[發明專利]對圍巖等級進行識別的方法

在審

• 申請號: 202011155747.6
• 申請日: 2020-10-26
• 公開（公告）號: CN112257789A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 路潤琪;張志厚;姚禹;趙思為;劉鵬飛;石澤玉
• 申請（專利權）人: 西南交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都宏順專利代理事務所(普通合伙) 51227
• 代理人: 辜桂芳

1.對圍巖等級進行識別的方法，包括以下步驟：

(1)獲得深度學習模型

step1.獲取圍巖等級已確定地點的巖石的屬性數據，每組屬性數據至少包括深度和波速；

step2.對屬性數據進行標準化處理，使經過標準化處理后的屬性數據符合標準正態分布；

step3.采用基于深度學習神經網絡的訓練模型處理屬性數據，每組屬性數據被處理后輸出與圍巖等級相對應的向量；

step4.判斷訓練模型的準確率和/或損失率，當準確率和/或損失率達到期望值時，保存訓練模型為深度學習模型；

(2)獲取待測點的深度和/或波速并輸入深度學習模型中進行處理，即輸出與圍巖等級相對應的向量。

2.如權利要求1所述的對圍巖等級進行識別的方法，其特征在于：step1中，每組屬性數據還包括巖石類型，每組屬性數據中的波速至少包括波速最大值和波速最小值，采用至少30組屬性數據。

3.如權利要求1所述的對圍巖等級進行識別的方法，其特征在于：step2中的標準化處理采用Z-score標準化方法，轉換函數為：其中，x為屬性數據，μ為屬性數據的平均值，σ為屬性數據的標準差。

4.如權利要求1所述的對圍巖等級進行識別的方法，其特征在于：step2中將屬性數據轉化為向量并隨機分成至少兩個大組后再進行標準化處理，然后再將標準化處理后的每個大組屬性數據同時輸入到所述訓練模型中進行處理。

5.如權利要求1所述的對圍巖等級進行識別的方法，其特征在于：step3中所述訓練模型采用Python平臺并調用keras框架的層和輸出單元后生成，其中，所述輸出單元輸出與圍巖等級相對應的向量。

6.如權利要求5所述的對圍巖等級進行識別的方法，其特征在于：keras框架的ReLU激活函數的輸出層反向傳播公式為：

Tanh函數的傳播公式為：

其中，x為屬性數據，e為自然對數。

7.如權利要求5所述的對圍巖等級進行識別的方法，其特征在于：圍巖等級分為Ⅰ級、Ⅱ級、Ⅲ級、Ⅳ級、Ⅴ級和Ⅵ級，所述輸出單元輸出的向量中：

向量(1，0，0，0，0，0)^T對應Ⅰ級圍巖；

向量(0，1，0，0，0，0)^T對應Ⅱ級圍巖；

向量(0，0，1，0，0，0)^T對應Ⅲ級圍巖；

向量(0，0，0，1，0，0)^T對應Ⅳ級圍巖；

向量(0，0，0，0，1，0)^T對應Ⅴ級圍巖；

向量(0，0，0，0，0，1)^T對應Ⅴ級圍巖；

其中，T表示轉置。

8.如權利要求5所述的對圍巖等級進行識別的方法，其特征在于：所述訓練模型采用RMSProp優化器進行優化。

9.如權利要求8所述的對圍巖等級進行識別的方法，其特征在于：RMSProp算法在每次迭代中均對權重和偏置的梯度使用了微分平方加權平均數。

10.如權利要求9所述的對圍巖等級進行識別的方法，其特征在于：第t次迭代的更新公式為，

權重為：

偏置為：

其中：

dW為第t-1次迭代的權重的微分，也即權重的梯度；

db為第t-1次迭代的偏置的微分，也即偏置的梯度；

S_dw為損失函數在前t-1次迭代中累積的權重的梯度，S_dw＝βS_dw+(1-β)dW²；

S_db為損失函數在前t-1次迭代中累積的偏置的梯度，S_db＝βS_db+(1-β)db²；

損失函數是指訓練模型輸出結果和實際結果之間概率分布差異的量化；

β為累積的梯度的指數；

α為動量系數；

ε為防止分母為0而額外加的數值。