基于人工智能的建筑工程验收检测方法研究

来源 :长江信息通信 | 被引量 : 0次 | 上传用户:bellwang99
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
建筑工程的计算标度受量化尺寸干扰,导致验收分项指标内插检测比例过高.因此,研究基于人工智能的建筑工程验收检测方法.设计建筑工程验收检测方法,基于人工智能计算工程验收检测指标,根据指标间的隶属关系,判断建筑工程验收检测的分项权重.以此作为质量控制的核心,计算相对应的重叠系数,构建工程验收检测的重叠结构,并在此基础上设计工程验收检测模型,完成建筑工程验收检测.界值分析法的验收分项指标内插检测比例最高为0.2691,等价类划分方法的验收分项指标内插检测比例最高为0.2979,建筑工程验收检测方法的验收分项指标内插检测比例最高为0.1921,因此,设计的建筑工程验收检测方法更好.
其他文献
为解决基于信息熵的加密传输系统在应用到真实的环境中对通信数据进行加密传输时,存在传输路径上受第三方非法攻击者威胁的通信数据量较多,无法保证数据传输安全问题,开展基于AES算法的通信数据加密传输系统设计研究.通过主控器选型、外部通信物理接口等硬件设计和基于AES算法的加密T盒设计、确定通信数据加解密单元结构、密钥更改轮换加密传输等软件设计,提出一种全新的加密传输系统.通过将新的传输系统与基于信息熵的传输系统应用到相同环境中证明,新的传输系统能够有效降低传输路径上受第三方非法攻击者威胁的通信数据量,为通信数据
在过去的二十年中,由于在线应用程序中数据量的爆炸式增长,推荐系统引起了很多兴趣.特别关注协同过滤,它在涉及信息推荐的应用程序中使用最广泛.协同过滤(C F)使用一组用户的已知偏好对其他用户的未知偏好进行预测和推荐(推荐是基于用户过去的行为做出的).文章中,概述了推荐系统的CF方法、它们的两个主要类别,介绍了经典学习算法到高级机器学习模型的演变,较全面概述CF方法,可以作为该领域研究和实践的指南.