结构等价型模糊神经网络算法及其应用

提出一种结构等价型模糊神经网络的学习算法。等价型神经网络根据模糊系统的推理规则,决定等价的神经网络结构参数。     

岩体分级的多分类有序因变量Logistic回归模型

将多分类有序因变量的Logistic回归分析引入到岩体质量分级问题中,以影响岩体级别的单轴抗压强度、岩体声波纵波速度、体积节理数、节理面粗糙度系数、节理面风化变异系数和透水性系数为自变量,岩体级别为响应变量,以工程实测岩体质量数据作为统计样本,建立了岩体分级公式。对模型进行了拟合优度检验、模型的有效性检验、预测能力的检验,研究结果表明：Logistic逐步回归分析得到的回归模型性能良好,回判估计的误判率为零,预测精度高。相比距离判别分析模型,回归分析模型在现场岩体分级更加方便,回判的误判率更低,另外模型能输出岩体属于各级别的概率,为工程设计人员提供更多的岩体质量信息;相比普通的回归分析,多分类有序因变量 Logistic回归更适于响应变量为有序多类别的岩体分级问题,因而岩体分级的多分类有序因变量回归模型是一种更优的岩体分级方法。     

基于深度学习的中文地名识别研究

基于深度学习的循环神经网络方法,面向中文字和词的特点,重新定义了地名标注的输入和输出,提出了汉字级别的循环网络标注模型.以词级别的循环神经网络方法为基准,本文提出的字级别模型在中文地名识别的准确率、召回率和F值均有明显提高,其中F值提高了2.88%.在包含罕见词时提高更为明显,F值提高了26.41%.      

施工阶段隧道围岩快速分级法

现阶段隧道围岩分级工作主要在勘察设计阶段进行,但由于受周边环境及勘察手段的限制,分级结果往往与围岩实际情况不符。为准确获得隧道围岩等级,基于声波-回弹联合测试法,建立"BP神经网络模型"在施工阶段快速预测岩石强度(R_c),利用掌子面炮孔进行岩体纵波波速测试并通过公式计算完整性系数(K_v)后,得到基于岩体基本质量指标(BQ)的施工阶段围岩快速分级法,并以宝汉高速石门隧道为依托在施工阶段对围岩进行分级。结果表明:建立的BP神经网络预测模型可实现岩石强度的现场快速无损预测,预测结果具有较高准确度;根据岩体纵波波速测试结果,可实现岩体完整性系数的定量计算,进而完成石门隧道施工阶段围岩快速分级,对比勘察阶段的分级结果,施工阶段所获得的分级结果更加精确。     

基于深度神经网络的文本语义相似性度量

为了提高文本语义相似性度量的准确性,该文从深度学习的角度出发提出了一种新的文本语义相似性度量框架,充分利用深度神经网络实现词级别、句子级别、文本级别的表示学习,使得学习到的表示向量能提供融合上下文信息的丰富语义信息,在此基础上,设计了相似性度量层,采用简单的三层网络实现任意两个文本向量的相似性值计算.在两个基准数据集上...     

公路隧道岩体质量分级的模糊层次分析法

建立公路隧道岩体质量分级的模糊层次分析法（AHP）,对影响公路隧道岩体质量分级的各因素进行分析和调整,建立层次关系,构造阶层结构;采用模糊理论建立正倒值矩阵,计算各因素权重,建立各因素评分准则,根据专家调查与力学试验等方式确定各因素得分,采用逻辑运算计算综合评分,进而评判隧道岩体级别;给出模糊层次分析法算法流程,应用于常德一张家界高速公路关口垭隧道（44个试验断面）,将评判结果与传统的RMR岩体分级结果进行对比分析。研究结果表明,采用本方法进行岩体分级,43个断面与开挖实际情况吻合,而采用RMR方法仅36个断面接近实际情况;公路隧道岩体质量分级的模糊AHP法克服了传统方法固定评价因素和固定评分方式的缺陷,可以动态地选取评价因素,减少评分的主观性,评价结果更接近工程实际,为隧道、地下工程、边坡等的岩体质量分级研究提供了一种新的思路。     

改进一维卷积神经网络的隧道围岩收敛变形分级预测

隧道围岩收敛变化是认识围岩和支护结构动态作用及其时空演变机理的前提,变形分级准确预测是对围岩稳定性和支护结构有效性评估的重要基础.本文提出了改进一维卷积和支持向量机融合深度网络的隧道收敛变形分级预报模型.根据围岩变形的主要影响因素和特征类型,选取强度应力比、隧道埋深、隧道等效直径、支护刚度和岩体质量指标,建立了变形等级的识别框架.收集了159组国内外经典的隧道收敛变形实例数据,采用全局均值池化层和支持向量机改进传统卷积神经网络中全连接层和Softmax层进行等级分类,利用改进的一维卷积神经网络自动提取隧道变形的隐含典型特征.运用衰减学习率和Dropout正则化深度学习训练技巧,防止模型出现过拟合.与其他方法的结果对比,证明了该方法有着更好的准确率和鲁棒性,模型完全利用数据驱动实现有限数据集的深层复杂且微妙关系学习.应用于多雄拉公路隧道的围岩收敛变形分级预测,预测结果与现场实际一致,进一步验证了方法的准确性和适用性.研究结果有利于提高隧道收敛变形预测的理论水平和可靠性,为类似工程提供参考.     

结构等价型模糊神经网络算法及其应用

提出一种结构等价型模糊神经网络的学习算法．等价型神经网络根据模糊系统的推理规则,决定等价的神经网络结构参数,因而网络结构特殊．采用的学习算法是用误差反传对局部节点的权值进行调整,收敛速度快．实验表明,将其用于火灾探测系统中,能够准确、及时地探测各种标准试验火,并具有较强的抗干扰能力．     

模糊反向传播算法及其收敛性

针对S.Stoeva提出的基于相同样本及网络输出的模糊神经网络模型,通过对基于极大-极小模糊算子的模糊神经网络模型的研究,证明了其与S.Stoeva提出的网络模型的等价性.在此基础上提出了依赖于模糊逻辑神经元输出的调整模糊权值的模糊反向传播学习算法,并进一步研究了其收敛性.最后以汽轮发电机组的状态监测为例进行仿真分析.结果表明:在网络输入神经元满足样本输出介于样本输入的极大与极小之间时,所提出的模糊反向传播学习算法是收敛的.     

变结构模糊神经网络控制及其学习规律研究

提出变结构模糊神经网络控制及其学习算法,并对变结构模糊神经网络学习规律进行研究,变结构模糊神经网络中的模糊化神经网络（Ｆ＿ＦＮＮ）、模糊推理神经网络（Ｅ＿ＦＮＮ）和模糊决策神经网络（Ｄ＿ＦＮＮ）都是结构可变的,可分开进行模糊隶属函数及模糊推理的学习,其学习过程符合人脑由粗到精的认识规律,学习收敛速度比一般模糊网络快,具有很好的适应性。     

一种分类挖掘算法及其应用

提出一种增量式混合型分类挖掘算法,将基于概率论的符号学习与神经网络学习相结合,能够对既包含离散属性又包含连续属性的多个概念进行有效的分类处理,且具有较强的增量挖掘能力。该算法在法院决策支持系统中得到了运用,取得了较好的效果。     

基于深度学习与数据增强技术的小样本岩石分类

在油气勘探中,利用深度学习技术对岩石进行识别与分类能极大提高工作效率。岩石采样并制作样本图像费时费力,因此岩石样本通常较少。有鉴于此,基于深度学习技术设计一个新的神经网络模型MyNet,该模型能对小样本进行学习并完成岩石样本的分类。使用数据增强技术通过Python编程将314张岩石样本扩充成28 272张图像,为了充分利用现有数据,取其中的27 384张作为训练集,剩余888张作为测试集。将数据分别导入MyNet、ResNet50、Vgg16进行训练和测试。实验结果表明,加载、不加载预训练参数的ResNet50、Vgg16的岩石分类结果因受有无迁移学习影响会有所不同;MyNet的总体分类准确率为75.6%,均优于有无迁移学习的ResNet50、Vgg16,且MyNet、ResNet50、Vgg16所需训练的参数量分别为919 278、25 503 912、138 357 544,显然,MyNet模型的复杂度与训练代价明显低于其他对比模型,但性能最优,说明新模型应用于小样本的岩石分类可行有效且经济安全,更容易推广应用。     

基于离散裂隙网络与离散元耦合方法的礼让隧道岩体力学参数确定

为了准确地确定礼让隧道节理岩体力学参数,采用3DEC程序中离散裂隙网络(discrete fracture network, DFN)技术,建立了能反映节理裂隙分布特征的离散裂隙网络模型。在此基础上,结合室内岩石、节理力学试验,运用等效岩体技术及3DEC程序,建立基于离散裂隙网络-离散元(discrete fracture network-discrete element method,DFN-DEM)耦合方法的等效岩体模型,并构建反映工程岩体节理分布特征的多尺度等效节理岩体计算模型;通过对多尺度等效节理岩体计算模型进行单轴压缩试验,获取岩体峰前及峰后的力学性质,分析节理岩体的尺寸效应、各向异性、表征单元体及等效岩体力学参数。结果表明:DFN-DEM耦合技术解决了非贯通节理的建模问题;随着等效岩体尺度增大,节理岩体峰值强度、弹性模量逐渐减小,各向异性特性逐渐减弱,且尺度达到5 m×5 m×10 m趋于稳定得到表征单元体;表征单元体尺度下等效岩体力学参数为弹性模量9 GPa、单轴抗压强度0.7 MPa、内摩擦角25°、黏聚力0.3 MPa、抗拉强度0.12 MPa,与Hoek-Brown强度准则所得力学参数对比,两者较为接近。该法为研究工程岩体的稳定性提供了数据基础。     

基于实向量输入的角分类前向神经网络研究

快速分类是在线信息检索研究者关注的热点 .角分类前向神经网络是一类快速分类神经网络 .给出了一个新型的由两种神经元混合构成的神经网络 ,定义了相应的网络拓扑、学习算法和动力学行为 .分析表明 ,该网络的学习的时间复杂度是线性的 .实验表明 ,与二值神经元构成的神经网络相比 ,该网络在满足快速分类要求的同时 ,其分类准确率有显著的提高     

基于深度学习的东天山特长隧道围岩等级预测

位于中国西北部的东天山地区,拥有着复杂的地质条件,因此如何快速准确预测隧道掌子面前方的围岩质量的难度增大,准确客观反映岩体基本特性的围岩分类是隧道设计与施工的重要参考依据。旨在建立一种能客观准确评价东天山地区工程地质环境及预测围岩等级的方法,依托在建东天山隧道项目。首先,选取东天山特长隧道已开挖典型地质区段,以工程地质分区、高关联度物探技术参数指标及物探偏移图像为基础,组成机器学习训练样本;其次,采用Python语言基于TensorFlow深度学习框架编写深度学习网络算法训练样本,建立围岩类别预测模型;再次,采用新开挖段数据不断验证与优化模型;最后,将预测精度最高的模型推广应用于天山地区隧道围岩类别预测,结果表明联合隧道散射地震成像(tunnel seismic tomography, TST)偏移图像、地质分区与物探指标数据集训练出来的模型效果最好。     

岩体结构面网格渗透张量分析方法

工程岩体的渗透特性研究是其渗流分析和稳定性设计的技术关键·作者以现场岩体渗透结构面概率模型统计资料为依据,采用离散介质方法建立典型裂隙网络模型,提出计算岩体结构面网络的等效渗透系数张量方法·应用等效连续介质模型分析方法研究区域岩体的渗流问题·针对现场的矿山边坡水文地质实体,运用该技术建立了反映岩体渗透各向异性的等效连续介质模型·实例分析表明,该技术途径不但适合工程岩体宏观渗流分析的特点,而且能够较为深刻地认识裂隙渗流的本质·     

隧道监控量测在围岩动态分级中的应用

研究了隧道监控量测结果在围岩动态分级中的应用.通过对隧道监测数据的统计分析,得出了对围岩动态分级具有意义的指标和各级围岩所对应的各指标的数值范围,用以指导施工阶段的隧道围岩动态分级、隧道的反馈设计和施工过程中的预测预报.实例证明,准确的隧道监测数据可以进一步完善和优化围岩分级,提高围岩分级的可靠性,为隧道围岩动态分级提供了一条新的途径.     

岩体结构面的渗透性网络模拟研究

通过对裂隙岩体露头处的裂隙进行调查统计,根据备结构面的分布特征,进行计算机裂隙网络模拟.利用数值计算方法求解等效岩体渗透张量,通过对服从莱分布的裂隙网络进行多次抽样,得到该分区岩体渗透性的系列等效值,进而可以评价研究区岩体的渗透性状况,同时为合理评价工程岩体的稳定性提供科学依据.图3,参7.     

离散型Hopfield神经网络稳定性的研究

提出了离散型Hopfield神经网络DHNN模型权矩阵的等效矩阵的概念，给出了相关算法。利用等效矩阵的概念可把DHNN模型按其轨道是否相同进行分类。因而，获得了研究DHNN模型收敛性的一种新方法，并利用此方法推广了已有的有关收敛性的几乎所有结论。