基于机器学习的深基坑三维土层重建

在深基坑施工过程中,需要通过少量钻孔数据来进行土层三维模型重建,以获取土质信息分布.提出一种基于机器学习的土层重建方法,首先设计土层生成算法来进行土层训练数据集的数据增强.然后根据钻孔信息数据结构设计了预测模型特征编码方法,作为预测模型的标准输入,通过搭建卷积神经网络模型,对土层结构进行特征提取,形成土层预测模型.随后,利用预测模型对待预测地块中的离散格点进行土层属性预测,获得土层体数据.最后,对土层体数据利用Marching Cubes算法生成封闭等值面,形成土层实体块,从而实现了对三维土层的重建.本模型能够适应不同层数、不同类型的地层,具备了实际工程应用的初步条件.     

基于围长约束与EMD的低错误平层LDPC码构造方法

针对低密度奇偶校验(low-density parity-check,LDPC)码在高信噪比区域可能存在错误平层的缺点,利用渐进边增长(progressive edge growth,PEG)算法的思想,基于围长约束和额外信息度(extrinsic message degree,EMD)提出了一种围长为8的LDPC码构造方法,该方法所构造的PEG-GA-EMD(PGAE)-LDPC码不存在四环和六环且具有优越的纠错性能.仿真结果表明,该方法所构造的码率分别为0.5和0.67的PEG-GA-EMD(PGAE)-LDPC(3024,1512)码和PGAE-LDPC(1200,800)码能有效改善高信噪比区域的纠错性能,且未出现明显的错误平层.