[發明專利]一種綜合管廊風險自動識別卷積神經網絡模型及構建方法

有效

• 申請號: 202011374969.7
• 申請日: 2020-11-30
• 公開（公告）號: CN112613597B
• 公開（公告）日: 2023-06-30
• 發明（設計）人: 劉安愿;王祥軻;趙青松;張文超;王文娟;王凱;暢佳寧;戶靜雅
• 申請（專利權）人: 河南匯祥通信設備有限公司
• 主分類號: G06N3/0442
• 分類號: G06N3/0442;G06N3/063;G06N3/0464;G06N3/084;G06N3/045
• 代理公司: 鄭州銀河專利代理有限公司 41158
• 代理人: 嚴艷麗

1.一種綜合管廊風險自動識別卷積神經網絡模型的構建方法，其特征在于：多通道并行的CNN加速器設計系統的構建方法包括以下步驟；

S1，系統預制，首先將設計器定位在指定位置，并將設計器與外部硬件設備設備連接，同時通過底層操作系統對BP神經網絡系統、CNN卷積運算系統、基于LSTM的智能預測系統、深度學習神經網絡系統連接間連接關系進行調制，并使各CNN卷積運算系統中的一個CNN卷積運算系統與BP神經網絡系統輸出層連通，同時將與BP神經網絡系統輸出端的CNN卷積運算系統分別與BP神經網絡系統輸入層連接的各CNN卷積運算系統連接，從而完成本發明系統預制；

S2，系統訓練，完成S1步驟后，首先將參與設計運行的常用算法、參與計算的數據同時輸入到基于LSTM的智能預測系統、深度學習神經網絡系統中，經過基于LSTM的智能預測系統、深度學習神經網絡系統學習對BP神經網絡系統進行訓練，并生成人工智能設計邏輯，然后將參與設計運行的常用算法、參與計算的數據分組后通過CNN卷積運算系統處理運行后輸送到BP神經網絡系統內，由BP神經網絡系統對接收的數據根據人工智能設計邏輯進行運算，并將運算結果從輸出層輸出，并對輸出的數據結果進行備份，然后在BP神經網絡系統完成當前運算后，將備份的數據結果輸送至深度學習神經網絡系統和BP神經網絡系統輸出層連接的CNN卷積運算系統中運算，然后將運算結果一方面通過基于LSTM的智能預測系統、深度學習神經網絡系統對BP神經網絡系統的人工智能設計邏輯進行更新；另一方面運算結果通過CNN卷積運算系統二次運行后輸入到BP神經網絡系統中，并利用跟新后的人工智能設計邏輯進行驗證，并在通過驗證后得到最終輸出數據；

其中，S1步驟和S2步驟中的多通道并行的CNN加速器設計系統包括設計器，設計器內設基于LSTM的智能預測系統、深度學習神經網絡系統、底層操作系統及若干CNN卷積運算系統，其中底層操作系統通過調度程序分別與BP神經網絡系統、CNN卷積運算系統、基于LSTM的智能預測系統、深度學習神經網絡系統連接，?CNN卷積運算系統間相互并聯，并分別與BP神經網絡系統的輸入層連接，基于LSTM的智能預測系統、深度學習神經網絡系統相互連接并同時與BP神經網絡系統輸入層連接，?BP神經網絡系統的輸出層另與深度學習神經網絡系統及一個CNN卷積運算系統連接；所述的深度學習神經網絡系統為基于卷積運算的神經網絡系統、基于多層神經元的自編碼神經網絡及以多層自編碼神經網絡的方式進行預訓練，進而結合鑒別信息進一步優化神經網絡權值的深度置信網絡中的任意一種或幾種共用；所述的設計器包括AI基礎的人工智能邏輯處理模塊、基于FPGA的數據處理單元、GPU圖像處理單元、數據總線模塊、時鐘電路模塊、驅動電路模塊、I/O數據通訊端口及網絡通訊端口，所述數據總線模塊分別與AI基礎的人工智能邏輯處理模塊、FPGA的數據處理單元、GPU圖像處理單元、時鐘電路模塊、驅動電路模塊、I/O數據通訊端口及網絡通訊端口連接，且所述驅動電路模塊另分別與各GPU圖像處理單元、I/O數據通訊端口及網絡通訊端口連接。

2.根據權利要求1所述的一種綜合管廊風險自動識別卷積神經網絡模型的構建方法，其特征在于：所述的I/O數據通訊端口另分別與至少一個CCD攝像頭、激光掃碼頭、操控鍵盤及顯示器連接，所述網絡通訊端口與外部通訊網絡連接。

3.根據權利要求2所述的一種綜合管廊風險自動識別卷積神經網絡模型的構建方法，其特征在于：所述的FPGA的數據處理單元和GPU圖像處理單元均不少于兩個，且各FPGA的數據處理單元之間、各GPU圖像處理單元間均相互并聯，其中各FPGA的數據處理單元之間采用同步雙工電路混聯，各GPU圖像處理單元間采用異步雙工電路混聯。

4.根據權利要求1所述的一種綜合管廊風險自動識別卷積神經網絡模型的構建方法，其特征在于：所述的底層操作系統為基于SOA體系為基礎的程序系統。