山东科技大学王蕊获国家专利权
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!
龙图腾网获悉山东科技大学申请的专利一种用于建筑物的地表沉陷数智预测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:CN120296703B 。
龙图腾网通过国家知识产权局官网在2025-08-22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:202510781454.5,技术领域涉及:G06F18/27;该发明授权一种用于建筑物的地表沉陷数智预测方法是由王蕊;陈绍杰设计研发完成,并于2025-06-12向国家知识产权局提交的专利申请。
本一种用于建筑物的地表沉陷数智预测方法在说明书摘要公布了:本发明公开了一种用于建筑物的地表沉陷数智预测方法,属于矿业和信息技术领域,包括如下步骤:步骤1、采集多源数据,并基于卡尔曼滤波法进行多源数据融合;步骤2、基于随机森林对异常数据进行处理;步骤3、基于图神经网络进行特征工程与变量选择;步骤4、基于扩散模型与量子启发式神经网络预测地表沉陷。本发明充分利用扩散模型在数据生成方面的优势以及量子启发式神经网络强大的特征学习能力,对建筑物地表沉陷进行预测,从而为建筑物的安全评估、工程规划及灾害预防等提供可靠的依据与技术支撑,有效提高地表沉陷预测的精度和可靠性,推动相关领域的智能化发展。
本发明授权一种用于建筑物的地表沉陷数智预测方法在权利要求书中公布了:1.一种用于建筑物的地表沉陷数智预测方法,其特征在于,包括如下步骤: 步骤1、采集多源数据,并基于卡尔曼滤波法进行多源数据融合; 步骤2、基于随机森林对异常数据进行处理; 步骤3、基于图神经网络进行特征工程与变量选择; 步骤4、基于扩散模型与量子启发式神经网络预测地表沉陷;具体过程为: 步骤4.1、基于扩散模型的正向扩散过程生成起始样本;具体过程为: 步骤4.1.1、确定正向扩散步数和噪声参数;正向扩散步数为: ; 其中,表示向上取整;为基础的正向扩散步数;和为不同的调整系数;为预测时间范围;为数据不确定性度量; 噪声调度参数为: ; 其中,为正向扩散过程中的时间步;为设定的噪声调度参数的最小值; 步骤4.1.2、正向扩散过程表示为: ; 其中,、分别为正向扩散过程中时间步为、时生成的噪声化样本向量;是时间步为时的噪声调度参数;是时间步为时的噪声向量; 重复正向扩散过程次,得到起始样本; 步骤4.2、基于量子启发式神经网络采用反向扩散过程生成特征变量序列;具体过程为: 步骤4.2.1、初始化量子启发式神经网络参数; 首先,将作为输入特征向量进行量子比特表示;量子比特状态的初始化公式如下: ; ; ; 其中,为用于初始化第个量子比特状态的角度参数;是循环索引变量;,表示向下取整,反映了将维度为的映射到个量子比特时的一种分组或划分参数;为的第个元素;、分别为时间步为时的第个、第个量子比特状态;为时间步为时的量子比特状态;表示量子态的张量积; 然后,基于量子旋转门和量子控制非门构建量子启发式门操作层; 量子旋转门对单个量子比特的作用公式为: ; 其中,为量子旋转门;是旋转角度; 量子控制非门的矩阵表示为: ; 其中,为第个量子比特控制第个量子比特状态的量子控制非门; 第一个量子启发式门操作层的矩阵表示为: ; 其中,为第1个量子比特控制第个量子比特状态的旋转角度; 量子启发式门操作层共有层,按照的过程构建其他层;第个量子启发式门操作层包含不同的量子门操作组合,这些门的参数在训练过程中确定,在预测时直接加载; 步骤4.2.2、反向扩散迭代; 从开始,首先将输入到量子启发式神经网络中进行噪声估计; 在量子比特表示层将转换为量子态后,通过量子启发式门操作层进行特征变换; 对于,,其中,即初始量子比特状态经过第一个量子启发式门操作层得到第一个量子比特状态;对于,;依此类推,直到,;、分别为第个、第个量子比特状态;为第个量子启发式门操作层;量子比特状态的序号与量子门操作层的序号相对应; 在经过个量子启发式门操作层后,采用量子测量方法对最后一层的量子比特状态进行量子态转换,得到经典概率分布; 将转换为与噪声向量维度相同的估计噪声向量;设全连接层的权重矩阵为,偏置向量为,则: ; 其中,是估计噪声向量的第个分量;为的第个元素对的第个分量的权重;为的第个元素;为中的第个元素; 然后根据反向扩散公式更新样本,得到预测样本向量: ; 其中,、分别为反向扩散过程中时间步为、时生成的预测样本向量;是时间步为时的噪声调度参数;为时间步为时的估计噪声向量; 重复上述步骤,从逐步递减到,得到预测的地表沉陷相关特征变量序列;为反向扩散过程中时间步为0时生成的预测样本向量; 步骤4.3、提取地表沉陷量预测值;具体过程为: 将预测的地表沉陷相关特征变量序列重新定义为,构建线性回归模型: ; 其中,是预测的地表沉陷量;是回归系数,反映了第个特征变量对地表沉陷量的影响程度;是误差项; 构建设计矩阵: ; 其中,为样本数量;为第个样本的第个特征变量;目标向量,其中是第个样本对应的真实地表沉陷量; 根据最小二乘法,计算回归系数的估计值: ; ; ; 其中,为第个样本的第个特征变量;为第个样本对应的真实地表沉陷量; 最后将代入线性回归模型得到最终的预测地表沉陷量: ; 其中,为最终的预测地表沉陷量; 步骤4.4、训练地表沉陷预测模型; 所述步骤4.4中,构建地表沉陷预测模型的损失函数为: ; 其中,表示期望,是对不同时间步、地表沉陷相关特征变量序列和噪声向量的联合分布求期望;、分别为时间步为时的噪声向量、估计噪声向量; 使用Adam优化算法来更新量子启发式神经网络中的参数,更新公式如下: 计算梯度的一阶矩估计和二阶矩估计: ; ; 其中,、分别为时间步的一阶矩估计、二阶矩估计;、分别为时间步的一阶矩估计、二阶矩估计;是时间步的梯度;和分别是一阶矩估计和二阶矩估计的衰减率超参数; 修正一阶矩估计和二阶矩估计: ; ; 其中,、分别为时间步的修正一阶矩估计、二阶矩估计;、分别为时间步一阶矩估计、二阶矩估计的衰减率超参数; 更新地表沉陷预测模型模型参数: ; 其中,、分别为时间步、时间步时的地表沉陷预测模型参数;是学习率; 重复正向扩散、反向扩散与损失计算、参数更新的过程,直到达到预设的训练轮数或损失函数收敛到预先设定的阈值,输出训练完成的地表沉陷预测模型; 步骤4.5、将实时采集的地表沉降监测数据、地质勘查数据、地下开采活动信息、建筑物自身的详细信息输入到训练完成的地表沉陷预测模型,进行地表沉陷的预测。
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山东科技大学,其通讯地址为:266590 山东省青岛市黄岛区前湾港路579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”。
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。