[發明專利]基于深度神經網絡的初撐力、末阻力識別方法、存儲介質

有效

• 申請號: 201810740573.6
• 申請日: 2018-07-07
• 公開（公告）號: CN109272007B
• 公開（公告）日: 2021-07-02
• 發明（設計）人: 楊藝;王宇;王科平;張旭和;李華敏;李冰峰;李新偉;崔立志
• 申請（專利權）人: 河南理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 鄭州中原專利事務所有限公司 41109
• 代理人: 張春;李想

1.基于深度神經網絡的初撐力、末阻力識別方法，其特征在于，包括以下步驟：

S1：采集液壓支架不同時間的檢測數據，所述檢測數據的每個數據點均包括時間數據和壓力數據；

S2：為每個數據點設置具有四個屬性的標注數據，所述標注數據的四個屬性分別為：初撐力點、末阻力點、正常點、非正常點；

S3：采集的檢測數據和對應的標注數據形成輸入數據的訓練樣本，依據訓練樣本訓練深度神經網絡；

S4：建立基于深度神經網絡的預測模型；

S5：現場采集液壓支架的檢測數據并送入到訓練好的深度神經網絡中，輸出每個數據點的分類結果。

2.根據權利要求1所述的基于深度神經網絡的初撐力、末阻力識別方法，其特征在于：

所述S3中，首先構造深度神經網絡，然后通過訓練樣本訓練深度神經網絡，完成深度神經網絡的預測模型的建立。

3.根據權利要求2所述的基于深度神經網絡的初撐力、末阻力識別方法，其特征在于：

所述深度神經網絡包括依次相連的：第一類卷積層、第一類池化層、第二類卷積層、第三類卷積層、第四類卷積層、第二類池化層、第一類全卷積層、第二類全卷積層、第一類反卷積層、第二類反卷積層、softmax層，其中第一類池化層的池化結果通過第二類卷積層后，與第一類反卷積層輸出的結果相加后再依次進入到第二類反卷積層、softmax層。

4.根據權利要求3所述的基于深度神經網絡的初撐力、末阻力識別方法，其特征在于：

第一類卷積層的卷積核為[13，1，64]，步幅為[1，2]；

第一類池化層的步幅為[2，1]；

第二類卷積層包括串聯的三個卷積層，每個卷積層的卷積核為[3，1，128]，步幅為[1，1]；

第三類卷積層包括串聯的三個卷積層，每個卷積層的卷積核為[3，1，256]，步幅為[1，1]；

第四類卷積層包括串聯的三個卷積層，每個卷積層的卷積核為[3，1，512]，步幅為[1，1]；

第二類池化層的步幅為[2，1]；

第一類全卷積層的卷積核為[12，1，1024]，步幅為[1，1]；

第二類全卷積層的卷積核為[1，1，2048]，步幅為[1，1]；

第一類反卷積層的卷積核為[4，1，4]，輸出規格為[50，1，4]；

第二類反卷積層的卷積核為[2，1，4]，輸出規格為[100，1，4]；

第五類卷積層的卷積核為[1，1，4]，步幅為[1，1]。

5.根據權利要求2所述的基于深度神經網絡的初撐力、末阻力識別方法，其特征在于：

所述S3中，通過訓練樣本訓練深度神經網絡的步驟包括：

S31：產生一個0到N-L之間的隨機數，假設該隨機數為M；所述N表示訓練樣本的數據長度，L表示每次處理的數據長度；

S32：選取從M開始到M+L的范圍內的L個數據，作為訓練樣本；

S33：將訓練樣本的數據送入到深度神經網絡中，得到一個預測輸出；

S34：將該預測輸出與訓練樣本的標注數據對比，求取交叉熵后，采用隨機梯度下降法更新深度神經網絡的權重，并使交叉熵降低；

S35：重復S31~S34的步驟，直至交叉熵小于預設熵值，或者循環次數大于預設次數值，完成深度神經網絡訓練。

6.存儲介質，所述存儲介質存儲有計算機程序，其特征在于：所述計算機程序被處理器執行時實現如權利要求1~5任一項所述方法的步驟。