Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 恭喜常州大学王少伟获国家专利权

恭喜常州大学王少伟获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网恭喜常州大学申请的专利一种提高拱坝位移预测模型性能的组合建模方法获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN115017582B

龙图腾网通过国家知识产权局官网在2025-04-25发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202210620446.9,技术领域涉及:G06F30/13;该发明授权一种提高拱坝位移预测模型性能的组合建模方法是由王少伟;徐丛;刘毅;顾昊;徐波;胡坤设计研发完成,并于2022-06-02向国家知识产权局提交的专利申请。

一种提高拱坝位移预测模型性能的组合建模方法在说明书摘要公布了:本发明公开了拱坝位移监控技术领域的一种提高拱坝位移预测模型性能的组合建模方法;包括采集拱坝位移和环境量监测数据,以监测数据中的位移因果分量为输入,拱坝实测位移为输出,建立用于拱坝位移预测的MLR子模型,定义为第一类子模型,并采用融合拱坝多测点位移时变规律一致性程度尽可能大目标的改进参数优化法,分别建立用于拱坝位移预测的NN、ELM、SVM和RVM机器学习子模型,定义为第二类子模型;根据各子模型的评价指标和改进参数优化法,建立五型、四型、三型、二型组合模型,比较各组合模型和预测MSE增比最小的子模型的位移预测精度,将最优者作为最终的组合预测模型,可有效减轻机器学习模型的过拟合程度,提高了拱坝位移预测模型的预测精度。

本发明授权一种提高拱坝位移预测模型性能的组合建模方法在权利要求书中公布了:1.一种提高拱坝位移预测模型性能的组合建模方法,其特征在于,包括:采集拱坝位移和环境量监测数据,以监测数据中的位移因果分量为输入,拱坝实测位移为输出,建立用于拱坝位移预测的MLR子模型,定义为第一类子模型,并采用改进参数优化法分别建立用于拱坝位移预测的NN机器学习子模型、ELM机器学习子模型、SVM机器学习子模型和RVM机器学习子模型,定义为第二类子模型;统计建立的用于拱坝位移预测的各子模型的评价指标,对评价指标中的预测MSE增比,按照其值的大小进行排序;选取第二类子模型中预测MSE最小者所用机器学习方法分别建立五型、四型、三型和二型组合模型,其中五型组合模型的输入为五个子模型的输出,五型组合模型的输出为拱坝实测位移;剔除五个子模型中预测MSE增比最大者,利用剩余四个子模型建立四型组合模型,其中四型组合模型的输入为剩余四个子模型的输出,四型组合模型的输出为拱坝实测位移;同理,分别建立三型组合模型和二型组合模型;比较五型组合模型、四型组合模型、三型组合模型、二型组合模型和预测MSE增比最小的子模型的位移预测精度,将最优者作为最终的组合预测模型,用于拱坝位移的预测;其中,所述改进参数优化法是将机器学习模型参数优化中原拟合MSE最小目标,调整为拟合MSE尽可能小且拱坝多测点位移时变规律一致性程度尽可能大,其目的是避免仅依赖数学角度的约束条件,增加工程结构角度的约束条件,以减轻机器学习模型的过拟合程度;包括:步骤A1:通过滑动窗口法提取位移时间序列的时变规律信息;对于给定测点i的位移时间序列,设定窗口长度和滑动步长分别为w和s,从开始,由左到右提取滑动窗口中每个子序列的时变趋势,如下所示: (1)其中,i为测点序号,为监测时间,为固定取样频率下位移测点的监测数据样本总数;然后,定义如下所示的时变规律信息表征函数: (2)原位移时间序列的时变规律信息则由包含-1、0、1的向量来描述,对于两个长度相同的位移时间序列和,两者的时变规律一致性程度表示为: (3)其中,为的转置向量,i和j为测点序号;步骤A2:通过加权叠加法,计算拟建模位移测点与拱坝同一分区内其它所有位移测点的整体;按照两测点之间时变规律一致性程度越高,相应权重越大的原则,融合权重定义为: (4)其中,为同一分区内的同类位移测点总数;进而,测点与所在分区内所有测点位移时变规律的整体一致性程度定义为: (5)步骤A3:构建改进参数优化法中的目标函数;引入新的目标CDT,为保证拟合MSE尽可能小,而CDT尽可能大,要对CDT取倒数处理,即,由于二者量纲不一致,还需分别进行归一化处理: (7) (8)其中,、、和分别为参数优化范围内拟合MSE和RC的最大和最小值;综上,改进参数优化法中的目标函数定义为: (9)其中,为多测点位移时变规律一致性目标CDT的权重;步骤A4:利用改进参数优化法,优化第二类子模型的关键参数;其中,NN机器学习子模型和ELM机器学习子模型的关键参数为神经元数目,SVM机器学习子模型和RVM机器学习子模型的关键参数为惩罚因子和核函数参数。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人常州大学,其通讯地址为:213164 江苏省常州市武进区滆湖中路21号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。