期刊导航
期刊开放获取
上海教育软件发展有限公..
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
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
检索
高级检索
期刊导航
共找到
3
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：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于卷积神经网络的液化预测模型及可解释性分析
被引量：
2
1
作者
龙潇
孙锐
郑桐
《岩土力学》
EI
CAS
CSCD
北大核心
2024年第9期2741-2753,共13页
常规液化判别方法通常是半经验方法,存在人为因素干扰,成功率及均衡性不佳。现有的机器学习方法缺乏足够的样本支撑,存在一定的局限性。通过整合液化数据集,选取修正标准贯击数、细粒含量、土层深度、地下水位深度、总上覆应力、有效上...
常规液化判别方法通常是半经验方法,存在人为因素干扰,成功率及均衡性不佳。现有的机器学习方法缺乏足够的样本支撑,存在一定的局限性。通过整合液化数据集,选取修正标准贯击数、细粒含量、土层深度、地下水位深度、总上覆应力、有效上覆应力、门槛加速度、循环剪应力比、剪切波速、震级与地表峰值加速度11个液化特征建立卷积神经网络(convolutional neural network,简称CNN)模型。引入边界合成少数过采样技术消除不平衡数据集的影响。将CNN模型与随机森林模型、逻辑回归模型、支持向量机模型、极致梯度提升模型和规范方法进行对比,并结合沙普利加性解释(SHapley Additive exPlanations,简称SHAP)分析输入特征对预测结果的影响趋势。结果表明,CNN模型准确率达92.58%,各项指标均优于其他4种机器学习模型和规范方法。对SHAP结果分析可知,修正标贯击数小于15的土层液化概率较高,循环剪应力比CSR小于0.25的土层更不易液化。各因素的影响规律均符合现有认知,预测模型合理可靠。
展开更多
关键词
机器学习
液化预测
卷积神经网络
边界合成少数过采样技术
沙普利加
性
解释
(
shap
)
在线阅读
下载PDF
职称材料
基于校准窗口集成与耦合市场特征的可解释双层日前电价预测
被引量：
5
2
作者
刘慧鑫
沈晓东
+3 位作者
魏泽涛
刘友波
刘俊勇
白元宝
《中国电机工程学报》
EI
CSCD
北大核心
2024年第4期1272-1285,I0003,共15页
随着电力市场之间耦合程度不断加深,只局限于单个市场内部的传统特征集不足以支撑高精度预测的需求。而且模型预测性能对校准窗口的选择敏感,而传统电价预测仅使用一个固定时间长度的数据集,同时预测模型的“黑盒”结构导致预测结果在...
随着电力市场之间耦合程度不断加深,只局限于单个市场内部的传统特征集不足以支撑高精度预测的需求。而且模型预测性能对校准窗口的选择敏感,而传统电价预测仅使用一个固定时间长度的数据集,同时预测模型的“黑盒”结构导致预测结果在工程应用中可信度偏低。针对上述问题,该文提出一种考虑校准窗口集成与耦合市场特征的可解释双层日前电价预测框架。内层框架为基于改进自适应噪声完备集合经验模态分解(improved complete ensemble empirical mode decomposition,ICEEMDAN)的择优预测,首先分解原始电价序列,然后应用Lasso估计回归(lassoestimated autoregressive,LEAR)、长期和短期时间序列网络(long-term and short-term time-series networks,LSTNet)、卷积神经网络-长短记忆神经网络(convolutionalneuralnetworks-longshort termmemory,CNN-LSTM)、移动平均(autoregressive integrated moving average,ARIMA)和核极限学习机(kernel extreme learning machines,KELM)模型预测子序列并选择最优预测算法。外层框架为基于贝叶斯模型平均(bayes modelaveraging,BMA)的校准窗口集成预测,针对每个不同校准窗口长度数据集下的预测分配权重并集成得到预测电价。最后,通过可解释方法沙普利加性解释模型(shapley additiveexplanations,SHAP)分析耦合市场特征如何影响预测电价。该文通过北欧电力市场数据集的算例分析证明了所提算法的优越性和校准窗口集成方案的有效性。
展开更多
关键词
校准窗口集成
耦合市场特征
双层预测框架
改进自适应噪声完备集合经验模态分解(ICEEMDAN)
贝叶斯模型平均(BMA)
沙普利加
性
解释
模型(
shap
)
在线阅读
下载PDF
职称材料
基于CatBoost-MOEAD的大直径泥水盾构姿态多目标预测与优化
3
作者
吴贤国
刘俊
+1 位作者
王静怡
覃亚伟
《中国安全科学学报》
CAS
CSCD
北大核心
2024年第10期50-57,共8页
为避免盾构掘进过程中出现蛇形、轴线偏离等姿态异常问题影响施工安全,提出一种结合类别提升(CatBoost)算法和基于分解的多目标优化算法(MOEAD)的大直径泥水盾构姿态控制方法;构建一个盾构姿态预测模型,该模型包含19个输入参数和6个输...
为避免盾构掘进过程中出现蛇形、轴线偏离等姿态异常问题影响施工安全,提出一种结合类别提升(CatBoost)算法和基于分解的多目标优化算法(MOEAD)的大直径泥水盾构姿态控制方法;构建一个盾构姿态预测模型,该模型包含19个输入参数和6个输出参数,利用CatBoost算法构建输入参数与输出参数之间的非线性映射关系;采用沙普利加性解释法(SHAP)分析输入参数对盾构姿态的影响;结合多目标优化算法构建CatBoost-MOEAD盾构姿态多目标优化模型,将所提模型运用到武汉长江大直径泥水盾构隧道工程中,分析验证所提方法的适用性和有效性。结果表明:CatBoost预测模型能够高效地预测大直径泥水盾构的姿态,其中6个盾构姿态目标的决定系数范围为0.931~0.974,均方根误差范围为0.030~0.880,误差范围为0.039~1.057;对盾构姿态影响较大的施工参数中推进组推力对盾构姿态的影响最为显著;通过研发的CatBoost-MOEAD盾构姿态多目标优化方法,盾构姿态的优化效果显著,优化率可达38.86%。
展开更多
关键词
类别提升(CatBoost)
基于分解的多目标优化算法(MOEAD)
大直径泥水盾构
盾构姿态
多目标优化
沙普利加
性
解释法
(
shap
)
在线阅读
下载PDF
职称材料
题名
基于卷积神经网络的液化预测模型及可解释性分析
被引量：
2
1
作者
龙潇
孙锐
郑桐
机构
中国地震局工程力学研究所地震工程与工程振动重点实验室
地震灾害防治应急管理部重点实验室
出处
《岩土力学》
EI
CAS
CSCD
北大核心
2024年第9期2741-2753,共13页
基金
中国地震局工程力学研究所基本科研业务费专项资助项目(No.2020C04)
黑龙江省自然科学基金联合引导项目(No.LH2020E019)。
文摘
常规液化判别方法通常是半经验方法,存在人为因素干扰,成功率及均衡性不佳。现有的机器学习方法缺乏足够的样本支撑,存在一定的局限性。通过整合液化数据集,选取修正标准贯击数、细粒含量、土层深度、地下水位深度、总上覆应力、有效上覆应力、门槛加速度、循环剪应力比、剪切波速、震级与地表峰值加速度11个液化特征建立卷积神经网络(convolutional neural network,简称CNN)模型。引入边界合成少数过采样技术消除不平衡数据集的影响。将CNN模型与随机森林模型、逻辑回归模型、支持向量机模型、极致梯度提升模型和规范方法进行对比,并结合沙普利加性解释(SHapley Additive exPlanations,简称SHAP)分析输入特征对预测结果的影响趋势。结果表明,CNN模型准确率达92.58%,各项指标均优于其他4种机器学习模型和规范方法。对SHAP结果分析可知,修正标贯击数小于15的土层液化概率较高,循环剪应力比CSR小于0.25的土层更不易液化。各因素的影响规律均符合现有认知,预测模型合理可靠。
关键词
机器学习
液化预测
卷积神经网络
边界合成少数过采样技术
沙普利加
性
解释
(
shap
)
Keywords
machine learning
liquefaction prediction
convolutional neural network
borderline synthesis minority oversampling technique(borderline SMOTE)
shap
ley Additive exPlanations(
shap
)
分类号
TU43 [建筑科学—岩土工程]
在线阅读
下载PDF
职称材料
题名
基于校准窗口集成与耦合市场特征的可解释双层日前电价预测
被引量：
5
2
作者
刘慧鑫
沈晓东
魏泽涛
刘友波
刘俊勇
白元宝
机构
四川大学电气工程学院
四川能投综合能源公司
出处
《中国电机工程学报》
EI
CSCD
北大核心
2024年第4期1272-1285,I0003,共15页
基金
国家自然科学基金(51977133,U2066209)
四川省科技厅重点项目(2020ZHCG0022)。
文摘
随着电力市场之间耦合程度不断加深,只局限于单个市场内部的传统特征集不足以支撑高精度预测的需求。而且模型预测性能对校准窗口的选择敏感,而传统电价预测仅使用一个固定时间长度的数据集,同时预测模型的“黑盒”结构导致预测结果在工程应用中可信度偏低。针对上述问题,该文提出一种考虑校准窗口集成与耦合市场特征的可解释双层日前电价预测框架。内层框架为基于改进自适应噪声完备集合经验模态分解(improved complete ensemble empirical mode decomposition,ICEEMDAN)的择优预测,首先分解原始电价序列,然后应用Lasso估计回归(lassoestimated autoregressive,LEAR)、长期和短期时间序列网络(long-term and short-term time-series networks,LSTNet)、卷积神经网络-长短记忆神经网络(convolutionalneuralnetworks-longshort termmemory,CNN-LSTM)、移动平均(autoregressive integrated moving average,ARIMA)和核极限学习机(kernel extreme learning machines,KELM)模型预测子序列并选择最优预测算法。外层框架为基于贝叶斯模型平均(bayes modelaveraging,BMA)的校准窗口集成预测,针对每个不同校准窗口长度数据集下的预测分配权重并集成得到预测电价。最后,通过可解释方法沙普利加性解释模型(shapley additiveexplanations,SHAP)分析耦合市场特征如何影响预测电价。该文通过北欧电力市场数据集的算例分析证明了所提算法的优越性和校准窗口集成方案的有效性。
关键词
校准窗口集成
耦合市场特征
双层预测框架
改进自适应噪声完备集合经验模态分解(ICEEMDAN)
贝叶斯模型平均(BMA)
沙普利加
性
解释
模型(
shap
)
Keywords
combination of calibration windows
coupled market characteristics
two-layer prediction framework
improved complete ensemble empirical mode decomposition(ICEEMDAN)
Bayesian model average(BMA)
shap
ley additive explanations(
shap
)
分类号
F426 [经济管理—产业经济]
TM614 [电气工程—电力系统及自动化]
在线阅读
下载PDF
职称材料
题名
基于CatBoost-MOEAD的大直径泥水盾构姿态多目标预测与优化
3
作者
吴贤国
刘俊
王静怡
覃亚伟
机构
华中科技大学土木与水利工程学院
武汉华中科大检测科技有限公司
出处
《中国安全科学学报》
CAS
CSCD
北大核心
2024年第10期50-57,共8页
基金
国家自然科学基金资助(51378235,71571078,51308240)
国家重点研发计划(2016YFC0800208)。
文摘
为避免盾构掘进过程中出现蛇形、轴线偏离等姿态异常问题影响施工安全,提出一种结合类别提升(CatBoost)算法和基于分解的多目标优化算法(MOEAD)的大直径泥水盾构姿态控制方法;构建一个盾构姿态预测模型,该模型包含19个输入参数和6个输出参数,利用CatBoost算法构建输入参数与输出参数之间的非线性映射关系;采用沙普利加性解释法(SHAP)分析输入参数对盾构姿态的影响;结合多目标优化算法构建CatBoost-MOEAD盾构姿态多目标优化模型,将所提模型运用到武汉长江大直径泥水盾构隧道工程中,分析验证所提方法的适用性和有效性。结果表明:CatBoost预测模型能够高效地预测大直径泥水盾构的姿态,其中6个盾构姿态目标的决定系数范围为0.931~0.974,均方根误差范围为0.030~0.880,误差范围为0.039~1.057;对盾构姿态影响较大的施工参数中推进组推力对盾构姿态的影响最为显著;通过研发的CatBoost-MOEAD盾构姿态多目标优化方法,盾构姿态的优化效果显著,优化率可达38.86%。
关键词
类别提升(CatBoost)
基于分解的多目标优化算法(MOEAD)
大直径泥水盾构
盾构姿态
多目标优化
沙普利加
性
解释法
(
shap
)
Keywords
categorical boosting(CatBoost)
multi-objective evolutionary algorithm based on decomposition(MOEAD)
large-diameter slurry shield
shield posture
multi-objective optimization
shap
ley additive explanations(
shap
)
分类号
X948 [环境科学与工程—安全科学]
U455 [建筑科学—桥梁与隧道工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于卷积神经网络的液化预测模型及可解释性分析
龙潇
孙锐
郑桐
《岩土力学》
EI
CAS
CSCD
北大核心
2024
2
在线阅读
下载PDF
职称材料
2
基于校准窗口集成与耦合市场特征的可解释双层日前电价预测
刘慧鑫
沈晓东
魏泽涛
刘友波
刘俊勇
白元宝
《中国电机工程学报》
EI
CSCD
北大核心
2024
5
在线阅读
下载PDF
职称材料
3
基于CatBoost-MOEAD的大直径泥水盾构姿态多目标预测与优化
吴贤国
刘俊
王静怡
覃亚伟
《中国安全科学学报》
CAS
CSCD
北大核心
2024
0
在线阅读
下载PDF
职称材料
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
确定
用户登录
登录
IP登录
使用帮助
返回顶部
