×
林，珊;侗族、苗族;曹西太郎;梁增龙;郭宏伟;郑红

用于边坡稳定性分析的带有叠层去噪自编码器的预处理可解释深度学习模型。 （英语） 兹伯利07855391

工程分析。已绑定。元素。 163, 406-425 (2024).

理学硕士：

68倍 计算机科学
92至XX 生物学和其他自然科学

关键词：

深度学习;堆叠式自动编码器;边坡稳定性;可解释机器学习;DeepLIFT（深度提升）;SHAP公司;锚;岩土工程
PDF格式BibTeX公司 XML格式引用
\textit{S.Lin}等人，《工程分析》。已绑定。元素。163406--425（2024；Zbl 07855391）
全文： 内政部

参考文献：

[1] Asteris，P.G。；Rizal，F.I.M。；Koopalipor，M。；罗西，P.C。；Ferentinou，M。；Armaghani博士。；Gordan，B.，使用几种基于树的智能技术对地震条件下的边坡稳定性进行分类，应用科学，2022年12月
[2] Das，S.K。；Biswal，R.K。；西瓦库根，N。；Das，B.，使用差分进化神经网络进行边坡分类和安全系数预测，环境地球科学，64201-2102011
[3] Duncan，J.M.，《最新技术：边坡极限平衡和有限元分析》，《岩土工程杂志》，122577-5961996年
[4] 格里菲斯，D.V。；黄，J。；Fenton，G.A.，《使用二维随机场的空间变异性对边坡可靠性的影响》，《岩土工程杂志》，1351367-13782009年
[5] Lin，S。；郑浩。；蒋伟（Jiang，W.）。；李伟（Li，W.）。；Sun，G.，《使用虚拟元素法调查石质土坡开挖》，Eng-Ana Bound Elem，121，76-9020年·Zbl 1464.74185号
[6] 森古普塔，A。；Upadhyay，A.，用遗传算法定位边坡稳定性分析中的临界破坏面，应用软件计算，9，387-3922009
[7] 郑，F。；Leung，Y.F。；Zhu，J.B。；Jiao，Y.Y.，《节理岩体有效非连续变形分析的修正预测-校正解方法》，国际数值分析方法杂志，43599-6242019年
[8] 周，S。；Rabczuk，T。；庄，X.，准静态和动态裂纹扩展的相场建模：COMSOL实施和案例研究，Adv Eng Softw，122，31-492018
[9] 雷，A。；库马尔，V。；库马尔，A。；雷·R。；坎德尔瓦尔，M。；Singh，T.，使用人工神经网络对喜马拉雅残积土坡的稳定性预测，Nat Hazards，1033523-35402020
[10] 凌，Q。；张，Q。；魏毅。；Kong，L。；Zhu，L.，基于多目标灰狼优化的边坡可靠性评估——基于多核的极限学习机器代理模型，工程地质环境，802011—242021
[11] 周，J。；李，E。；Yang，S。；王，M。；Mitri，H.，基于更新的案例数据库，使用梯度增压机方法预测圆形模式故障的边坡稳定性，《安全科学》，118，505-518，2019
[12] 埃尔卡诺格鲁，M。；Gokceoglu，C.，用模糊方法评估滑坡多发区（土耳其西北部Yenice北部）的滑坡敏感性，环境地质学，41，720-730，2002
[13] Lin，S。；郑浩。；Han，C。；Han，B。；Li，W.，使用机器学习方法评估和预测边坡稳定性，Front Struct Civ Eng，15，821-8332021
[14] Espinosa，H.，《使用机器/深度学习的汽车行业点击事件声音检测》，应用软件计算，108，2021
[15] 乔伯巴斯蒂，A.J。；Farrokhzad，F。；Barari，A.，使用人工神经网络预测边坡稳定性（案例研究：伊朗马赞德兰诺阿巴德），阿拉伯地质学杂志，2311-3192009
[16] Wang，H。；莫阿耶迪，H。；Kok Foong，L.，遗传算法与多层感知器杂交以进行经济的边坡稳定性设计，Eng Compute-Germany，37，3067-3078，2020
[17] Lin，S。；郑浩。；Han，B。；李毅。；Han，C。；Li，W.，八种集成学习方法在边坡稳定性预测模型开发中的比较性能，《岩土学报》，第17期，第1477-15022022页
[18] 普拉丹，B。；Lee，S.，《滑坡敏感性评估和因子效应分析：反向传播人工神经网络及其与频率比和双变量逻辑回归建模的比较》，环境模型软件，25747-7592010
[19] 刘，Z。；邵，J。；徐伟（Xu，W.）。；陈，H。；Zhang，Y.，边坡稳定性评估和预测的极端学习机方法，自然灾害。，73, 787-804, 2014
[20] 张，Z。；刘，Z。；郑，L。；Zhang，Y.，用于边坡稳定性推断的自适应相关向量机方法的开发，Neural Comput Appl，252025025-352014
[21] 周，J。；李，E。；Yang，S。；王，M。；施，X。；姚，S。；Mitri，H.S.，基于更新的案例数据库，使用梯度增压机方法预测圆形模式故障的边坡稳定性，安全科学，118，505-5182019
[22] Samui，P.，《边坡稳定性分析：支持向量机方法》，《环境地质》，56255-2672008年
[23] 张伟。；李，H。；Han，L。；Chen，L。；Wang，L.，利用集成学习技术进行边坡稳定性预测：以中国重庆云阳县为例，《岩石力学与岩土工程杂志》，第14期，第1089-1099页，2022年
[24] 戈登，B。；Jahed Armaghani，D。；哈吉哈萨尼，M。；Monjezi，M.，《通过粒子群优化和神经网络相结合预测地震边坡稳定性》，《工程计算-德语》，32，85-972016年
[25] 何，X。；Xu，H。；Sabetamal，H。；Sheng，D.，空间可变边坡的机器学习辅助随机可靠性分析，Compute Geotech，126，Article 103711 pp.，2020
[26] 希顿，J.、伊恩·古德费罗、约舒亚·本吉奥和亚伦·库维尔：深度学习，基因计划进化M，19305-3072017
[27] Schmidhuber，J.，《神经网络中的深度学习：概述》，神经网络，6185-1172015
[28] 黄，F。；张杰。；周，C。；Wang，Y。；黄，J。；Zhu，L.，使用全连接稀疏自动编码器神经网络进行滑坡敏感性预测的深度学习算法，滑坡，17217-2292020
[29] 姚，J。；秦，S。；乔·S。；刘，X。；张，L。；Chen，J.，基于深度神经网络的两步采样策略在滑坡敏感性制图中的应用，B Eng Geol Environ，81，148，2022
[30] 利纳达托斯，P。；帕帕斯特凡诺普洛斯，V。；Kotsiantis，S.，《可解释人工智能：机器学习可解释性方法综述》，Entropy-Switz，23,182020年
[31] Giannakas，F.T。；Voyiatzis，C。；ISgouropoulou，C.，基于团队的学习成绩早期预测的深度学习分类框架，Appl Soft Comput，1062021
[32] 帕克，H.J。；Kim，Y。；Kim，H.Y.，《使用整合长期短期记忆和随机森林框架的多任务方法进行股市预测》，应用软件计算，114，第108106条，2022页
[33] Somu，N。；G.R.先生。；Ramamritham，K.，《建筑能耗预测的深度学习框架》，《可再生能源评论》，137，第110591条，2021页
[34] Vellido，A.，《机器学习中可解释性和可视化在医疗保健应用中的重要性》，神经计算应用，32，18069-180832020
[35] 周，C。；陶，H。；陈，Y。；斯托亚诺维奇，V。；Paszke，W.，约束系统的鲁棒点到点迭代学习控制：最小能量方法，国际鲁棒非线性，32，10139-101612022
[36] 庄，Z。；陶，H。；陈，Y。；斯托亚诺维奇，V。；Paszke，W.，输入约束下非均匀试验长度线性系统的最优迭代学习控制方法，IEEE T Syst Man Cy-s，53，3461-34732023
[37] Lee，T.S。；Mumford，D.，《视觉皮层的层次贝叶斯推理》，美国眼科学会杂志，第20期，第1434-1448页，2003年
[38] 沈，L。；陶，H。；Ni，Y。；Wang，Y。；Stojanovic，V.，《改进的YOLOv3模型与多尺度道路目标检测的特征图裁剪》，《计量科学技术》，34，第045406页，2023年
[39] 周，K。；郑毅。；李，B。；Dong，W。；Zhang，X.，预测不同类型的对流天气：深度学习方法，气象研究杂志，331797-8092019
[40] Bui，D.T。；Tsangaratos，P。；Nguyen，V.T。；列姆，N.V。；Trinh，P.T.，深层学习神经网络模型与传统机器学习模型在滑坡敏感性评估中的预测性能比较，Catena，188，Article 104426 pp.，2020
[41] 肖，C.-H。；Chen，A.Y。；Ge，L。；Yeh，F.-H.，人工神经网络和卷积神经网络在使用随机有限元法数据进行边坡破坏预测方面的性能，《岩土学报》，第17期，第5801-5811页，2022年
[42] Yu，H。；秦，C。；陶，J。；刘，C。；Liu，Q.，隧道掘进机扭矩和推力预测的多通道解耦深度神经网络，Tunn Underr Sp Tech，133，文章104949 pp.，2023
[43] Agatonovic Kustrin，S.（阿加托诺维奇·库斯特林，S.）。；Beresford，R.，《人工神经网络（ANN）建模的基本概念及其在药物研究中的应用》，《生物制药杂志》。，22, 717-727, 2000
[44] 日期，年。；Kikuchi，J.，深度神经网络在代谢组学研究中的应用及其在确定重要变量中的性能，《分析化学》，901805-18102018
[45] LeCun，Y。；Y.本吉奥。；Hinton，G.，深度学习，自然，521436-4442015
[46] 余，P。；闫霞，基于深度神经网络的股价预测，神经计算应用，321609-16282020
[47] Feng，S。；周，H。；Dong，H.，使用小数据集的深度神经网络预测材料缺陷，Mater Design，162300-3102019
[48] Angelov，P.P。；苏亚雷斯，E.A。；江，R。；新泽西州阿诺德。；Atkinson，P.M.，《可解释的人工智能：分析综述》，WIREs DMKD，11，5，e14242021
[49] Castelvecchi，D.，我们能打开人工智能的黑盒子吗？，《自然新闻》，538，7623，2016
[50] 陈，H。；戈麦斯，C。；黄，C.M。；Unberath，M.，《可解释的医学成像人工智能需要以人为中心的设计：系统综述的指南和证据》，NPJ Digit Med，5，156，2022年
[51] 麦克斯韦，A.E。；夏尔马，M。；Donaldson，K.A.，边坡破坏空间预测建模的可解释增压机，遥感基础。，13, 2021
[52] Naser，M.Z.，《可解释人工智能和可解释机器学习的工程师指南：导航因果关系、强制善良和推理的错误感知》，《自动构造》，1292021年
[53] Preece，A.D。；哈伯恩，D。；布雷恩斯，D。；托姆塞特，R.J。；Chakraborty，S.，可解释人工智能的利益相关者，ArXiv，2018
[54] Tjoa，E。；Guan，C.，《可解释人工智能（XAI）调查：面向医学XAI》，IEEE跨神经网络学习系统，32，4793-48132021
[55] 阿达迪，A。；Berrada，M.，《窥视黑匣子：可解释人工智能（XAI）的调查》，IEEE Access，652138-521602018年
[56] Namatívs，I。；Sudars，K。；Dobrájs，A.，《可解释性与可解释性：理解深度学习系统和模型的分类》，计算机辅助方法工程科学，29297-3562022年
[57] 伊万诺夫斯，M。；卡迪基斯，R。；Ozols，K.，《解释深层神经网络的基于扰动的方法：一项调查》，Pattern Recogn Lett，150228-2342021
[58] 佩奇，J。；Di，S。；Nelson，W.，《打开黑匣子：心脏病学中可解释机器学习的承诺和限制》，Can J Cardiol，38，204-213，2022年
[59] 蒙塔文，G。；W·萨梅克。；Müller，K.-R.，《解释和理解深层神经网络的方法》，数字信号处理，73，1-152018
[60] Wang，Y。；姚，H。；Zhao，S.，基于自动编码器的降维，神经计算，184232-2422016
[61] Gonen，M.，贝叶斯监督维度缩减，IEEE Trans Cybern，43，2179-2189，2013
[62] 刘，G。；谢，L。；Chen，C.-H.，通过深度变化自动编码器进行无监督文本特征学习，Inf-Technol Control，49421-4372020
[63] 费雷拉，M.F。；卡马乔，R。；Teixeira，L.F.，使用自动编码器作为疾病检测深层神经网络的权重初始化方法，BMC Med Inform Decis，2020年20月
[64] 波多布尼克，B。；Bao，W。；Yue，J。；Rao，Y.，《使用堆叠自动编码器和长短记忆的金融时间序列深度学习框架》，Plos One，2017年12月
[65] Song，G。；张杰。；Zhu，K。；Ge，Y。；Yu，L。；Fu，Z.，基于多核高斯过程回归和堆叠多层去噪自动编码器的刀具磨损监测，机械系统信号Pr，1862023
[66] Rumelhart，D.E。；辛顿，G.E。；Williams，R.J.，通过反向传播错误学习表征，NatureNature，323533-5361986·Zbl 1369.68284号
[67] Cho，H。；Kim，Y。；Lee，E。；Choi，D。；Lee，Y。；Rhee，W.，《使用贝叶斯优化调整深层神经网络超参数时的基本增强策略》，IEEE Access，8，52588-526082020年
[68] Sun，D。；徐，J。；温，H。；Wang，D.，基于贝叶斯超参数优化的滑坡易感性制图评估：逻辑回归与随机森林的比较，Eng-Geol，2812021
[69] Srinivas，N.，《通过反向传播错误学习表征》，NatureNature，323，9，533-5362010·Zbl 1369.68284号
[70] Frazier，P.，《贝叶斯优化教程》，2018年，ArXiv
[71] 布罗丘，E。；科拉·V·M。；Freitas，N.d.，《昂贵成本函数的贝叶斯优化教程，应用于主动用户建模和分层强化学习》，ArXiv，2010年
[72] Erhan，D。；Y.本吉奥。；科尔维尔，A。；Manzagol，P.-A。；文森特，P。；Bengio，S.，为什么无监督的预培训有助于深度学习？，J Mach学习研究，11，625-6602010·Zbl 1242.68219号
[73] 佩雷拉，S。；梅耶，R。；麦金利，R。；韦斯特，R。；阿尔维斯，V。；席尔瓦，C.A。；Reyes，M.，《增强自动提取的机器学习特征的可解释性：应用于RBM-Random Forest系统的脑损伤分割》，《医学图像分析》，44228-2442018年
[74] Shrikumar，A。；格林塞德，P。；Kundaje，A.，《通过传播激活差异学习重要特征》（第34届机器学习国际会议论文集-第70卷）。JMLR.org。第34届机器学习国际会议记录——第70卷。JMLR.org，澳大利亚新南威尔士州悉尼，2017年），3145-3153
[75] 伦德伯格，S.M。；Lee，S.-I.，解释模型预测的统一方法，（《第31届神经信息处理系统国际会议论文集》，第31届国际神经信息处理会议论文集，美国加利福尼亚州长滩，2017年，Curran Associates Inc.），4768-4777
[76] Štrumbelj，E。；Kononenko，I.，《用特征贡献解释预测模型和个人预测》，Knowl Inf Syst，41647-6652014年
[77] 沙普利，L.S.，1952年。n人游戏的值。
[78] Young，H.P.，合作博弈的单调解，《国际J博弈论》，第14期，第65-72页，1985年·Zbl 0569.90106号
[79] 费尔南多，Z.T。；辛格，J。；Anand，A.，使用deepSHAP对神经检索模型可解释性的研究，（第42届国际ACM SIGIR信息检索研究与开发会议论文集。第42届ACM SIGIS信息检索研究和开发国际会议论文集，2019年，法国巴黎，计算机协会），1005-1008
[80] 陈，H。；伦德伯格，S。；Lee，S.-I.，《通过传播本地成分的shapley值来解释模型》（Shaban-Nejad，A.；Michalowski，M.；Buckeridge，D.L.，《医疗保健和医学中的可解释人工智能：建立透明和责任文化》，2021年，施普林格国际出版：施普林格国家出版公司），261-270
[81] Friedman，J.H.，《贪婪函数近似：梯度提升机》，Ann Stat，291189-12322001年·Zbl 1043.62034号
[82] 阿尔瓦雷兹·梅利斯（Alvarez-Melis，D.）。；Jaakkola，T.，关于可解释性方法的稳健性，ArXiv，2018
[83] 维萨尼，G。；巴格利，E。；Chesani，F。；Poluzzi，A。；Capuzzo，D.，《LIME的统计稳定性指数：获取机器学习模型的可靠解释》，J Oper Res Soc，73，1，91-1012022
[84] Dwivedi，R。；Dave，D。；Naik，H。；Singhal，S。；奥马尔，R。；帕特尔，P。；钱，B。；温，Z。；沙阿·T。；摩根（Morgan，G.）。；Ranjan，R.，《可解释人工智能（XAI）：核心思想、技术和解决方案》，美国计算机学会计算研究，55，1-33，2023
[85] 里贝罗，M.T。；辛格，S。；Guestrin，C.，《锚：高精度模型不可知解释》， （第三十二届AAAI人工智能大会暨第三十届人工智能创新应用大会暨第八届AAAI-人工智能教育进展研讨会论文集）人工智能会议和第八届AAAI人工智能教育进展研讨会，美国路易斯安那州新奥尔良，2018，AAAI出版社），第187条
[86] Chakraborty，A。；Goswami，D.，使用多元线性回归（MLR）和人工神经网络（ANN）预测边坡稳定性，阿拉伯地质科学杂志，2017年10月
[87] 陈，C。；肖，Z。；Zhang，G.，基于自适应神经模糊推理系统的浅变质岩边坡稳定性评估模型，Electron J Geotech Eng，16，93-1072011
[88] Fattahi，H.，基于聚类方法的自适应神经模糊推理系统预测边坡稳定性，J Min Environ，8163-1772017
[89] 北卡罗来纳州卡达尼。；周，A。；Nazem，M。；Shen，S.-L.，基于有限元分析和现场数据的混合叠加集成方法改进边坡稳定性预测，岩石力学与岩土工程杂志，13，188-201，2021
[90] Manouchehrian，A。；Gholamnejad，J。；Sharifzadeh，M.，使用遗传算法开发圆形破坏边坡稳定性分析模型，环境地球科学，711267-12772013
[91] Rosenbaum，P.L.a.M.S.，边坡稳定性预测的人工神经网络和灰色系统，自然灾害，30383-3982003
[92] Wang，H.B。；Xu，W.Y。；Xu，R.C.，使用反向传播神经网络进行边坡稳定性评估，工程地质，80，302-315，2005
[93] Michalowski，R.L.，边坡稳定性分析：运动学方法，Géotechnique，45283-2931995
[94] 道森，E.M。；Drescher，W.H.R.A.，通过强度折减法进行边坡稳定性分析，Géotechnique，49，835-8401999
[95] 彭汉川，F.L。；丁，克里斯，基于互信息的特征选择：最大依赖、最大相关和最小冗余的标准，IEEE T模式分析，271226-12382005
[96] 土壤力学（DM 7.1），349-3951986，亚历山大
[97] Bradley，A.E.，《机器学习算法评估中roc曲线下面积的使用》，模式识别，301145-11591997年
[98] 医学博士Vega García。；Aznarte，J.L.，Shapley对NO2预测的附加解释，Ecol Inform，56，文章101039 pp.，2020
[99] Wakjira，T.G。；Rahmzadeh，A。；Alam，M.S。；Tremblay，R.，基于可解释机器学习的后张基础摇摆钢桥墩横向循环响应高效预测工具，结构，44，947-9642022
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。