Page 74 - 水利学报2021年第52卷第5期

/
［ 13］ TURHAN C G，BILGE H S，IEEE . Recent Trends in Deep Generative Models：a Review［C］/International Con⁃
ference on Computer Science and Engineering，2018 .
［ 14］ PAPAMAKARIOS G，NALISNICK E，JIMENEZ REZENDE D，et al . Normalizing Flows for Probabilistic Model⁃
ing and Inference［J/OL］. 2019，［2021-1-29］ https://arxiv.org/abs/1912.02762/html .
.
［ 15］ KOBYZEV I，PRINCE S J D，BRUBAKER M A . Normalizing Flows：An Introduction and Review of Current
Methods［Z］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2020 .
［ 16］ ZHANG T-F，TILKE P，DUPONT E，et al . Generating geologically realistic 3D reservoir facies models using
deep learning of sedimentary architecture with generative adversarial networks［J］. Petroleum Science，2019，16
（3）：541-549 .
［ 17］ BERGEN K J，JOHNSON P A，DE HOOP M V，et al . Machine learning for data-driven discovery in solid Earth
geoscience［J］. Science，2019，363（6433）：1299 .
［ 18］ PRABHAKARAN R，BRUNA P-O，BERTOTTI G，et al . An automated fracture trace detection technique using
the complex shearlet transform［J］. Solid Earth，2019，10（6）：2137-2166 .
/
［ 19］ PAPAMAKARIOS G，PAVLAKOU T，MURRAY I . Masked Autoregressive Flow for Density Estimation［C］/Ad⁃
vances in Neural Information Processing Systems，2017 .
［ 20］ KINGMA D，SALIMANS T，JOZEFOWICZ R，et al . Improved Variational Inference with Inverse Autoregressive
/
Flow［C］/Advances in Neural Information Processing Systems，2016 .
［ 21］ PAPAMAKARIOS G . Neural Density Estimation and Likelihood-free Inference［D］. Edinburgh：University of
Edinburgh，2019 .
/
［ 22］ KINGMA D P，DHARIWAL P . Glow：Generative Flow with Invertible 1 x 1 Convolutions［C］/Advances in Neu⁃
ral Information Processing Systems，2018 .
［ 23］ PRENGER R，VALLE R，CATANZARO B . Waveglow：A Flow-based Generative Network for Speech Synthesis
［C］/proceedings of the International Conference on Acoustics Speech and Signal Processing，2019 .
/
/
［ 24］ TRAN D，VAFA K，AGRAWAL K K，et al . Discrete Flows：Invertible Generative Models of Discrete Data［C］/
Advances in Neural Information Processing Systems，2019 .
［ 25］ RODRIGUEZ A，LAIO A . Clustering by fast search and find of density peaks［J］. Science，2014，344（6191）：
1492-1496 .
［ 26］ 陈叶旺，申莲莲，钟才明，等 . 密度峰值聚类算法综述［J］. 计算机研究与发展，2020，57（2）：378-394 .
［ 27］ 岳攀，钟登华，吴含，等 . 基于 LHS 的坝基岩体三维裂隙网络模拟［J］. 水力发电学报，2016，35（10）：
93-102 .
［ 28］ 岳攀 . 基于不确定性分析的水电工程地质构造建模理论与方法研究［D］. 天津：天津大学，2016 .
/
［ 29］ GERMAIN M，GREGOR K，MURRAY I，et al . MADE：Masked Autoencoder for Distribution Estimation［C］/In⁃
ternational Conference on Machine Learning，2015 .
［ 30］ DILOKTHANAKUL N，MEDIANO P A M，GARNELO M，et al . Deep Unsupervised Clustering with Gaussian
.
.
Mixture Variational Autoencoders［J/OL］ 2017，［2021-1-29］ https://arxiv.org/abs/1611.02648/html .
［ 31］ IZMAILOV P，KIRICHENKO P，FINZI M， et al . Semi-Supervised Learning with Normalizing Flows［J/OL］ .
.
2019，［2021-1-29］ https://arxiv.org/abs/1912.13025/html .
/
［ 32］ NALISNICK E，HERTEL L，SMYTH P . Approximate inference for deep latent gaussian mixtures［C］/Proceed⁃
ings of the NIPS . Barcelona，2016 .
［ 33］ KENNEDY J，EBERHART R C . Particle swarm optimization［C］/International Conference on Networks，2002 .
/
［ 34］ SHANLEY R J，MAHTAB M A . Delineation and analysis of clusters in orientation data［J］. Journal of the Inter⁃
national Association for Mathematical Geology，1976，8（1）：9-23 .
/
［ 35］ ARJOVSKY M，CHINTALA S，BOTTOU L . Wasserstein Generative Adversarial Networks［C］/International
Conference on Machine Learning，2017 .
［ 36］ XU B，PANG R，ZHOU Y，et al . Verification of stochastic seismic analysis method and seismic performance
evaluation based on multi-indices for high CFRDs［J］. Engineering Geology，2020，264：105412 .
［ 37］ 钟 登 华 ，关 涛 ，任 炳 昱 . 基 于 改 进 重 抽 样 法 的 高 拱 坝 施 工 进 度 仿 真 研 究［J］. 水 利 学 报 ，2016，47（4）：
473-482 .
［ 38］ ZHANG Y，YUE P，ZHANG G，et al . Augmented reality mapping of rock mass discontinuities and rockfall sus⁃
ceptibility based on unmanned aerial vehicle photogrammetry［J］. Remote Sensing，2019，11（11）：1-34 .

— 576 —