[發(fā)明專利]基于獨立循環(huán)神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的GIS狀態(tài)分析方法

在審

• 申請?zhí)枺?/td>: 202210106381.6
• 申請日: 2022-01-28
• 公開（公告）號: CN114609513A
• 公開（公告）日: 2022-06-10
• 發(fā)明（設(shè)計）人: 鄧亞平;賈顥;同向前;張曉暉
• 申請（專利權(quán)）人: 西安理工大學(xué)
• 主分類號: G01R31/327
• 分類號: G01R31/327;G01D21/02;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務(wù)所 61214
• 代理人: 許志蛟

1.基于獨立循環(huán)神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的GIS狀態(tài)分析方法，其特征在于：具體包括如下步驟：

步驟1，收集樣本數(shù)據(jù)；

步驟2，對步驟1中的每一個樣本數(shù)據(jù)進(jìn)行歸一化預(yù)處理，并對輸出項數(shù)據(jù)進(jìn)行編號；

步驟3，將經(jīng)步驟2處理后的樣本數(shù)據(jù)采用隨機(jī)劃分方式，分為訓(xùn)練樣本集、驗證樣本集、測試樣本集；

步驟4，搭建獨立循環(huán)神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型的整體結(jié)構(gòu)；

步驟5，對步驟4的模型使用步驟3的訓(xùn)練樣本集進(jìn)行訓(xùn)練后獲得訓(xùn)練后模型；

步驟6，對步驟5的模型使用步驟3的驗證樣本集進(jìn)行過擬合驗證，獲取最優(yōu)模型；

步驟7，將采集到的實際GIS近紅外光譜曲線數(shù)據(jù)、氣壓信號數(shù)據(jù)、高頻信號數(shù)據(jù)，輸入到步驟6所獲得的最優(yōu)模型中，輸出數(shù)據(jù)即為GIS設(shè)備的狀態(tài)分析結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于獨立循環(huán)神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的GIS狀態(tài)分析方法，其特征在于：所述步驟1的樣本數(shù)據(jù)中包括輸入項數(shù)據(jù)和輸出項數(shù)據(jù)，且輸入項數(shù)據(jù)與輸出項數(shù)據(jù)之間必須是一一對應(yīng)的關(guān)系；

輸入項數(shù)據(jù)包括：近紅外光譜曲線數(shù)據(jù)、氣壓信號數(shù)據(jù)、高頻信號數(shù)據(jù)；

輸出項數(shù)據(jù)包括：絕緣體內(nèi)部自由移動的金屬顆粒和懸浮電位體、絕緣體、高壓導(dǎo)體上存在尖刺突出、絕緣體表明的固定顆粒、導(dǎo)體之間的連接點接觸不良、絕緣體內(nèi)部表面的氣隙或裂縫，依次對輸出項數(shù)據(jù)進(jìn)行編號為1～5，記為GIS的5種狀態(tài)。

3.根據(jù)權(quán)利要求2所述的基于獨立循環(huán)神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的GIS狀態(tài)分析方法，其特征在于：所述步驟2的具體過程為：

對每一個樣本數(shù)據(jù)中的輸入項數(shù)據(jù)進(jìn)行式(1)所示的歸一化處理，獲得預(yù)處理數(shù)據(jù)；

其中，x^*為歸一化后的數(shù)據(jù)輸出，x為原始數(shù)據(jù)，x_max為輸入的樣本數(shù)據(jù)中的最大值，x_min為輸入的樣本數(shù)據(jù)中的最小值。

4.根據(jù)權(quán)利要求3所述的基于獨立循環(huán)神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的GIS狀態(tài)分析方法，其特征在于：所述步驟4的具體過程為：

獨立循環(huán)神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)模型的整體模型結(jié)構(gòu)包括：一層輸入層、多個隱含層、兩層輸出層；

多個隱含層包括獨立循環(huán)神經(jīng)網(wǎng)絡(luò)層、批規(guī)范化層、丟棄層；

兩層輸出層包括一層全連接層和一層Softmax層。

5.根據(jù)權(quán)利要求4所述的基于獨立循環(huán)神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的GIS狀態(tài)分析方法，其特征在于：所述步驟5的具體過程為：

使用反向傳播算法進(jìn)行參數(shù)更新，使用Adam優(yōu)化器來進(jìn)行訓(xùn)練，損失函數(shù)為交叉墑?chuàng)p失函數(shù)，訓(xùn)練中使用不同的超參數(shù)來調(diào)整模型并觀察模型輸出準(zhǔn)確率；輸入數(shù)據(jù)為電壓數(shù)據(jù)E矩陣格式數(shù)據(jù)，輸出數(shù)據(jù)為GIS狀態(tài)；每次訓(xùn)練遍歷訓(xùn)練集中的每一個訓(xùn)練數(shù)據(jù)，每次遍歷被稱為一個世代，使神經(jīng)網(wǎng)絡(luò)模型進(jìn)行多個世代訓(xùn)練。

6.根據(jù)權(quán)利要求5所述的基于獨立循環(huán)神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的GIS狀態(tài)分析方法，其特征在于：所述步驟6的具體過程為：

對步驟5的模型使用步驟3的驗證樣本集進(jìn)行過擬合驗證，若準(zhǔn)確率≤2％，則模型未出現(xiàn)過擬合現(xiàn)象；若準(zhǔn)確率下降2％，則模型出現(xiàn)過擬合現(xiàn)象，此時需要重新按照步驟5進(jìn)行模型訓(xùn)練，修改隱含層層數(shù)、神經(jīng)元數(shù)量、激活函數(shù)類型、學(xué)習(xí)率、世代數(shù)目、迭代次數(shù)、丟棄率、這些模型超參數(shù)，直至模型未出現(xiàn)過擬合現(xiàn)象時，即將該模型作為最優(yōu)模型。