-
公开(公告)号：CN107330182B
公开(公告)日：2020-08-14
申请号：CN201710507915.5
申请日：2017-06-28
Applicant: 西北农林科技大学
IPC: G06F30/23
Abstract: 本发明公开了一种基于增湿条件的强度折减计算边坡稳定安全系数的方法：测试边坡土体试样干密度ρd、天然含水率ω1和饱和含水率ω2，测试不同含水率试样的粘聚力c、内摩擦角计算出试样的容重γ；分别绘制粘聚力c、内摩擦角与含水率ω的关系曲线，并获得拟合关系曲线的数学公式；采用二分逼近法，并考虑容重变化，计算边坡临界破坏时含水率ωF；计算边坡稳定安全系数F。本发明基于增湿条件对边坡土体抗剪强度进行折减，更符合由于降雨入渗或灌溉等原因引起的土体含水率增大使强度降低的工程实际，克服了以往强度折减法力学概念不明确的缺点。在强度折减的同时，还考虑了土体容重增加对边坡稳定的不利影响。因此，本发明的方法更科学，更安全。
-
Patent Agency Ranking
公开(公告)号：CN107330182A
公开(公告)日：2017-11-07
申请号：CN201710507915.5
申请日：2017-06-28
Applicant: 西北农林科技大学
IPC: G06F17/50
Abstract: 本发明公开了一种基于增湿条件的强度折减计算边坡稳定安全系数的方法：测试边坡土体试样干密度ρd、天然含水率ω1和饱和含水率ω2，测试不同含水率试样的粘聚力c、内摩擦角 计算出试样的容重γ；分别绘制粘聚力c、内摩擦角与含水率ω的关系曲线，并获得拟合关系曲线的数学公式；采用二分逼近法，并考虑容重变化，计算边坡临界破坏时含水率ωF；计算边坡稳定安全系数F。本发明基于增湿条件对边坡土体抗剪强度进行折减，更符合由于降雨入渗或灌溉等原因引起的土体含水率增大使强度降低的工程实际，克服了以往强度折减法力学概念不明确的缺点。在强度折减的同时，还考虑了土体容重增加对边坡稳定的不利影响。因此，本发明的方法更科学，更安全。
-
公开(公告)号：CN114492651A
公开(公告)日：2022-05-13
申请号：CN202210113155.0
申请日：2022-01-30
Applicant: 西北农林科技大学
Abstract: 本发明公开了一种基于个性化网页排位的半监督图节点分类方法：步骤1：对于给定的图，通过个性化网页排位算法计算得到图中节点的个性化网页排位值，从而得到各个标签对应的排序分布向量，根据排序分布向量得到节点的依赖向量，对依赖向量进行正则化后得到依赖关系矩阵。步骤2、通过对图神经网络的隐藏层进行多层堆叠计算，得到图神经网络经过多层隐藏层堆叠后输出的隐藏层矩阵；步骤3、将依赖关系矩阵加入到图神经网络的最后一层隐藏层矩阵中得到新的全局隐藏矩阵，进而得到新的图神经网络；步骤4、使用新的图神经网络进行节点分类。本发明最终使用新构建的图神经网络进行节点分类，达到了更好的节点分类效果。
-
公开(公告)号：CN114528926B
公开(公告)日：2025-01-17
申请号：CN202210113153.1
申请日：2022-01-30
Applicant: 西北农林科技大学
IPC: G06F18/214 , G06F18/2415 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于图神经网络的种子集扩展方法及系统，该方法具体包括如下步骤：步骤1，对于给定的图数据，获取图结构信息、节点属性，给定伪标签、种子集以及需要扩展节点个数K，通过EM算法训练两个图神经网络，计算得到伪标签的注意力系数和节点特征的注意力系数；步骤2、根据伪标签的注意力系数和节点特征的注意力系数计算得到概率矩阵A；步骤3、根据需要扩展节点个数K，利用概率矩阵A中的概率系数引导PageRank进行游走，获取扩展到的节点。本发明结合了标签和节点属性信息，并应用在种子集扩展过程中，经试验，扩展得到的节点集相比传统的种子集扩展算法，扩展得到的节点中有更多的节点属于种子集所在社区。
-
公开(公告)号：CN114492651B
公开(公告)日：2025-01-17
申请号：CN202210113155.0
申请日：2022-01-30
Applicant: 西北农林科技大学
IPC: G06V10/764 , G06V10/774 , G06N3/0464 , G06N3/0895 , G06N3/042 , G06V10/82
Abstract: 本发明公开了一种基于个性化网页排位的半监督图节点分类方法：步骤1：对于给定的图，通过个性化网页排位算法计算得到图中节点的个性化网页排位值，从而得到各个标签对应的排序分布向量，根据排序分布向量得到节点的依赖向量，对依赖向量进行正则化后得到依赖关系矩阵。步骤2、通过对图神经网络的隐藏层进行多层堆叠计算，得到图神经网络经过多层隐藏层堆叠后输出的隐藏层矩阵；步骤3、将依赖关系矩阵加入到图神经网络的最后一层隐藏层矩阵中得到新的全局隐藏矩阵，进而得到新的图神经网络；步骤4、使用新的图神经网络进行节点分类。本发明最终使用新构建的图神经网络进行节点分类，达到了更好的节点分类效果。
-
公开(公告)号：CN114528926A
公开(公告)日：2022-05-24
申请号：CN202210113153.1
申请日：2022-01-30
Applicant: 西北农林科技大学
Abstract: 本发明公开了一种基于图神经网络的种子集扩展方法及系统，该方法具体包括如下步骤：步骤1，对于给定的图数据，获取图结构信息、节点属性，给定伪标签、种子集以及需要扩展节点个数K，通过EM算法训练两个图神经网络，计算得到伪标签的注意力系数和节点特征的注意力系数；步骤2、根据伪标签的注意力系数和节点特征的注意力系数计算得到概率矩阵A；步骤3、根据需要扩展节点个数K，利用概率矩阵A中的概率系数引导PageRank进行游走，获取扩展到的节点。本发明结合了标签和节点属性信息，并应用在种子集扩展过程中，经试验，扩展得到的节点集相比传统的种子集扩展算法，扩展得到的节点中有更多的节点属于种子集所在社区。
-
-
-
-
-
Search Results
6
records
(took 0.029 seconds)
