基于深度学习的声纳渗流运动规律发现方法技术

本发明专利技术公开了一种基于深度学习的声纳渗流运动规律发现方法，该方法实现的具体步骤如下：S1，所述数据处理系统对待处理数据进行数据清理并分类，将处理后数据发送给所述机器学习系统；S2，所述机器学习系统对数据进行干扰识别及渗流识别，对非干扰信号进行渗流识别并标注，将处理后数据发送给所述数据挖掘系统；S3，所述数据挖掘系统对目标数据进行挖掘以期找到其内部联系，得到渗流运动规律性的内在联系。该发明专利技术推进了声纳渗流运动的理论建模研究进度，具有很高的社会效益和经济效益。

Sonar Seepage Motion Law Discovery Method Based on Deep Learning

The invention discloses a method for finding the law of seepage movement of sonar based on deep learning. The specific steps of the method are as follows: S1. The data processing system cleans and classifies the processed data and sends the processed data to the machine learning system; S2. The machine learning system recognizes the disturbance and seepage of the data and enters the non-interference signal. Line seepage identification and labeling, and send the processed data to the data mining system; S3, the data mining system excavates the target data in order to find its internal relationship and get the internal relationship of seepage movement regularity. The invention promotes the progress of theoretical modeling of sonar seepage movement, and has high social and economic benefits.

【技术实现步骤摘要】
基于深度学习的声纳渗流运动规律发现方法
本专利技术涉及深度学习
，具体地说，是一种基于深度学习的声纳渗流运动规律发现方法。
技术介绍
在我国基建行业的迅猛发展的同时，渗漏作为建造过程中的普遍问题带来的额外成本开销也在日益增加，由其造成的一系列安全隐患已严重影响到部分工程的运行。然而，传统勘察方法查找地下渗漏状况，只能做到根据钻孔揭示的岩心取样做粗略分析，一般无法确定地下水的渗流场分布，尤其无法根据各孔的渗流状况对整个区域的渗漏做出总体判断，不能对区域渗漏做出正确的整体分析，从而也就无从制定出有针对性的防渗措施，其结果是投入水库防渗资金费用巨大且达不到费省效宏的目的。因此许多学者期望于借助高效计算机，利用先进的数学理论与计算技术建立起多种数模和算法，试图把渗流的基本理论直接应用到工程问题中去。因地质构造的体系成因的复杂性、隐蔽性，以及地质孔隙、裂隙和溶隙固有的复杂水文地质渗流特征，人们还无法在天然流场下建立有效的渗流场的通用动态计算模型，只能依据不同的渗流类别，经验地评估和预测水文地质渗流特性。因此地下水渗流理论与工程的应用仍未取得突破性进展。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的声纳渗流运动规律发现方法。实现本专利技术目的的技术解决方案为：一种基于深度学习的声纳渗流运动规律发现方法，包括以下步骤：S1，数据处理系统1通过数据处理模块6对声纳渗流探测中地下水水流产生的波形数据5进行数据清理并分类，将处理后的数据发送给机器学习系统2；S2，机器学习系统2通过干扰识别模块7将清理后数据转化为高斯分布的声纳数据，通过多次应用异常检测算法的方法分离出干扰数据并标注，将分离出的非干扰数据传给渗流识别模块8对数据进行渗流识别；渗流识别模块8构建神经网络模型，通过深度学习方法从非干扰数据中进行渗流特征学习，采用交叉验证的方式，得到训练好的神经网络模型，再导入数据完成对非干扰信号的渗流识别与标注，将处理后数据发送给数据挖掘系统3；S3，数据挖掘系统3通过数据挖掘模块9对具有代表性的样本进行挖掘，得到与声纳渗流运动有关的新模型。所述数据处理模块6对原始数据5进行数据清理并分类的方法如下：S11，对原始数据5进行数据清理；S12，对清理后的数据进行数据集成与数据归约；S13，将进行数据集成与数据归约后的数据存入数据库中。所述干扰识别模块7将清理后数据转化为高斯分布的声纳数据，通过多次应用异常检测算法的方法分离出干扰数据并标注的方法如下：S21，在数据库中选择符合高斯分布或者能转化为高斯分布的声纳数据备用；S22，利用声纳数据对高斯分布做参数估计，若概率密度小于特定阈值则标记为噪音数据，大于阈值的则标记为非噪音数据；S23，从数据库中选择不同的声纳数据重复步骤S22，选择标记结果与专家标记一致率最高的一组，对未标记数据进行噪音标记，得到噪音标记数据；S24，将噪音标记数据存储在数据库中。所述渗流识别模块8对数据进行渗流识别的方法如下：S25，根据噪音标记数据的时序性特点以LSTM原型为原型设计以时间为序列的深度学习模型；S26，将有渗流标注的渗流检测数据导入深度学习模型中进行训练得到预测结果；S27，根据模型训练结果的精确率、召回率、接受者操作特征ROC以及接收者操作特征曲线下面积AUC多次调整深度学习模型中模型层数及各神经元的权重；S28，将仅有噪音标注的渗流检测数据导入深度学习模型进行渗流标记，得到渗流标记数据；S29，将渗流标记数据存储在数据库中。所述数据挖掘模块9对具有代表性的样本进行挖掘的方法如下：S31，对数据库中的数据进行数据抽样，抽取经过归一化且完整度大于70%的样本；S32，对抽取出的样本进行数据挖掘分析，得到波形数据各属性值之间的关系信息；S33，根据数据间的关系信息进行波形数据各属性值之间的联系的分析，在此基础上进行数据建模；S34，将数据库中数据随机带入模型并对模型的计算结果与真实结果对比，对对比结果进行评估，并根据评估结果微调数据建模中的各参数及权重。本专利技术与现有技术相比，其显著优点：（1）与已有的回归分析方法相比，本专利技术所述基于深度学习的方法具有更好的鲁棒性，在训练集为非标注数据的前提下对渗流类别的判别准确率更高。（2）相较于仅基于深度学习的研究流程，本专利技术在训练出神经网络模型的基础上进一步利用数据挖掘技术探究渗流计算参数之间的联系，能够发现并建立新的渗流计算公式与数学模型。（3）企业获得足够数据支撑的地下水渗流计算模型，工作效率得到提高目前由于技术条件的限制，地下水渗流理论与工程的应用仍未取得突破性进展。采用此方法，能够获得拥有足够数据支撑的地下水渗流计算模型，大大的提高了企业判断渗流的速度与准确性，从而大幅度提高企业勘探地下水渗流时工作效率。（4）人力资源整合，减少了企业成本原先地下水渗流需要通过专家判断，而通过对大量渗流数据进行深度学习后形成的神经网络可以有效地利用计算机识别出地下水渗流，从而减少专家工作强度，降低企业的成本。（5）为地下水渗流计算提供依据此方法以深度学习与数据挖掘为主要技术手段，利用计算机科学的现有技术，在做到智能识别环境干扰信号的基础上进一步挖掘其声纳渗流运动的机理以及规律性的内在联系，为未来地下水渗流计算的进一步发展提供理论依据。附图说明图1是本专利技术基于深度学习的声纳渗流运动规律发现方法的流程示意图。图2是本专利技术数据处理系统数据处理模块中的数据清理流程。图3是本专利技术机器学习系统干扰识别模块中的异常检测算法流程。图4是本专利技术机器学习系统渗流识别模块中的渗流检测流程。图5是本专利技术数据挖掘系统数据挖掘模块中的数据仓库搭建流程。图6是本专利技术数据挖掘系统数据挖掘模块中的数据挖掘流程。具体实施方式下面结合说明书附图对本专利技术作进一步说明。本专利技术公开了一种基于深度学习的声纳渗流运动规律发现方法，采用此方法，能够获得拥有足够数据支撑的地下水渗流计算模型。具体实施如下：结合图1，此方法包括数据处理系统、机器学习系统和数据挖掘系统。在数据处理系统中需要完成对渗流工程中的应用数据进行识别与总结。数据处理系统的输入为具有统一格式的标注数据与未标注数据，输出为经过清理的、按类存储的数据；在机器学习系统中需要对有标记的数据进行深度学习训练以使得计算机能够自动区别干扰信号、甄别是否渗流。该系统需要完成判断干扰信号和判断是否渗流两个步骤，其中判断干扰信号属于聚类问题，可以使用异常检测算法进行判断；判断是否渗流预测分类问题，故需要标注数据并使用监督的深度学习网络进行判断。所以在机器学习系统中分为两个模块进行神经网络的搭建。其中干扰识别模块的输入为数据库中的数据，输出为标注干扰信号的数据与标注非干扰信号的数据，渗流识别模块的输入为非干扰信号数据，输出为标注渗流的数据与标注非渗流的数据。数据挖掘系统对去除干扰信号的数据进行数据挖掘，从而找出其声纳渗流运动的机理以及规律性的内在联系。数据挖掘系统的输入为经过标注的数据，输出为渗流运动的规律联系。结合图2，在数据处理系统的数据处理模块中最主要的工作是对数据进行清洗。获得原始声纳数据后，首先对其进行分析，在明确数据结构的前提下对数据库进行选取并搭建。其次将数据进行清洗，数据清洗是为了发现并纠正数据文件中可识别的错误，在原始声纳数据中存在着脏数本文档来自技高网...

【技术保护点】
1.一种基于深度学习的声纳渗流运动规律发现方法，其特征在于，包括以下步骤：S1，数据处理系统[1]通过数据处理模块[6]对声纳渗流探测中地下水水流产生的波形数据[5]进行数据清理并分类，将处理后的数据发送给机器学习系统[2]；S2，机器学习系统[2]通过干扰识别模块[7]将清理后数据转化为高斯分布的声纳数据，通过多次应用异常检测算法的方法分离出干扰数据并标注，将分离出的非干扰数据传给渗流识别模块[8]对数据进行渗流识别；渗流识别模块[8]构建神经网络模型，通过深度学习方法从非干扰数据中进行渗流特征学习，采用交叉验证的方式，得到训练好的神经网络模型，再导入数据完成对非干扰信号的渗流识别与标注，将处理后数据发送给数据挖掘系统[3]；S3，数据挖掘系统[3]通过数据挖掘模块[9]对具有代表性的样本进行挖掘，得到与声纳渗流运动有关的新模型。

【技术特征摘要】
1.一种基于深度学习的声纳渗流运动规律发现方法，其特征在于，包括以下步骤：S1，数据处理系统[1]通过数据处理模块[6]对声纳渗流探测中地下水水流产生的波形数据[5]进行数据清理并分类，将处理后的数据发送给机器学习系统[2]；S2，机器学习系统[2]通过干扰识别模块[7]将清理后数据转化为高斯分布的声纳数据，通过多次应用异常检测算法的方法分离出干扰数据并标注，将分离出的非干扰数据传给渗流识别模块[8]对数据进行渗流识别；渗流识别模块[8]构建神经网络模型，通过深度学习方法从非干扰数据中进行渗流特征学习，采用交叉验证的方式，得到训练好的神经网络模型，再导入数据完成对非干扰信号的渗流识别与标注，将处理后数据发送给数据挖掘系统[3]；S3，数据挖掘系统[3]通过数据挖掘模块[9]对具有代表性的样本进行挖掘，得到与声纳渗流运动有关的新模型。2.根据权利要求1所述的基于深度学习的声纳渗流运动规律发现方法，其特征在于：所述声纳渗流探测中地下水水流产生的波形数据[5]包含仅有噪音标注的渗流检测数据、仅有渗流标注的渗流检测数据、既有噪音标注又有渗流标注的渗流检测数据及无标注的渗流检测数据。3.根据权利要求1所述的基于深度学习的声纳渗流运动规律发现方法，其特征在于，所述数据处理模块[6]对原始数据[5]进行数据清理并分类的方法如下：S11，对原始数据[5]进行数据清理；S12，对清理后的数据进行数据集成与数据归约；S13，将进行数据集成与数据归约后的数据存入数据库中。4.根据权利要求1所述的基于深度学习的声纳渗流运动规律发现方法，其特征在于，所述干扰识别模块[7]将清理后数据转化为高斯分布的声纳数据，通过多次应用异常检测算法的方法分离出干扰数...

【专利技术属性】
技术研发人员：王永利，卜凡，罗靖杰，张伟，刘森淼，彭姿容，郭相威，朱亚涛，朱根伟，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32