×
模态框(Modal)标题
在这里添加一些文本
关闭
关闭
提交更改
取消
确定并提交
×
模态框(Modal)标题
×
Rss服务
Email Alert
Toggle navigation
首页
期刊简介
编委会
投稿指南
道德声明
OA政策
期刊订阅
联系我们
English
“计算机” 栏目所有文章列表
(按年度、期号倒序)
一年内发表的文章
两年内
三年内
全部
Please wait a minute...
下载引用文件后,可以用常见的文献管理软件打开和编辑,包括: BibTex, EndNote, ProCite, RefWorks, and Reference Manager.
选择文件类型/文献管理软件名称
RIS (ProCite, Reference Manager)
BibTeX
选择包含的内容
仅文章引用信息
引用信息及摘要
导出
全选
|
Select
计算机
极限学习机模型在季冻区深基坑地表沉降预测中的应用
林楠, 陈永良, 李伟东, 刘鹰
世界地质. 2018, 37(4): 1281-1287.
https://doi.org/10.3969/j.issn.1004-5589.2018.04.029
摘要
(190)
PDF全文
(686)
可视化
收藏
针对传统数据驱动模型存在收敛速度慢、过度拟合等问题,提出了基于极限学习机算法的基坑地表沉降预测方法。结合季冻区地铁车站基坑的特点,提取基坑开挖时间、开挖深度、围护桩顶位移、围护桩内力、支撑轴力及地表温度等特征信息,建立极限学习机回归预测模型,选用实例数据进行算例分析,并将其与传统回归预测模型进行对比,实验结果表明,极限学习机模型收敛速度快,泛化能力强,其预测精度优于传统预测模型,且在学习速度方面优势明显,对深基坑安全监控有一定的实用价值。
Select
计算机
地球化学异常识别的两种机器学习算法之比较
郑泽宇, 赵庆英, 李湜先, 邱士龙
世界地质. 2018, 37(4): 1288-1294.
https://doi.org/10.3969/j.issn.1004-5589.2018.04.030
摘要
(366)
PDF全文
(886)
可视化
收藏
在Sklearn的Python语言代码基础上,开发了基于孤独森林和一类支持向量机的多元地球化学异常识别方法程序。选择吉林省和龙地区为实验区,从1:5万水系沉积物资料中提取地球化学异常。把实验区已知矿点的空间分布位置作为"地真"数据,绘制两种机器学习算法的ROC曲线并计算AUC值,用来对比两种方法的多元地球化学异常识别效果。研究结果表明:两种机器学习算法都能够有效识别多元地球化学异常,所提取的多元地球化学异常与已知矿点具有显著的空间关联性;孤独森林算法在数据处理耗时和多元地球化学异常识别效果方面略优于一类支持向量机。
跳至
页
第1页
共1页
共2条记录
首页
上一页
下一页
尾页