知识发现及其在高层结构智能选型中应用研究.pdfVIP

建筑结构分会2006年年会学术会议论文 2006年 知识发现及其在高层结构智能选型中应用 张世海“2，刘晓燕1，涂庆1，欧进萍1，王光远1 2南阳理工学院士术系．南阳盯3000) (1哈尔演工业大学士术工程学院，哈尔滨t50090 (摘要)首先，介绍了知识发现的产生及其与数据挖掘的区别与联系，较系统地分析了知识发现的研究与应 用现状．给出了知识发现的特征、问题求解过程及基于工程实例库的8种常用的知识发现方法：其次，明确 地指出了从高层实例库中进行结构选型知识发现的4个主要原因，提出了高层结构实例信息的5个典型特征； 是后．对作者已建立的6种高层建筑结构智能选型知识发现方法的特征与适用范围等进行了系统比较，指出 了它们在基于工程实例库的知识发现过程中，具有较好的互补关系而非竞争关系。上述工作既为人们深入了 解和认识知识发现及工程实例信息特征，选择或构建恰当的知识挖掘方法等奠定了基础．也为解决长期以来 一直困扰人们的结构选型知识获取“瓶颈”问题及充分利用已有工程实例等提供了新的手段与方法。 [关键词)高层建筑，结构系统，智能选型，知识发现，方法比较 1引言 每—个高层建筑结构实例，均反映了相应历史时期世界各国的工程技术专家与学者们，在千 变万化的建筑方案及错综复杂的技术经济与环境约束条件下，解决高层结构系统型式确定与优选 过程中所遇到的各种重大矛盾与问题时的思考、探索、追求与实践，是人们集体智慧的结晶，人 类已建的大量高层结构实例是一个包含有丰富知识信息、且未被很好开发利用的“富矿”。但这些 极为有用的知识常分散地隐含在多因子、高噪声的大量复杂实例参数等信息中，目前尚无法直接 将它们转化为易被设计人员直接获取、把握和重用的结构选型设计知识。采用恰当的方法，有效 地发现、获取和重用已有工程实例中的有用知识信息，来指导当前结构选型设计，将成为解决传 统基于知识的结构选型系统知识获取“瓶颈气提高结构选型设计质量与效率的一个新的研究方向 和有效方法。鉴于此，本文将在分析介绍知识发现研究与应用现状及其问题求解过程、高层建筑 等土木工程实例信息特征与知识发现方法等的基础上，分析比较六种高层建筑智能选型知识发现 方法的异同。为全面深入的认识与选择利用恰当的结构选型知识发现方法奠定基础。 2知识发现的研究与应用现状及其问题求解过程 随着计算机技术的广泛使用及各行业的快速发展，各领域所储存和积累的资料数据以惊人的 速度呈爆炸性增长，人们也逐渐地淹没在各种繁杂数据和信息的海洋里。为了将这些海量数据转 换成有价值的信息和知识，必须找到—种去粗取精、去伪存真的方法或工具，以便能够从数据的 海洋里，对数据自动地进行分析、自动分类、自动的数据汇总、自动地发现和描述数据的趋势、 inDatabases)或数据挖 自动地标记异常。这种工具就是数据库中的KDD(KnoyledgeDiscovery 掘“’。它也将是从大量已知工程实例信息中发现形成结构选型设计知识的有效手段，是ES(Expert Reasoning)系统知识获取方法的必要补充。 System)、CBR(Case-Based 2．1知识发现与数据挖掘及其关系 (1)知识发现的定义：KDD是指从存储在数据库、数据仓库或其它信息存储容器中的大量领 ·306· 建筑结构分会2006年年会学术会议论文 2006年 域背景数据里筛取信息．发现有价值知识的过程，这些知识是隐含的、事先未知的、用概念、规 则、规律、模式和可视化等来表征的…。也可认为KDD是从数据集中辨识出有效、新颖、潜在有 用、以及最终可理解知识模式的非平凡过程”‘。其中，非平凡过程是指涉及多个阶段的知识发现 过程要有一定程度的智能性、自动陛(仅仅给出所有数据的总和不能算做一个发现过程)。I(DD集 数据收集、数据清洁、降维、规则归纳、模式识别、数据／模式分析及评估、可视化输出于一身， 是统计学、计算机科学、人工智能、机器学习、模式辨识、计算智能、智能数据库以及其他学科 相结合的产物“’。KDD是将大量繁杂已有工程实例数据信息转化