一种基于无监督学习的基坑设计方案分组方法和装置与流程

1.本发明涉及建筑工程施工技术领域，尤其涉及一种基于无监督学习的基坑设计方案分组方法和装置。


背景技术：

2.参数化设计是将工程本身编写为函数与过程，通过修改初始条件并经计算机计算得到工程结果的设计过程，实现设计过程的自动化。对于某一个特定的建筑工程，在参数化设计的过程中，会生成大量类似的基坑设计方案，需要靠人工对这些基坑设计方案进行筛选分组，费时费力且可能漏掉本应入选的方案。
3.dbscan算法是比较有代表性的基于密度的无监督学习聚类算法，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。因而可通过dbscan算法对基坑设计方案进行自动化分组。
4.然而，在该算法中，簇的核心是依靠样本密度确定的，簇的划分依靠密度可达方法，两者在实际分组中表现不佳，难以实现对基坑设计方案的准确分组。且基坑设计方案整体数量庞大，即便进行分组，每个分组内还保留有大量的基坑设计方案需要人工筛选，依旧费事费力。


技术实现要素：

5.本发明提供了一种基于无监督学习的基坑设计方案分组方法和装置，以节约人工精力，并为用户提供各分组准确的典型基坑设计方案。
6.根据本发明的一方面，提供了一种基于无监督学习的基坑设计方案分组方法，包括：分别收集待分组基坑设计方案和已分组基坑设计方案的基坑信息数组，作为待分类数据集和诱导数据集；应用dbscan算法，确定适用于所述诱导数据集的诱导核心点列表和诱导半径；应用dbscan算法、所述诱导核心点列表和所述诱导半径，确定适用于综合数据集的最小点位数和初始半径；基于所述最小点位数和所述初始半径，应用dbscan算法对所述待分类数据集分类，得到所述待分组基坑设计方案中各分组的典型基坑设计方案；其中，所述综合数据集包括诱导数据集和部分待分类数据集。
7.根据本发明的另一方面，提供了一种基于无监督学习的基坑设计方案分组装置，包括：数据集确定模块，用于分别收集待分组基坑设计方案和已分组基坑设计方案的基坑信息数组，作为待分类数据集和诱导数据集；诱导信息确定模块，用于应用dbscan算法，确定适用于所述诱导数据集的诱导核心点列表和诱导半径；
综合信息确定模块，用于应用dbscan算法、所述诱导核心点列表和所述诱导半径，确定适用于综合数据集的最小点位数和初始半径；典型方案确定模块，用于基于所述最小点位数和所述初始半径，应用dbscan算法对所述待分类数据集分类，得到所述待分组基坑设计方案中各分组的典型基坑设计方案；其中，所述综合数据集包括诱导数据集和部分待分类数据集。
8.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的基于无监督学习的基坑设计方案分组方法。
9.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于无监督学习的基坑设计方案分组方法。
10.本发明实施例应用无监督学习的优势，仅需要初始的诱导数据即可进行自主学习训练，极大的降低了对人工经验的依赖；通过改进dbscan算法，克服了传统算法中的诸多不便同时保留了密度可达这一核心特点，将dbscan算法成功应用于施工图分类这一技术领域；通过对施工图进行自主学习，可以确地分类后各分组中的最具有特点的典型基坑设计方案，辅助人工进行筛选。
11.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
12.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
13.图1是根据本发明一实施例提供的一种基于无监督学习的基坑设计方案分组方法的流程图；图2是根据本发明又一实施例提供的一种基于无监督学习的基坑设计方案分组方法的流程图；图3是根据本发明又一实施例提供的一种基于无监督学习的基坑设计方案分组装置的结构示意图；图4是实现本发明实施例的电子设备的结构示意图。
具体实施方式
14.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人
员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
15.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
16.图1为本发明一实施例提供的一种基于无监督学习的基坑设计方案分组方法的流程图，本实施例可适用于通过读取生成的基坑设计方案，将相似的基坑设计方案进行分类并筛选出每组方案的较优解供用户进行选择的情况，该方法可以由基于无监督学习的基坑设计方案分组装置来执行，该装置可以采用硬件和/或软件的形式实现，该装置可配置于具备相应数据处理能力的电子设备中。如图1所示，该方法包括：s110、分别收集待分组基坑设计方案和已分组基坑设计方案的基坑信息数组，作为待分类数据集和诱导数据集。
17.其中，基坑信息数组包括基坑最大外接凸多边形的面积、基坑支撑梁的平均跨数、基坑网格平均面积、基坑网格平均面积的方差和基坑特种梁的数量信息。
18.具体的，在基坑设计方案中，包括基坑所处项目的用地红线面积，基坑面积、基坑梁布置参数等基坑信息。对上述基坑信息进行初步处理，包括计算基坑模数化处理、计算基坑凹角相关数据、支撑梁的平均跨数、基坑网格平均面积、特种梁的数量及信息等。
19.基坑模数化处理是指设定一个最小网格，将基坑内所有基坑梁节点投射到网格内，并将其位置改为最近的网格中心处，按照原节点连接方式重新连接梁。
20.计算基坑最大外接凸多边形的面积a1，是指将基坑外轮廓的最小凸多边形，并计算基坑面积与多边形面积之比，这个值用于描述基坑的规整性。由于基坑设计以凸多边形为基础进行设计，凹多边形需要将其切个为多个凸多边形后分别设计。因此凹多边形提高了设计复杂度，其凹角越多，设计越复杂。基坑的面积与其最小凸多边形面积比值越接近1，说明基坑的外形越接近凸多边形，其外形越规整，设计难度越低。
21.支撑梁的平均跨数a2，体现了支撑的设计思路的不同。跨数多的长支撑梁，常用于十字对撑或者狭长基坑中，跨数少的短支撑常用于环撑、角撑之中。
22.基坑网格平均面积a3及标准差a4，指基坑梁形成各个网络的面积的统计信息，不同设计思路形成的网格面积存在明显差异，环撑的平均面积及标准差要明显大于对撑。
23.特种梁指环撑中的圆环梁以及其他非常规的结构梁，其数量a5与位置直接体现不同基坑设计思路。
24.将上述基坑信息组合为基坑设计方案的基坑信息数组n1:{a1,a2,a3,a4,a5，
…
}，将所有待分类基坑设计方案的基坑信息数组合并为待分类数据集n：{n1,n2,n3,n4，
…
}。已分组基坑设计方案为已知的、具有典型特征的基坑工程的基坑设计方案，这些基坑设计方案由人工进行筛选、整理归类成各分组。通过同样的方式，将已分组基坑设计方案的信息数组整理为诱导数据集d1。
25.s120、应用dbscan算法，确定适用于所述诱导数据集的诱导核心点列表和诱导半径。
26.具体的，传统dbscan算法依靠核心点，通过密度可达的方式进行聚类，该算法可以在不知道簇形状和数量的情况下，进行聚类并发现离群点。但算法中核心点的确定方式是依靠半径r和最小点位数minpts确定的，算法从核心点出发，依据密度可达划分簇。在实际的基坑设计图分类工程中，核心点半径r和最小点位数minpts往往无法准确地提前预估，从而影响划分簇的准确性。基于这一问题，本技术改进了dbscan算法，在正式对待分析数据进行划分簇之前，将诱导数据作为无监督学习中最开始的可信数据，对诱导数据应用原始的dbscan算法，计算出适用于诱导数据的诱导半径（rc0）和诱导核心点列表（listco）。
27.s130、应用dbscan算法、所述诱导核心点列表和所述诱导半径，确定适用于综合数据集的最小点位数和初始半径。
28.其中，所述综合数据集包括诱导数据集和部分待分类数据集。
29.具体的，从部分待分类数据集n中，随机选取部分数据d2，将d1与d2共同组成综合数据集d。此时形成的数据集d既包含了已知的，具有良好分类型的诱导数据集d1，又包含需要分类的数据集d2，从而可以通过d1诱导d2进行分类。应用原始的dbscan算法，诱导半径与诱导核心点列表，对综合数据集d进行聚类计算，并修改诱导半径得到适用于综合数据集的最小点位数和初始半径（rc）。
30.s140、基于所述最小点位数和所述初始半径，应用dbscan算法对所述待分类数据集分类，得到所述待分组基坑设计方案中各分组的典型基坑设计方案。
31.其中，典型基坑设计方案为各分组基坑设计方案中的较优解基坑设计方案。
32.具体的，依靠初始半径和最小点位数，应用dbscan算法，对数据集n进行分类，得到各分类簇，分类簇中点与基坑设计方案一一对应，分类簇与分组一一对应，实现对待分类基坑设计方案的分组。考虑到待分类基坑设计方案数量通常较多（如500件），分组后每组的基坑设计方案数量也较多（如50件）。为避免用户人工再从每组中寻找较优解，本技术在分组后，基于各分类簇中点的相对距离，从每个分类簇中寻找一个典型的特征点，作为各分类簇对应分组的典型基坑设计方案推荐给用户，无需用户再去人工寻找较优解。
33.本发明实施例应用无监督学习的优势，仅需要初始的诱导数据即可进行自主学习训练，极大的降低了对人工经验的依赖；通过改进dbscan算法，克服了传统算法中的诸多不便同时保留了密度可达这一核心特点，将dbscan算法成功应用于施工图分类这一技术领域；通过对施工图进行自主学习，可以确地分类后各分组中的最具有特点的典型基坑设计方案，辅助人工进行筛选。
34.图2为本发明又一实施例提供的一种基于无监督学习的基坑设计方案分组方法的流程图，本实施例在上述实施例的基础上进行了优化改进。如图2所示，该方法包括：s210、分别收集待分组基坑设计方案和已分组基坑设计方案的基坑信息数组，作为待分类数据集和诱导数据集。
35.s220、应用dbscan算法，确定适用于所述诱导数据集的诱导核心点列表和诱导半径。
36.s230、将随机选取的部分待分类数据集和诱导数据集组合为综合数据集；应用dbscan算法、所述诱导核心点列表和所述诱导半径对所述综合数据集进行聚类计算，并统
计聚类计算后的离群点数量；s240、根据所述离群点数量变化所述诱导半径，并返回执行应用dbscan算法、所述诱导核心点列表和所述诱导半径对所述综合数据集进行聚类计算，直至所述诱导半径的变化量符合迭代停止条件，得到初始半径和最小点位数。
37.其中，当离群点数量大于0时，所述变化为提高；所述离群点数量等于0时，所述变化为降低；所述迭代停止条件包括变化量小于设定阈值。
38.具体的，对综合数据集中数据进行聚类计算，并统计离群点数量。当完成计算后，无离群点，说明此时诱导半径值较大，需要降低诱导半径值;当完成计算后，有离群点，说明此时诱导半径值较小，需要提高诱导半径值。诱导半径值降低和提高的变化量可以基于设定的比例进行，例如诱导半径值降低或提高当前值的1/10;诱导半径值降低和提高的变化量也可以基于固定的变化值进行，例如诱导半径值-1或+1。重复以上过程，直至rc0值的变化量小于设定的阈值，此时完成初始半径的确定。此时形成的多个簇，对于每个簇，都遍历该簇内的所有点，寻找以初始半径为半径范围内有最多点的点，将这些点，作为初始核心点列表，将当前初始核心点列表中以初始半径为半径范围点的数量的最小值作为最小点位数（minpts）。
39.s250、遍历所述待分类数据集，得到所述待分类数据集中点的相对距离；根据所述点的相对距离、所述最小点位数和所述初始半径，确定各分类簇；s260、根据各分类簇内点的最远相对距离和最近相对距离，确定各分类簇中的特征点；将各特征点对应的基坑设计方案确定为所述待分组基坑设计方案中各分组的典型基坑设计方案。
40.具体的，根据所述点的相对距离、所述最小点位数和所述初始半径，确定各分类簇可以是：对于任一点，确定与该点相对距离在所述初始半径内的点数量；若所述点数量大于所述最小点位数，则将该点添加至初始核心点列表；根据所述初始核心点列表和初始半径对点进行归纳，得到各分类簇。根据各分类簇内点的最远相对距离和最近相对距离，确定各分类簇中的特征点可以是：根据各分类簇内点的最远相对距离和最近相对距离，确定各分类簇中的特征点。
41.可选的，所述根据所述点的相对距离、所述最小点位数和所述初始半径，确定各分类簇包括：对于任一点，确定与该点相对距离在所述初始半径内的点数量；若所述点数量大于所述最小点位数，则将该点添加至初始核心点列表；根据所述初始核心点列表和初始半径对点进行归纳，得到各分类簇。
42.具体的，遍历待分类数据集n，对n中的每一个点计算与其他所有点的距离，记录下距离小于初始半径的点的数量pts。如果pts大于最小点位数，则将这个点加入初始核心点列表。自任一个核心点出发，以初始半径做球体，将球体内所有的点标记为簇p1，再以p1内的点，以初始半径做球体继续向外扩张，直至p1内的所有点以rc为半径内都不存在其他点，得到分类簇p1。重复上述流程，得到分类簇p2、p3、
…
、pn。
43.可选的，所述根据各分类簇内点的最远相对距离和最近相对距离，确定各分类簇中的特征点包括：对于任一分类簇，获取分类簇内点的最远相对距离和最近相对距离；根据所述最
远相对距离和最近相对距离确定特征半径，并将特征半径内没有相邻点的点从分类簇中剔除，得到新的分类簇；返回执行获取分类簇内点的最远相对距离和最近相对距离，直至分类簇内剩余预设数量的候选点；从所述候选点随机选取一个点作为分类簇的特征点。
44.具体的，对于簇pn，计算其内部所有点之间距离的lmax和最小值lmin，作为最远相对距离和最近相对距离。以为半径r，对于pn内的每个点，都计算一遍半径r内是否有其他的点，如果没有，该点不加入新簇p’；如果有，该点就加入新簇p’。对新簇p’重复前述步骤，直至新簇p’内只有两个点，随机选取一个作为该簇的特征点。特征点对应的基坑设计方方案，即为簇pn对应分组中被筛选出的典型基坑设计方方案。
45.本发明实施例通过根据有无离散点对诱导半径进行调整得到初始半径，提高初始半径对待分类数据集的适用性。
46.图3为本发明又一实施例提供的一种基于无监督学习的基坑设计方案分组装置的结构示意图。如图3所示，该装置包括：数据集确定模块310，用于分别收集待分组基坑设计方案和已分组基坑设计方案的基坑信息数组，作为待分类数据集和诱导数据集；诱导信息确定模块320，用于应用dbscan算法，确定适用于所述诱导数据集的诱导核心点列表和诱导半径；综合信息确定模块330，用于应用dbscan算法、所述诱导核心点列表和所述诱导半径，确定适用于综合数据集的最小点位数和初始半径；典型方案确定模块340，用于基于所述最小点位数和所述初始半径，应用dbscan算法对所述待分类数据集分类，得到所述待分组基坑设计方案中各分组的典型基坑设计方案；其中，所述综合数据集包括诱导数据集和部分待分类数据集。
47.本发明实施例所提供的基于无监督学习的基坑设计方案分组装置可执行本发明任意实施例所提供的基于无监督学习的基坑设计方案分组方法，具备执行方法相应的功能模块和有益效果。
48.可选的，综合信息确定模块330包括：综合数据组合单元，用于将随机选取的部分待分类数据集和诱导数据集组合为综合数据集；离群点统计单元，用于应用dbscan算法、所述诱导核心点列表和所述诱导半径对所述综合数据集进行聚类计算，并统计聚类计算后的离群点数量；初始信息确定单元，用于根据所述离群点数量变化所述诱导半径，并返回执行应用dbscan算法、所述诱导核心点列表和所述诱导半径对所述综合数据集进行聚类计算，直至所述诱导半径的变化量符合迭代停止条件，得到初始半径和最小点位数。
49.可选的，当离群点数量大于0时，所述变化为提高；所述离群点数量等于0时，所述变化为降低；所述迭代停止条件包括变化量小于设定阈值。
50.可选的，所述典型方案确定模块340包括：相对距离确定单元，用于遍历所述待分类数据集，得到所述待分类数据集中点的相对距离；分类簇确定单元，用于根据所述点的相对距离、所述最小点位数和所述初始半径，
确定各分类簇；特征点确定单元，用于根据各分类簇内点的最远相对距离和最近相对距离，确定各分类簇中的特征点；典型方案确定单元，用于将各特征点对应的基坑设计方案确定为所述待分组基坑设计方案中各分组的典型基坑设计方案。
51.可选的，分类簇确定单元，具体用于对于任一点，确定与该点相对距离在所述初始半径内的点数量；若所述点数量大于所述最小点位数，则将该点添加至初始核心点列表；根据所述初始核心点列表和初始半径对点进行归纳，得到各分类簇。
52.可选的，特征点确定单元，用于对于任一分类簇，获取分类簇内点的最远相对距离和最近相对距离；根据所述最远相对距离和最近相对距离确定特征半径，并将特征半径内没有相邻点的点从分类簇中剔除，得到新的分类簇；返回执行获取分类簇内点的最远相对距离和最近相对距离，直至分类簇内剩余预设数量的候选点；从所述候选点随机选取一个点作为分类簇的特征点。
53.可选的，所述基坑信息数组包括基坑最大外接凸多边形的面积、基坑支撑梁的平均跨数、基坑网格平均面积、基坑网格平均面积的方差和基坑特种梁的数量信息。
54.进一步说明的基于无监督学习的基坑设计方案分组装置也可执行本发明任意实施例所提供的基于无监督学习的基坑设计方案分组方法，具备执行方法相应的功能模块和有益效果。
55.图4示出了可以用来实施本发明的实施例的电子设备40的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
56.如图4所示，电子设备40包括至少一个处理器41，以及与至少一个处理器41通信连接的存储器，如只读存储器（rom）42、随机访问存储器（ram）43等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器41可以根据存储在只读存储器（rom）42中的计算机程序或者从存储单元48加载到随机访问存储器（ram）43中的计算机程序，来执行各种适当的动作和处理。在ram 43中，还可存储电子设备40操作所需的各种程序和数据。处理器41、rom 42以及ram 43通过总线44彼此相连。输入/输出（i/o）接口45也连接至总线44。
57.电子设备40中的多个部件连接至i/o接口45，包括：输入单元46，例如键盘、鼠标等；输出单元47，例如各种类型的显示器、扬声器等；存储单元48，例如磁盘、光盘等；以及通信单元49，例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
58.处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元（cpu）、图形处理单元（gpu）、各种专用的人工智能（ai）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（dsp）、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理，例如基于无监督学习的基坑设计方案分组方法。
59.在一些实施例中，基于无监督学习的基坑设计方案分组方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元48。在一些实施例中，计算机程序的部分或者全部可以经由rom 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到ram 43并由处理器41执行时，可以执行上文描述的基于无监督学习的基坑设计方案分组方法的一个或多个步骤。备选地，在其他实施例中，处理器41可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行基于无监督学习的基坑设计方案分组方法。
60.本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（fpga）、专用集成电路（asic）、专用标准产品（assp）、芯片上系统的系统（soc）、负载可编程逻辑设备（cpld）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
61.用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
62.在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（ram）、只读存储器（rom）、可擦除可编程只读存储器（eprom或快闪存储器）、光纤、便捷式紧凑盘只读存储器（cd-rom）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
63.为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，crt（阴极射线管）或者lcd（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
64.可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数
字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（lan）、广域网（wan）、区块链网络和互联网。
65.计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
66.应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
67.上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

技术特征：
1.一种基于无监督学习的基坑设计方案分组方法，其特征在于，所述方法包括：分别收集待分组基坑设计方案和已分组基坑设计方案的基坑信息数组，作为待分类数据集和诱导数据集；应用dbscan算法，确定适用于所述诱导数据集的诱导核心点列表和诱导半径；应用dbscan算法、所述诱导核心点列表和所述诱导半径，确定适用于综合数据集的最小点位数和初始半径；基于所述最小点位数和所述初始半径，应用dbscan算法对所述待分类数据集分类，得到所述待分组基坑设计方案中各分组的典型基坑设计方案；其中，所述综合数据集包括诱导数据集和部分待分类数据集。2.根据权利要求1所述的方法，其特征在于，所述应用dbscan算法、所述诱导核心点列表和所述诱导半径，确定适用于综合数据集的最小点位数和初始半径包括：将随机选取的部分待分类数据集和诱导数据集组合为综合数据集；应用dbscan算法、所述诱导核心点列表和所述诱导半径对所述综合数据集进行聚类计算，并统计聚类计算后的离群点数量；根据所述离群点数量变化所述诱导半径，并返回执行应用dbscan算法、所述诱导核心点列表和所述诱导半径对所述综合数据集进行聚类计算，直至所述诱导半径的变化量符合迭代停止条件，得到初始半径和最小点位数。3.根据权利要求2所述的方法，其特征在于，当离群点数量大于0时，所述变化为提高；所述离群点数量等于0时，所述变化为降低；所述迭代停止条件包括变化量小于设定阈值。4.根据权利要求1所述的方法，其特征在于，所述基于所述最小点位数和所述初始半径，应用dbscan算法对所述待分类数据集分类，得到所述待分组基坑设计方案中各分组的典型基坑设计方案包括：遍历所述待分类数据集，得到所述待分类数据集中点的相对距离；根据所述点的相对距离、所述最小点位数和所述初始半径，确定各分类簇；根据各分类簇内点的最远相对距离和最近相对距离，确定各分类簇中的特征点；将各特征点对应的基坑设计方案确定为所述待分组基坑设计方案中各分组的典型基坑设计方案。5.根据权利要求4所述的方法，其特征在于，所述根据所述点的相对距离、所述最小点位数和所述初始半径，确定各分类簇包括：对于任一点，确定与该点相对距离在所述初始半径内的点数量；若所述点数量大于所述最小点位数，则将该点添加至初始核心点列表；根据所述初始核心点列表和初始半径对点进行归纳，得到各分类簇。6.根据权利要求4所述的方法，其特征在于，所述根据各分类簇内点的最远相对距离和最近相对距离，确定各分类簇中的特征点包括：对于任一分类簇，获取分类簇内点的最远相对距离和最近相对距离；根据所述最远相对距离和最近相对距离确定特征半径，并将特征半径内没有相邻点的点从分类簇中剔除，得到新的分类簇；返回执行获取分类簇内点的最远相对距离和最近相对距离，直至分类簇内剩余预设数量的候选点；
从所述候选点随机选取一个点作为分类簇的特征点。7.根据权利要求1-6任一项所述的方法，其特征在于，所述基坑信息数组包括基坑最大外接凸多边形的面积、基坑支撑梁的平均跨数、基坑网格平均面积、基坑网格平均面积的方差和基坑特种梁的数量信息。8.一种基于无监督学习的基坑设计方案分组装置，其特征在于，所述装置包括：数据集确定模块，用于分别收集待分组基坑设计方案和已分组基坑设计方案的基坑信息数组，作为待分类数据集和诱导数据集；诱导信息确定模块，用于应用dbscan算法，确定适用于所述诱导数据集的诱导核心点列表和诱导半径；综合信息确定模块，用于应用dbscan算法、所述诱导核心点列表和所述诱导半径，确定适用于综合数据集的最小点位数和初始半径；典型方案确定模块，用于基于所述最小点位数和所述初始半径，应用dbscan算法对所述待分类数据集分类，得到所述待分组基坑设计方案中各分组的典型基坑设计方案；其中，所述综合数据集包括诱导数据集和部分待分类数据集。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的基于无监督学习的基坑设计方案分组方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的基于无监督学习的基坑设计方案分组方法。

技术总结
本发明公开了一种基于无监督学习的基坑设计方案分组方法和装置。该方法包括：分别收集待分组基坑设计方案和已分组基坑设计方案的基坑信息数组，作为待分类数据集和诱导数据集；应用DBSCAN算法，确定适用于所述诱导数据集的诱导核心点列表和诱导半径；应用DBSCAN算法、所述诱导核心点列表和所述诱导半径，确定适用于综合数据集的最小点位数和初始半径；基于所述最小点位数和所述初始半径，应用DBSCAN算法对所述待分类数据集分类，得到所述待分组基坑设计方案中各分组的典型基坑设计方案；其中，所述综合数据集包括诱导数据集和部分待分类数据集。本发明实施例可以节约人工精力，并为用户提供各分组准确的典型基坑设计方案。为用户提供各分组准确的典型基坑设计方案。为用户提供各分组准确的典型基坑设计方案。


技术研发人员：陈子奇 宋婷 赵延武 吴业秋 刘迪 曾天祥 赵瑞
受保护的技术使用者：中建五局第三建设有限公司
技术研发日：2023.08.08
技术公布日：2023/9/9