混凝土浇筑仓温度双控指标拟定的最大熵法.pdf

第2 9卷 第 1 1 期 2 0 1 2年 1 1月 长 江科学 院 院 报 J o u rna l o f Y a n g t z e R i v e r S c i e n ti fi c Re s e a r c h I n s ti t u t e V0 1 ． 2 9 No ．1 l No v ． 2 0 1 2 DO I ： 1 0 ． 3 9 6 9 ／ j ． i s s n ． 1 0 0 1 — 5 4 8 5 ． 2 0 1 2 ． 1 1 ． 0 2 3 2 0 1 2 ， 2 9 ( 1 1 ) ： 1 0 4—1 0 7 ， 1 2 1 混凝土浇筑仓温度双控指标拟定的最大熵法 黄耀英 ， 瞿立新 。 周宜红 ， 宫经伟 ， 周绍武 。 李金河 ， 陈文夫 ( 1 ． 三峡大学 水利与环境学院， 湖北 宜昌4 4 3 0 0 2 ； 2 ． 武汉大学 水利水电学院， 武汉4 3 0 0 7 2 ； 3 ． 中国长江三峡集团公司， 湖北 宜昌4 4 3 0 0 2 ) 摘要： 结合西南某建设中的混凝土特高拱坝高温季节浇筑仓实测温度 ， 采用最大熵法拟定了混凝土浇筑仓温度双 控指标 ， 即混凝土浇筑仓达到最高温度前典型龄期对应的容许温度和容许温度变化率。为了获得高精度的最大熵 概率密度函数， 采用粒子群算法来优化求解拉格朗 日乘子系数。工程实例分析表明： 最大熵法不需要事先假设样 本分布类型， 直接根据各基本随机变量的数字特征值进行计算 ， 就可以得到精度较高的概率分布密度函数 ， 由此求 出的温度双控指标是可行的。 关键词： 温度双控指标； 最大熵法 ； 浇筑仓 中图分类号 ： T V 3 3 1 文献标志码 ： A 文章编号 ： 1 0 0 1 —5 4 8 5 ( 2 0 1 2 ) 1 1 — 0 1 04 —04 1 研究背景 2 基本原理 温度监控指标是} 昆凝土大坝温控防裂的重要指 标 J 。为了达到温控 防裂的 目的， 需要控制浇筑仓 最高温度和降温速率等。采用温度双控指标来动态 控制混凝土浇筑仓最高温度无疑是一条新途径 ， 即 选取混凝土浇筑仓达到最高温度前典型龄期 ， 拟定 该龄期对应的容许温度和容许温度变化率 ， 当该龄 期下的混凝土温度和温度变化率超过容许温度和容 许温度变化率时 ， 预示着在当前温控措施下 ， 浇筑仓 混凝土温度极可能超过容许最高温度 ， 必须采取更 为有效 的温控措施才能避免浇筑仓混凝土温度超过 容许最高温度。 近年来 ， 最大熵理论在结构可靠性分析 J 、 岩土 工程反分析 』 、 岩石力学参数概率分布 J 、 大坝安全 监控指标 的拟定 以及 岩体 结构加速流变破坏分 析 等许多方面的应用取得了较好的效果。最大熵 法不需要事先假设分布类型， 直接根据各基本随机变 量的数字特征值进行计算， 这样就可以得到精度较高 的概率分布密度函数 ， 进而求出混凝土浇筑仓温度 双控指标。为此 ， 本文结合西南某建设 中的混凝土特 高拱坝高温季节浇筑的混凝土浇筑仓实测温度， 采用 最大熵法拟定典型混凝土龄期的容许温度和容许温 度变化率， 以指导现场混凝土浇筑。 2 ． 1信息熵的定义 1 9 4 8年 S h a n n o n在创立信息论 时， 引入 了信息 熵的概念来研究信息的不确定性， 即 n H( )=一 l n p 。 ( 1 ) i=1 式中： p 是信息源 中信号 出现的概率 ； l n p 是它带 来的信息量； 日 ( ) 表示信息量的大小， 它是一个系 统状态不确定的量度。 对于连续型随机变量 ， 信息熵定义为 H( )=一I ) l ) d x 。 ( 2 ) J 式 中 ) 是连续型随机变量 的概率分布密度函 数 。 式 ( 1 ) 和式 ( 2 ) 包含 2个方面的含义 ： 如果 已知 信息出现的概率 ， 就可以通过式 ( 1 ) 或式( 2 ) 计算其 熵值 ； 可以把 日( ) 看成是分布概率 P ( 或概率密度 函数 ) ) 的泛函， 当P 或概率密度 函数 ) 发生 变化时 ， H( ) 也随着相应地改变。因此 ， 在信息给 定的条件下 ， 在所有可能的概率分布中， 存在一个使 得信息熵取得极大值的分布。 2 ． 2最大熵密度函数【 4 I 5 由最大熵原理可知， 最小偏差的概率分布是使 收稿 E t 期 ： 2 0 1 1 —0 8—2 7； 修回 日期 ： 2 0 1 1 一 o 9—1 3 基金项 目： 国家 自然科学基金项 目( 5 1 0 7 9 0 7 9 ) ； 国家 自然科学青年基金项 目( 5 1 2 0 9 1 2 4 ) ； 湖北省教育厅科学技术研究项 目( D 2 0 1 0 1 2 07 ) ； 三峡 大学基金( K J 2 0 1 0 B 0 0 3 ) 作者简介： 黄耀英( 1 9 7 7 一) ， 男， 湖南郴州人， 副教授， 博士， 主要从事大坝安全监控和结构数值计算方面的研究工作， ( 电话) 1 3 9 9 7 6 6 2 9 0 1 ( 电 子信箱 ) h u a n g y a o y i n g @s o h u ． c o m。 第 1 1期 黄耀英 等 混凝土浇筑仓温度双控指标拟定的最大熵法 1 0 5 熵 H( x ) 在根据已知样本信息而施加 的一些约束条 件下达到最大值 的分布 ， 即 m a x H( )：一I 厂 ( ) l n f ( ) d x ， ( 3 ) f I 厂 ( ) d x： 1 ， ( 4 ) S u b j e c t t o J R x ) d x = ix ( = 1 ， 2 ， ⋯， Ⅳ ) 。 ( 5 ) 式 中： 为积分空 间； ( i =1 ， 2， ⋯， Ⅳ) 为第 i 阶原 点矩 ， = i ， 为第 个样本值 ； n为样本数 ； N 为所用矩的阶数 。事实上 ， 随机变量的特性基本上 可以用 它的前 4阶矩来描述 ； 1阶矩 即平均值刻 画随机变量的取值 “ 中心” ； 2阶矩或方差 刻画随机 变量围绕均值的离散程度 ； 3阶矩 ( 或偏度系数 ) 刻 画随机变量的对称性 ( 偏倚程度) ； 4阶矩( 或峰度系 数) 刻画随机变量 的集 中和分散程度 ( 尖平程度) 。 可以调整_厂 ( ) 来使熵 H( ) 达到最大值 ， 具体 可采用拉格朗 日乘子法来分析这个 问题 。假设建立 的拉格朗 日函数为 ￡=H ( x )+( A o +1 ) [ J ) d x一1 ]+ Ⅳ A 川 ) d x 一 ] 。 ( 6 ) 令a )= 0 ， 可得 )=e x p ( A 。 +∑A ) 。 ( 7 ) 式( 7 ) 为最大熵概率密度函数的解析形式 。 将式 ( 7 ) 代人式( 4 ) ， 有 ． N R e x p ( A 0 +∑A ) d x=1 。 ( 8 ) 整理后可得 ． ． ， v A 。 = 一 I n [ J R e x p ( ∑ A ) d x ]。 ( 9 ) 将式( 7 ) 和式 ( 9 ) 代入式 ( 5 ) ， 有 J ) = f R e x p ( ,h 。 + A ，x ~ ) d x = N J e x p ( A J ) d x ——— N—一 ： 0 ( 1 0 ) 一 ＼ ～／ f R e x p ( ∑ A ) d x 为便于求解拉格朗 日乘子系数 ， 将式( 1 0 ) 改为 ． ， v J i e x p ( ∑ A ) d x ： 1一 — — — l_ 一 。 ( 1 1 ) I R e x p ( ∑ A x j ) d x 令 r = m i n ( r ) 。 ( 1 2 ) 式中： r 为残差 ， 可用优化算法来求式 ( 1 2) 表示 的 残差平方 和的最 小值 。当 r 时 ， 混凝土浇筑仓将 出现超 过容许 最高温度 ， 其 概率为 ∞ P ( > )=P = J ) d x 。 ( 1 5 ) J m 求出 的最大熵概率密度 函数 ) 后， 估计 的主要问题是确定失效概率 P ， 其值根据大坝重要 性来确定 ， 对于西南某特高拱坝 ， 浇筑仓温度超过容 许最高温度的概率较小 ， 取 O ／ = 5 ％ ， 此时 = F ( ， ) 。 ( 1 6 ) 分别获得混凝土浇筑仓达到最高温度前的典型 龄期对应的温度和温度变化率样本 ， 然后 由式 ( 7 ) 求出最大熵密度函数． 厂 ( ) ， 最后采用式( 1 6 ) 计算典 型龄期对应的容许温度和容许温度变化率。 3 实例分析 3 ． 1 粒子群算法的拉格朗日乘子系数优化 为验证粒子群算法寻优的准确度及效率 ， 随机生 成 l 0 0 0个标准正态分布样本， ／x ， =一 0 ． 0 O 4 3 5 ， ／ x = 0 ． 9 9 5 5 ， 3 = 一 0 ． 0 2 1 7 8 ， ／ x 4 -- - 2 ． 8 3 9 4 4 3 ， 对应其最大熵 密度函数为 ： 厂 ( )=e x p (一 0 ． 9 3 5 8 9+0 ． 0 0 1 1 4 7 x一 0 ． 4 6 2 7 7 x 一0 ． 0 0 1 9 3 x 。 一 0 ． 0 0 6 9 3 x ) ， 采用 迭代 步 长 江科 学院院报 2 0 1 2丘 来确定收敛 ， 在迭代 2 0 0次时即出现最优值 ， 对应残 差平方和 r <1 0 ， 其计算迭代过程及标 准正态分 布函数和计算 的最大熵概率密度 函数对 比如图 1 ， 由此可见粒子群算法能较好地对拉格 朗 日乘子系数 寻优 。 髑 血 0 1 o o 2 0 0 3 0 0 4 O 0 5 0 0 迭代次数 ( a ) 迭代过程 图 1 迭代 过程与结果对 比图 Fi g ．1 I t e r a t i on p r o ce s s an d r e s u l t s 3 ． 2工 程实例 西南某建设中的特高拱坝位于四川省雷波县和 云南省永善县接壤 的金沙江峡谷段 ， 拦河大坝为混 凝土双曲拱坝， 坝顶高程 6 1 0 m， 最大坝高2 8 5 ． 5 n l ， 大坝共 3 1 个坝段 ， 为达到温控 防裂 的 目的 ， 在混凝 土浇筑仓埋设常规温度计 ， 并且在典型坝段埋设分 布式光纤进行温度监测工作 。由于该拱坝 规模 巨 大 ， 混凝土材料抗裂性能一般 ， 从提高施工期混凝土 抗裂安全性出发 ， 混凝土最高温度统一按 2 7 ~ C进行 控制。 本文统计了该拱 坝 5 _2 5 坝段在高温季节浇 筑 ( 5 _ _ 9月份) 的 9 7仓混凝土实测温度过程线 ， 统 计分析 表 明实测 最 高温 度一 般 在 混凝 土 龄期 的 5 ． 6 d 时达到。由此选取混凝土龄期为2 ． 5 d 和 3 d 时的温度和温度变化率作为样本进行分析 ， 温度样 本 以及温度变化率样本的均值和标准差见表 1 。 表 1 统计样本均值和标 准差 Ta bl e 1 Av e r a g e v a l u e s a nd s t and ar d de v i a t i o ns o f s tat i s t i c a l s a m pl e s 在计算混凝 土龄期 为2 ． 5 d 和 3 d时的温度和 温度变化率对应的最大熵概率密度 函数时 ， 为防止 粒子群算法在寻优过程中陷人局部最优解 ， 令 0 3 = n C L 0 ． 9一 ， 其 中 m a x s t e p为最大迭代步取1 0 0 0， ma x s t e p k为当前迭代次数 ； c =C =2 ； 粒子数 Ⅳ取 3 0 ； 由于 随机变量的特性基本上可 以用它 的前 4阶矩来描 述， 所以仅计算( A ， A ， A ， ， A ) ， 即空间D为 4维。 为提高计算收敛速度和精度 ， 在计算温度样本对 应的最大熵概率密度 函数时 ， 将式 ( 7 ) 略作转化 为 Ⅳ ) ： e p ( A 。 + ∑ A ( ) ) ， 其中， 和 分别 I or 为均值和标准差。各阶原点矩及拉格朗 日乘子系数 见表 2 ， 温度及变化率对应密度函数见图 2 。 表 2样本 原点 矩及优化 的拉格 朗 日系数 Ta bl e 2 Or i g i n mome nt s o f s am pl e s a nd opt i mi z e d Lag r a ng e pa r ame t e r s 原点矩及 优化的拉格 朗 日系数 混凝 土龄期 2 ． 5 d 温度 温度变化率 混凝土龄期 3 d 温度 温度变化率 ： O 0 0 0 O ) la 1 ) ／ a ( a ) 2 ．5 d 温度 (b ) 2 ． 5 d 温度变化率 一 o ( c 1 3 d 温度 1 5 — 1 ． 0 0 ． 5 O ． 4 — 3 — 2 — 1 0 l 2 3 4 — p ( d ) 3 d 温度变化率 图 2 概率密度 函数 Fi g ． 2 Pr o ba bi l i t y de n s i t y f unc t i o ns 假设超温概率 = 5 ％时 ， 采用式( 1 6 ) 计算获得 混凝土龄期为2 ． 5 d 和 3 d时的容许温度 和容许温 度变化率 ， 见表 3 。 表 3 典 型龄期下容许温度和容许温度变化率 Ta b l e 3 Al l o wa b l e t e mp e r a t u r e s a n d t e mp e r a t u r e r a t e s at t y pi c a l c o nc r e t e a g e s 超温 概率 混凝 土龄期 2 ． 5 d 混凝土龄期 3 d 容许温度／ 容许温度变化容许温度／ 容许 温度变化 率／ ( ℃ d ) ℃ 率／ ( ℃ d ) 新浇筑混凝土因水泥水化热 ， 温度逐渐升高 ， 经 过若干天后达到最高温度 ， 然后降温。与之相对 ， 温 度变化率在初期大 ， 后期逐渐减小 ， 达到最高温度后 开始降温， 温度变化率由正值转为负值。显然 ， 如果 浇筑仓混凝土最高温度超过容许最高温度 ， 那么在 混凝土龄期为第 n天( n=2 ． 5 d 或 n=3 d ) 时， 混凝 土的温度和温度变化率一般应超过某个容许值 。因 第 1 1期 黄耀英 等 混凝土 浇筑仓 温度 双控指标 拟定 的最大熵法 1 o 7 此 ， 基 于 上述 拟定 的混 凝 土 典 型龄 期 的温 度 双 控 指 标 ， 采用下述方式对高温季节浇筑 的混凝土浇筑仓 温度进行预警 ： 当 { a ≥T ／ a t [ ( a T ／ a t) ] 时 ， 重 点 关 注 并 采 一 【 ( ) ≥ [ ( ) ] ⋯⋯ ⋯ ⋯ 一 取更有效的温控措施 ； 当 { a ≥T~ a t [ ( a T~ at ) ] 时 ，关 注 并 采 取 更 一 【 ( ) < [ ( ) ] ～ ⋯ ⋯ ⋯ 有效的温控措施； 当 [ ( a T ／a t 蝴度跟 0 ； 一【 ( a a f ) ≥[ ( ) ] ～一⋯ ～⋯ ’ 当 [ ( a T ~a t 帆 现有的 一【 ( a <[ ( ) ] ”～ ～ ～ 温控措施执行。 式 中： 和( a T ~ a t ) 分别是混凝土龄期为 17 , 天 ( n= 2 ． 5 d 或 n= 3 d ) 时的温度及温度变化率 ； [ ] 和[ ( a T ／ a t ) ] 分别是混凝土龄期为 n天 时， 拟定 的 容许 温 度和 容许 温 度变化 率 4 结 语 本文将最大熵法应用于混凝土浇筑仓温度双控 指标 的拟定 ， 得到如下结论 ： ( 1 )结合西南某建设中的混凝土特高拱坝高温 季节浇筑仓实测温度 ， 采用最大熵法拟定 了混凝土 浇筑仓温度双控指标 ， 即混凝 土浇筑仓达到最高温 度前典型龄期对应 的容许温度和容许 温度变化率。 最大熵法不需要事先假设样本分布类 型， 直接根据 各基本随机变量 的数字特征值进行计算 ， 就 可以得 到精度较高的概率分布密度 函数 ， 由此求出的温度 双控指标是可行 的。 ( 2 )为了获得高精度的最大熵概率密度 函数 ， 采用粒子群算法来优化求解拉格 朗 日乘子系数 ， 工 程实例分析表明， 采用粒子群算法来优化求解拉格 朗E t 乘子系数具有简单易实现 、 参数少的优势。 参考文献： [ 2 ] 朱伯芳， 张超然．高拱坝结构安全关键技术研究[ M] ． 北京 ： 中国水利水 电出版社，2 0 1 0 ． ( Z HU B o — f a n g ， ZHANG C h a o — r a n ．Re s e a r c h e s o n t h e S t r u c t u r a l S a f e t y o f Hi g h C o n c r e t e A r c h D a m s j M] ．B e i j i n g ：C h i n a Wa t e r P o w e r P r e s s ， 2 0 1 0 ． ( i n C h i n e s e ) ) 章光 ， 朱维 申， 白世伟．计 算近似失效概率的最大熵 密度函数 法 [ J ] ．岩石力学与工程学 报，1 9 9 5 ，1 4 ( 2 ) ： 1 1 9—1 2 9 ． ( Z H A N G G u a n g ，Z HU We i — s h e n 。B A I Sh i - we i ．A Me t h o d o f Ma x i mu m En t r o p y De ns i t y Fun c t i o n f o r C a l c u l a t i o n o f A p p r o x i ma t e F a i l u r e P r o b a b i l i t y[ J ] ． C h i n e s e J o u r n a l o f R o c k Me c h a n i c s a n d En g i n e e rin g ， 1 9 9 5 ， 1 4 ( 2 ) ： 1 1 9～1 2 9 ． ( i n C h i n e s e ) ) [ 3 ] 陈斌， 刘宁， 卓家寿．岩土工程反分析的最大熵原 理 [ J ] ．河海大学学 报 ( 自然 科学版 ) ， 2 0 0 2， 3 0 ( 6 ) ： 5 2—5 5 ． ( C HE N Bi n，L I U Ni n g，Z HUO J i a - s h o u ．P r i n — c i p l e o f Ma x i mu m En t r o p y for B a c k An a l y s i s i n Ge o t e c h — n i c a l E n g i n e e r i n g [ J ] ．J o u r n a l o f Ho h a i U n i v e r s i t y( N a t — u r a l S c i e n c e s ) ， 2 0 0 2， 3 0 ( 6 ) ： 5 2— 5 5 ． ( i n C h i n e s e ) ) [ 4 ] 邓建， 李夕兵， 古德生．岩石力学参数概率分布的信 息熵推断[ J ] ．岩石力学与工程学报， 2 0 0 4， 2 3 ( 1 3 ) ： 2 1 7 7—2 1 8 1 ． ( D E N G J i a n ，L I X i — b i n g ，G U D e — s h e n g ． Pr o ba bi l i t y Di s t rib ut i o n o f Ro c k Me c ha n i c s Pa r a me t e r s b y U s i n g Ma x i m u m E n t r o p y M e t h o d [ J ] ．C h i n e s e J o u r n a l o f R o c k Me c h a n i c s a n d E n g i n e e r i n g ，2 0 0 4 ， 2 3 ( 1 3 ) ： 2 1 7 7 — 2 1 8 1 ． ( i n C h i n e s e ) ) [ 5 ] 丛培江， 顾冲时， 谷艳昌．大坝安全监控指标拟定的最 大熵法[ J ] ．武汉大学学报( 信息科学版) ， 2 0 0 8 ，3 3 ( 1 1 ) ： 1 1 2 6—1 1 2 9 ． ( C O N G P e i - j i a n g ，G U C h a n g - s h i ， GU Ya n — c h a ng ． Ma x i mu m En t r o py Me t ho d f o r De t e r r n i — n i n g D a m S a f e t y M o n i t o ri n g I n d i c e s [ J ] ．G e o m a t i c s a n d I n f o r ma t i o n S c i e n c e o f W u h a n U n i v e r s i t y ， 2 0 0 8 ， 3 3 ( 1 1 ) ： 1 1 2 6—1 1 2 9 ． ( i n C h i n e s e ) ) [ 6 ] 黄耀英 ， 郑宏， 田斌．信息熵理论在岩体结构加速 流变破坏分析中的应用研究[ J ] ．长江科学院院报， 2 0 1 1 ， 2 8( 8) ： 5 0—5 4 ．( H U A N G Y a o — y i n g ，Z HE N G Ha ng， TI AN Bi n． App l i c a t i on o f I nf o r ma t i o n Ent r o p y Th e o r y t o t h e F a i l u r e An a l y s i s o f Ac c e l e r a t e d Rh e o l o g y o f Ro c k S t r u c t u r e l J 1 ．J o u r n a l o f Ya n g t z e R i v e r S c i e n t i fi c R e s e arc h I n s t i t u t e ，2 0 1 1 ，2 8( 8) ： 5 0—5 4 ．( i n C h i — n e s e ) ) l 7 f J AYNE S E T ．I n f o r ma t i o n T h e o r y a n d S t a t i s t i c a l Me c h a n — i c s [ J ] ．T h e P h y s i c a l R e v i e w，1 9 5 7 ，1 0 6( 4 ) ： 6 2 0— 63 0． [ 8 ] 曾建潮．微粒群算法[ M] ．北京： 科学出版社， 2 0 0 4 ． ( Z E N G J i a n — c h a o ．P a r t i c l e S w arm O p t i mi z a t i o n[ M] ． B e i j i n g ： S c i e n c e P r e s s ， 2 0 0 4 ． ( i n C h i n e s e ) ) [ 9 ] 潘全科 ， 王凌， 高亮．离散微粒群优化算法的研究 进展 [ J ] ． 控制与决策， 2 0 0 9 ， 2 4( 1 0 ) ： 1 1 4 1—1 1 4 9 ． ( P A N Q u an— k e ， WA N G L i n g ，G A O L i a n g ．T h e S t a t e o f Ar t o f Di s c r e t e Pa r t i c l e S wa r m Opt i mi z a t i o n Al g o r i t hms [ J ] ．C o n t r o l a n d D e c i s i o n ，2 0 0 9 ，2 4( 1 0 ) ： 1 1 4 1— 1 1 4 9 ． ( i n C h i n e s e ) ) [ 1 0 ]韦征， 叶继红， 沈世钊．最大熵可靠理论在工程中的 应用[ J ] ．振动与冲击， 2 0 0 7 ， 2 6 ( 6 ) ：1 4 6—1 4 8 ． ( WE I Z h e n g，YE J i — h a n g ，S HEN S h i z h a o ．E n g i n e e ri n g Ap p l i - c a t i o n o f t h e Ma x i mu m En t r o p y Re l i a b i l i t y T h e o r y『 J] ． J o u r n al o f V i b r a t i o n a n d S h o c k ，2 0 0 7 ，2 6( 6 ) ：1 4 6— 1 4 8 ． ( i n C h i n e s e )) ( 编辑： 刘运飞) ( 下转第 1 2 1 页) 第 1 1期 李 雪 等 基于序贯决策融合的变化检测方法研究 1 2 1 q u e n t i a l L e a r n i n g 『 C ] ／ ／ U n i v e r s i t y o f A b e r d e e n ， P r o c e e d — i n g s o f t h e N i n e t e e n t h I n t e r n a t i o n a l J o i n t C o n f e r e n c e o n Ar t i fi c i a l I n t e l l i g e n c e ( I J C AI )，Ed i n b u r g h， S c o t l a n d， UK．3 0 J u 1 一 5 A u g u s t ， 2 0 0 5，De n v e r ：P r o f e s s i o n a l B o o k Ce nt e r ．20 0 5：671—6 7 6． [ 9 ] 宋晓宁 ， 吴小俊．基于决策树的模糊序贯最小优化分 类器的人脸识别[ J ] ．江苏科技大学学报(自然科学 版 ) ， 2 0 0 6 ， 2 0 ( 3 ) ： 4 1— 4 4 ． ( S O N G X i a o — n i n g ， wU x i — a o - j u n ．F a c e R e c o g n i t i o n B a s e d o n F u z z y S e q u e n t i a l Mi n — i m a l O p t i m i z a t i o n a n d D e c i s i o n T r e e [ J ] ． J o u r n a l o f J i a n — g s u U n i v e r s i t y o f S c i e n c e a n d T e c h n o l o g y( N a t u r a l S c i — e n c e E d i t i o n ) ， 2 0 0 6 ， 2 0 ( 3 ) ： 4 1— 4 4 ． ( i n C h i n e s e ) ) ( 编辑 ： 刘运飞 ) Ch a n g e De t e c t i o n M e t ho d Ba s e d o n S e q u e n t i a l De c i s i o n Fu s i o n LI Xue ，SHU Ni n g ，L I U Xi a o ． 1 i ( 1 ． K e y L a b o r a t o r y o f E a r t h q u a k e G e o d e s y ， I n s t i t u t e o f S e i s m o l o g y ，C h i n a E a r t h q u a k e A d m i n i s t r a t i o n ， W u ha n 43 0 0 7 1，Ch i n a；2．S c h o o l o f Re mo t e S e n s i n g a n d I n f o r ma t i o n En g i n e e r i n g， Wu h a n U n i v e r s i t y ， Wu h a n 4 3 0 0 7 9 ， C h i n a ) Ab s t r a c t：A c h a ng e d e t e c t i o n me t ho d b a s e d o n s e q ue n t i a l d e c i s i o n f u s i o n i s p r o p o s e d b y i mp r o v i n g t h e d e c i s i o n t r e e wi t h s e u ue n t i a l a n a l y s i s ．P r o v i d i n g t ha t de c i s i o n t r e e a l g o r i t hm c a n b e u s e d t o p r o c e s s b o t h c o n t i n u o u s d a t a a n d d i s c r e t e da t a．a n i t e r a t i v e p r o c e s s i s d e s i g ne d t o g e n e r a t e n e w i n p u t v a r i a b l e s ，wh i c h a r e c o mpo s e d o f t h e p r e v i o u s i n p u t v a r i a b l e s a n d t h e c l a s s i f i c a t i o n r e s u l t s ．T h e d e c i s i o n t r e e i s t r a i n e d b y t h e i t e r a t i v e p r o c e s s u n t i l t h e o u t p u t v a r i a b l e s a r e s t a b l e．Th e p r o po s e d me t h o d c a n r e du c e t h e u n c e r t a i n t y i n t h e d e c i s i o n — t r e e - b a s e d c h a n g e d e t e c t i o n me t ho d． Ex pe r i me nt s D r o v e t h e f e a s i b i l i t y a n d e f f e c t i v e n e s s o f t h i s me t h o d，a n d t h e r e s u l t s s h o w t h a t i t p r o v i d e s a ne w a p p r o a c h t o i mp r o v e t h e a c c u r a c y o f c h a n g e d e t e c t i o n f o r r e mo t e s e n s i n g i ma g e s ． Ke y wo r ds： de c i s i o n t r e e；s e q u e n t i a l a n a l y s i s；d e c i s i o n f u s i o n；c ha n g e de t e c t i o n 套 2 客 盎 叠 客 套 盒 客 盒 盎 盎 盎 盒 盎 盎 盒 客 盒 客 盒 盒 盒 套 盒 客 客 客 盎 盒 2 盎 盎 盒 客 客 盎 l 上接第 1 0 7页 ) M a x i mum Ent r o p y M e t h o d o f Dr a f t i n g Do u b l e I n d e x o f Te mp e r a t ur e Co n t r o l f o r Co nc r e t e Po u r i n g S u r f a c e H U A N G Y a o — y i n g 。 Q U L i — x i n ， Z H O U Y i — h o n g ，G O N G J i n g — w e l‘ 。 ， Z HOU S h a o — w u ，L I J i n — h e ，C HEN We n ． f u ( 1 ． C o l l e g e o f Hy d r a u l i c& E n v i r o n me n t a l E n g i n e e r i n g ，T h r e e G o r g e s Un i v e r s i t y ，Y i c h a n g 4 4 3 0 0 2，C h i n a ； 2． S c ho o l o f W a t e r Re s o u r c e s a n d Hy d r o p o we r En g i n e e r i ng，W u h a n Un i v e r s i t y，W u ha n 43 0 0 7 2，Ch i n a； 3 ． C h i n a T h r e e G o r g e s C o r p o r a t i o n ， Y i c h a n g 4 4 3 0 0 2 ， C h i n a ) Abs t r a c t ： Th e d o ub l e ． i n d e x o f t e mp e r a t u r e c o n t r o l f o r c o n c r e t e p o u r i ng s u r f a c e，i ．e ．t h e c o r r e s p o n d i n g a l l o wa b l e t e mp e r a t u r e a n d t e mp e r a t u r e g r a d i e n t a t t y p i c a l a g e b e f o r e t h e po u r i ng s u r f a c e r e a c h e s i t s ma x i mum t e mp e r a t u r e， w a s o b t a i n e d b y m a x i