法進(jìn)行模型訓(xùn)練流程如圖2所示，其主要包括：調(diào)用基本算法環(huán)境；導(dǎo)入基于分析數(shù)據(jù)庫抽取生成的結(jié)構(gòu)安全狀態(tài)樣本數(shù)據(jù)的樣本庫中的特征數(shù)據(jù)；調(diào)用隨機(jī)森林算法；拆分樣本數(shù)據(jù)，其中2/3為訓(xùn)練樣本集，1/3作為驗證樣本集；進(jìn)行模型訓(xùn)練及模型參數(shù)的優(yōu)化；返回最優(yōu)模型；輸出最優(yōu)模型及精度。
[0052] 隨機(jī)森林算法參數(shù)優(yōu)化包含：設(shè)定隨機(jī)森林參數(shù)較大取值范圍；采用考慮貪心策略的隨機(jī)搜索方法快速獲取模型參數(shù)的較優(yōu)取值；以較優(yōu)取值確定較小的取值范圍，采用小步長網(wǎng)絡(luò)搜索方法進(jìn)一步確定本結(jié)構(gòu)安全評估的參數(shù)最優(yōu)取值，以獲取最優(yōu)訓(xùn)練精度的模型。
[0053] 根據(jù)隨機(jī)森林算法常規(guī)取值范圍及本結(jié)構(gòu)評估的特點，確定模型參數(shù)足夠大的取值范圍，一般的，比如決策樹的個數(shù)取值范圍可定位20～1000，分列屬性取值范圍可定位1～60；通過考慮貪心策略的隨機(jī)搜索方法，先隨機(jī)選取一組參數(shù)對模型進(jìn)行訓(xùn)練，再在改變各參數(shù)取值的情況下，通過模型評價指標(biāo)確定參數(shù)取值方向，從而快速找出各參數(shù)的較優(yōu)取值。
[0054] 采用小步長網(wǎng)絡(luò)搜索方法進(jìn)一步確定本結(jié)構(gòu)安全評估的參數(shù)最優(yōu)取值具體為，以較優(yōu)參數(shù)取值為基礎(chǔ)，加減隨機(jī)搜索中設(shè)定的較大取值范圍上限的5％～10％作為模型參數(shù)新取值范圍的上下限，采用上下限之差的5％～10％作為網(wǎng)絡(luò)搜索的步長，進(jìn)一步確定模型參數(shù)的最有取值。
[0055] 模型最優(yōu)精度的評價指標(biāo)包含：準(zhǔn)確率(accuracy)、精確率(precision)和F1分?jǐn)?shù)(F1-score)，模型的質(zhì)量與三個指標(biāo)取值的大小成正相關(guān)關(guān)系，三個指標(biāo)取值越大，模型質(zhì)量越好。
[0056] 對數(shù)據(jù)特征的重要性的獲取具體為：采用基尼指數(shù)衡量特征的重要性，一般選取基尼系數(shù)排名前五的特征作為影響結(jié)構(gòu)安全的重要特征，重要特征個數(shù)也可根據(jù)結(jié)構(gòu)特點進(jìn)行調(diào)整基尼指數(shù)的計算公式為：
[0057]
[0058] 式中，k代表數(shù)據(jù)集中類別的個數(shù)，pi代表第i個類別的樣本數(shù)量占總樣本的比例。
[0059] 實現(xiàn)結(jié)構(gòu)安全評估樣本數(shù)量的持續(xù)增長，具體為將結(jié)構(gòu)當(dāng)前安全狀態(tài)評估的最終結(jié)果及相對應(yīng)的特征數(shù)據(jù)作為新的樣本加入樣本庫，下一次進(jìn)行新的結(jié)構(gòu)評估時，采用新增后的樣本庫進(jìn)行模型訓(xùn)練和評估。
[0060] 本發(fā)明提供的一種基于數(shù)據(jù)挖掘的結(jié)構(gòu)安全評估及預(yù)報方法，通過構(gòu)建結(jié)構(gòu)全生命周期全面資料數(shù)據(jù)庫及樣本庫，采用數(shù)據(jù)挖掘技術(shù)實現(xiàn)隧道結(jié)構(gòu)安全現(xiàn)狀評估和后續(xù)安全狀態(tài)預(yù)評估，本安全評估及預(yù)報方法對全生命周期內(nèi)任何時刻的結(jié)構(gòu)進(jìn)行安全狀態(tài)評價，且可根據(jù)樣本數(shù)據(jù)和訓(xùn)練模型對結(jié)構(gòu)后續(xù)安全狀態(tài)的發(fā)展進(jìn)行預(yù)測，此外，本方法包含了樣本數(shù)據(jù)的自增長方法，可能保證樣本數(shù)據(jù)量的持續(xù)增長。本評估模型樣本特征涵蓋了影響結(jié)構(gòu)盡可能多的因素，大大提高了模型評估及預(yù)測的精度及準(zhǔn)確性，并且本發(fā)明廣發(fā)適用于工民建、橋梁、隧道、基坑等各類結(jié)構(gòu)工程。
[0061] 本具體實施例僅是對本發(fā)明的解釋，其并不是對本發(fā)明的限制，本領(lǐng)域技術(shù)人員在閱讀完本說明書后可以根據(jù)需要對本實施例做出沒有創(chuàng)造性貢獻(xiàn)的修改，但只要在本發(fā)明的權(quán)利要求范圍內(nèi)都受到專利法的保護(hù)。
高效檢索全球?qū)＠?/div>

專利匯是專利免費檢索,專利查詢,專利分析-國家發(fā)明專利查詢檢索分析平臺，是提供專利分析，專利查詢，專利檢索等數(shù)據(jù)服務(wù)功能的知識產(chǎn)權(quán)數(shù)據(jù)服務(wù)商。

我們的產(chǎn)品包含105個國家的1.26億組數(shù)據(jù)，免費查、免費專利分析。

申請試用

分析報告

專利匯分析報告產(chǎn)品可以對行業(yè)情報數(shù)據(jù)進(jìn)行梳理分析，涉及維度包括行業(yè)專利基本狀況分析、地域分析、技術(shù)分析、發(fā)明人分析、申請人分析、專利權(quán)人分析、失效分析、核心專利分析、法律分析、研發(fā)重點分析、企業(yè)專利處境分析、技術(shù)處境分析、專利壽命分析、企業(yè)定位分析、引證分析等超過60個分析角度，系統(tǒng)通過AI智能系統(tǒng)對圖表進(jìn)行解讀，只需1分鐘，一鍵生成行業(yè)專利分析報告。

申請試用

QQ群二維碼
意見反饋