期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息

基于ASP.NET技术的围岩分级系统开发 被引量：8

Rock Mass Classification System Based on ASP.NET
在线阅读 下载PDF
导出
摘要 文章介绍了开发的基于互联网的围岩分级系统。该系统以ASP.NET技术为基础,结合了数据库技术、支持向量机技术、MATLAB接口等技术,实现了掌子面围岩信息的编录存储、围岩级别的智能判别等功能,并能使设计、专家、业主等人员通过互联网就可以及时了解到掌子面的围岩状况,对围岩级别进行综合判定,提高了隧道施工的信息化程度。 An Internet-based rock mass classification system is introduced,which is based on ASP.NET and incorporates the technologies of database,Support Vector Machine and MATLAB interface.The system has the functions of storing the information of tunnel face and intelligently classifying the rock mass.Besides,the system can keep designers,experts and users informed of the rock mass situation of the tunnel face through the internet so as to determine the rock mass classes comprehensively,improving the informatization level of tunnel construction.
作者 牛文林 张广洋 熊国斌 李天斌
机构地区 成都理工大学地质灾害防治与地质环境保护国家重点实验室 四川雅西高速公路有限责任公司
出处 《现代隧道技术》 EI 北大核心 2011年第1期12-16,共5页 Modern Tunnelling Technology
基金 国家自然科学基金项目(40772176) 四川省青年科技基金项目(09ZQ026-083)
关键词 ASP.NET技术 围岩分级 支持向量机 ASP.NET technique Rock mass classification Support Vector Machine
分类号 U456.31 [建筑科学—桥梁与隧道工程]
  • 相关文献

参考文献8

  • 1EspositoD.著,张大威译.ASP.NET3.5核心编程[M].北京:清华大学出版社,2009.
  • 2JTJD70-2004公路隧道设计规范[S].北京:人民交通出版社,2004.
  • 3Vapnik V.N. The Nature of Statistical Learning Theory, N Y: Springer Verlag, 1995.
  • 4Vapnik V.N. Statistical Learning Theory. John Wiley & Sons, Inc., 1998.
  • 5Cristianini N, Shawe-Taylor J. An Introduction to Support Vector Machines and other Kernel-based Learning Methods. Cambridge University Press, 2000.
  • 6苟博,黄贤武.支持向量机多类分类方法[J].数据采集与处理,2006,21(3):334-339. 被引量：63
  • 7Rifkin R, Clautau A. In defense of One-vs-all Classification [J]. Journal of Machine Learning Research, 2004, (5): 101-141.
  • 8Tom M. Mitchell. Machine Learning [M]. McCraw-Hill Companies, Inc. 1997.

二级参考文献16

  • 1Weston J, Watkins C. Support vector machines for multi class pattern recognition[C]//Proceedings ofthe 7^th European Symposium on Artificial Neural Networks. Bruges, Belgium: [s. n.], 1999: 219-224.
  • 2Friedman J H. Another apporoach to polychotomous classification [R]. Stanford University, Department of Statistics, 1996.
  • 3Krebel U. Pairwise classification and support vector machines [M]. Cambridge, USA: The MIT Press, 1999:255-268.
  • 4Weston J, Watkins C. Multi-class support vector machines[R]. CSD-TR 98-04, Royal Holloway, University of London, 1998.
  • 5Rifkin R, Clautau A. In defense of one vs all classification [J]. Journal of Machine Learning Research ,2004, (5) : 101-141.
  • 6Debnath R, Takahide N, Takahashi H. A decision based on one against one method for multi-class support vector machine[J]. Pattern Anal Applic,2004,7: 164-175.
  • 7Moreira M, Mayoraz E. Improving pairwise coupling classification with error correcting classifiers[C]//Proeeeding of Tenth European Conference on Machine Learning. Germany:Springer Berlin/Heidelberg, 1998,1398 : 160-171.
  • 8Cutzu F. How to do multi-way classification with two-way classifiers [C]// ICANN/ICONIP 2003.Germany:Springer Berlin/Heidelberg, 2003:375-382.
  • 9Hsu C W, I.in C J. A comparison of methods for multi-class support vector machines [J]. IEEE Trans on Neural Networks, 2002,13(2):415-425.
  • 10Platt J. Fast training of support vector machines using sequential minimal optimization, advances in kernel methods: support vector learning[M]. Cambridge, USA:The MIT Press, 1999:185-208.

共引文献66

同被引文献113

引证文献8

二级引证文献96

现代隧道技术
2011年 第1期

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部