機(jī)器學(xué)習(xí)方法與巖土工程應(yīng)用

第1章 緒論
1.1 機(jī)器學(xué)習(xí)方法與應(yīng)用
1.2 巖土工程數(shù)據(jù)及特點(diǎn)
1.3 機(jī)器學(xué)習(xí)巖土工程應(yīng)用現(xiàn)狀概述
1.4 本書的組織架構(gòu)與內(nèi)容概述
參考文獻(xiàn)
第2章 人工神經(jīng)網(wǎng)絡(luò)
2.1 基本架構(gòu)與組件
2.2 神經(jīng)網(wǎng)絡(luò)類別
2.3 前饋神經(jīng)網(wǎng)絡(luò)
2.3.1 網(wǎng)絡(luò)結(jié)構(gòu)
2.3.2 誤差反向傳播算法
2.4 卷積神經(jīng)網(wǎng)絡(luò)
2.4.1 網(wǎng)絡(luò)架構(gòu)
2.4.2 卷積層
2.4.3 池化層
2.4.4 全連接層
2.4.5 幾點(diǎn)補(bǔ)充
2.5 網(wǎng)絡(luò)優(yōu)化原理
2.6 小結(jié)
參考文獻(xiàn)
第3章 支持向量機(jī)
3.1 線性可分支持向量機(jī)與硬間隔 化
3.1.1 支持向量與分離超平面
3.1.2 決策邊界
3.1.3 間隔超平面(硬間隔 化)
3.1.4 對(duì)偶算法
3.2 軟間隔 化
3.2.1 線性支持向量機(jī)
3.2.2 對(duì)偶算法
3.2.3 合頁(yè)損失函數(shù)
3.3 非線性可分支持向量機(jī)與核函數(shù)
3.3.1 非線性分類問(wèn)題
3.3.2 核函數(shù)
3.4 支持向量機(jī)的兩點(diǎn)說(shuō)明
3.4.1 參數(shù)選取
3.4.2 缺陷
3.5 擴(kuò)展
3.5.1 多分類SVM
3.5.2 支持向量回歸
3.5.3 貝葉斯支持向量機(jī)
3.5.4 實(shí)現(xiàn)方法
3.6 小結(jié)
參考文獻(xiàn)
第4章 隨機(jī)森林
4.1 決策樹
4.2 無(wú)序性與信息熵
4.3 集成學(xué)習(xí)
4.3.1 Bagging
4.3.2 從Bagging到隨機(jī)森林
4.3.3 極限樹
4.4 隨機(jī)森林的特點(diǎn)
4.4.1 特征的重要性
4.4.2 隨機(jī)森林與 鄰近算法
4.5 核隨機(jī)森林
4.5.1 基本概念
4.5.2 從隨機(jī)森林到核隨機(jī)森林
4.5.3 核隨機(jī)森林的兩點(diǎn)說(shuō)明
4.6 本章小結(jié)
參考文獻(xiàn)
第5章 土釘軸力神經(jīng)網(wǎng)絡(luò)模型
5.1 引言
5.2 土釘功能函數(shù)及FHWA土釘軸力與抗力模型
5.3 人工神經(jīng)網(wǎng)絡(luò)方法
5.4 實(shí)測(cè)土釘軸力總數(shù)據(jù)庫(kù)
5.5 FHWA土釘軸力模型評(píng)價(jià)與校正
5.5.1 模型評(píng)價(jià)
……
第6章 基于機(jī)器學(xué)習(xí)的土釘墻水平位移計(jì)算方法
第7章 基于人工神經(jīng)網(wǎng)絡(luò)的軟土力學(xué)性質(zhì)預(yù)測(cè)
第8章 軟計(jì)算在地下工程建設(shè)中的應(yīng)用
第9章 基于機(jī)器學(xué)習(xí)的各向異性黏土雙隧道襯砌響應(yīng)預(yù)測(cè)
0章 基于貝葉斯優(yōu)化的 梯度提升和隨機(jī)森林方法預(yù)測(cè)不排水抗剪強(qiáng)度
1章 基于隨機(jī)森林回歸和多元自適應(yīng)回歸樣條的預(yù)制樁可打性評(píng)估
2章 基于極限梯度提升和隨機(jī)森林回歸的各向異性黏土開挖支撐基底隆起穩(wěn)定性評(píng)估
3章 預(yù)測(cè)土壓平衡盾構(gòu)引起地表沉降的軟計(jì)算方法
4章 盾構(gòu)隧道地面沉降分析和預(yù)測(cè)
5章 盾構(gòu)隧道襯砌表觀病害圖像自動(dòng)識(shí)別
附錄1 總數(shù)據(jù)庫(kù)土釘墻設(shè)計(jì)參數(shù)值及實(shí)測(cè)土釘軸力
附錄2 ANN模型、RF模型和SVM模型的8個(gè)輸入?yún)?shù)及水平位移實(shí)測(cè)值
附錄3 深支撐開挖地下連續(xù)墻的平面應(yīng)變有限元分析結(jié)果