一种综合管廊风险自动识别卷积神经网络模型及构建方法技术

本发明专利技术涉及一种综合管廊风险自动识别卷积神经网络模型，包括设计器，设计器内设采用C/S结构和B/S结构的嵌套架构BP神经网络系统，同时另设若干CNN卷积运算系统、基于LSTM的智能预测系统、深度学习神经网络系统及底层操作系统，其中底层操作系统通过调度程序分别与BP神经网络系统、CNN卷积运算系统、基于LSTM的智能预测系统、深度学习神经网络系统连接。其使用方法包括系统预制及系统训练等两个步骤。本发明专利技术一方面系统系统构成简单，数据运算处理能力强，通用性好；另一方面在数据运行中具有良好的自主运行能力和计算结果校验能力，从而极大的提高了设计系统运行的工作效率及设计作业的精度。

【技术实现步骤摘要】
一种综合管廊风险自动识别卷积神经网络模型及构建方法
本专利技术涉及一种设计及数据处理系统，特别是涉及一种综合管廊风险自动识别卷积神经网络模型及检测方法。
技术介绍
2017108985024”的“一种卷积神经网络CNN硬件加速器及加速方法”，虽然当前的这类系统可以一定程度上提高设计工作中数据计算处理效率，但数据处理效率已让相对较低，数据运算作业的自主化、自动化及智能化程度均相对较低，同时对计算数据也缺乏有效的校核及数据计算修正的能力，从而导致当前数据计算处理系统的运行效率、精度局相对较差，也造成数据计算作业的劳动强度相对较大，难以满足实际使用的需要。因此针对这一需要，迫切需要开发一种全新的涉及系统及方法，以满足实际使用的需要。
技术实现思路
针对现有技术上存在的不足，本专利技术提供一种综合管廊风险自动识别卷积神经网络模型及方法，以达提高图像信息采集作业效率、精度及灵活性的目的。为了实现上述目的，本专利技术是通过如下的技术方案来实现：一种综合管廊风险自动识别卷积神经网络模型，包括设计器，设计器内设采用C/S结构和B/S结构的嵌套架构BP神经网络系统，同时另设若干CNN卷积运算系统、基于LSTM的智能预测系统、深度学习神经网络系统及底层操作系统，其中底层操作系统通过调度程序分别与BP神经网络系统、CNN卷积运算系统、基于LSTM的智能预测系统、深度学习神经网络系统连接，CNN卷积运算系统间相互并联，并分别与BP神经网络系统的输入层连接，基于LSTM的智能预测系统、深度学习神经网络系统相互连接并同时与BP神经网络系统输入层连接，BP神经网络系统的输出层另与深度学习神经网络系统及一个CNN卷积运算系统连接。进一步的，所述的深度学习神经网络系统为基于卷积运算的神经网络系统、基于多层神经元的自编码神经网络及以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络中的任意一种或几种共用。进一步的，所述的设计器包括AI基础的人工智能逻辑处理模块、基于FPGA的数据处理单元、GPU图像处理单元、数据总线模块、时钟电路模块、驱动电路模块、I/O数据通讯端口及网络通讯端口，所述数据总线模块分别与AI基础的人工智能逻辑处理模块、FPGA的数据处理单元、GPU图像处理单元、时钟电路模块、驱动电路模块、I/O数据通讯端口及网络通讯端口连接，且所述驱动电路模块另分别与各GPU图像处理单元、I/O数据通讯端口及网络通讯端口连接。进一步的，所述的I/O数据通讯端口另分别与至少一个CCD摄像头、激光扫码头、操控键盘及显示器连接，所述网络通讯端口与外部通讯网络连接。进一步的，所述的FPGA的数据处理单元和GPU图像处理单元均不少于两个，且各FPGA的数据处理单元之间、各GPU图像处理单元间均相互并联，其中各FPGA的数据处理单元之间采用同步双工电路混联，各GPU图像处理单元间采用异步双工电路混联。进一步的，所述的底层操作系统为基于SOA体系为基础的程序系统。一种综合管廊风险自动识别卷积神经网络模型的构建方法，包括以下步骤；S1，系统预制，首先将设计器定位在指定位置，并将设计器与外部硬件设备设备连接，同时通过底层操作系统对BP神经网络系统、CNN卷积运算系统、基于LSTM的智能预测系统、深度学习神经网络系统连接间连接关系进行调制，并使各CNN卷积运算系统中的一个CNN卷积运算系统与BP神经网络系统输出层连通，同时将与BP神经网络系统输出端的CNN卷积运算系统分别与BP神经网络系统输入层连接的各CNN卷积运算系统连接，从而完成本专利技术系统预制；S2，系统训练，完成S1步骤后，首先将参与设计运行的常用算法、参与计算的数据同时输入到基于LSTM的智能预测系统、深度学习神经网络系统中，经过基于LSTM的智能预测系统、深度学习神经网络系统学习对BP神经网络系统进行训练，并生成人工智能设计逻辑，然后将参与设计运行的常用算法、参与计算的数据分组后通过CNN卷积运算系统处理运行后输送到BP神经网络系统内，由BP神经网络系统对接收的数据根据人工智能设计逻辑进行运算，并将运算结果从输出层输出，并对输出的数据结果进行备份，然后在BP神经网络系统完成当前运算后，将备份的数据结果输送至深度学习神经网络系统和BP神经网络系统输出层连接的CNN卷积运算系统中运算，然后将运算结果一方面通过基于LSTM的智能预测系统、深度学习神经网络系统对BP神经网络系统的人工智能设计逻辑进行更新；另一方面运算结果通过CNN卷积运算系统二次运行后输入到BP神经网络系统中，并利用跟新后的人工智能设计逻辑进行验证，并在通过验证后得到最终输出数据。本专利技术一方面系统系统构成简单，数据运算处理能力强，通用性好；另一方面在数据运行中具有良好的自主运行能力和计算结果校验能力，从而极大的提高了设计系统运行的工作效率及设计作业的精度，并可降低数据计算的劳动强度及成本。附图说明下面结合附图和具体实施方式来详细说明本专利技术。图1为本专利技术系统结构示意图；图2为基于FPGA的图像信息采集终端结构示意图；图3为本专利技术方法流程图。具体实施方式为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。如图1和2所示，一种综合管廊风险自动识别卷积神经网络模型，包括设计器，设计器内设采用C/S结构和B/S结构的嵌套架构BP神经网络系统，同时另设若干CNN卷积运算系统、基于LSTM的智能预测系统、深度学习神经网络系统及底层操作系统，其中底层操作系统通过调度程序分别与BP神经网络系统、CNN卷积运算系统、基于LSTM的智能预测系统、深度学习神经网络系统连接，CNN卷积运算系统间相互并联，并分别与BP神经网络系统的输入层连接，基于LSTM的智能预测系统、深度学习神经网络系统相互连接并同时与BP神经网络系统输入层连接，BP神经网络系统的输出层另与深度学习神经网络系统及一个CNN卷积运算系统连接。本实施例中，所述的深度学习神经网络系统为基于卷积运算的神经网络系统、基于多层神经元的自编码神经网络及以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络中的任意一种或几种共用。重点说明的，所述的设计器包括AI基础的人工智能逻辑处理模块、基于FPGA的数据处理单元、GPU图像处理单元、数据总线模块、时钟电路模块、驱动电路模块、I/O数据通讯端口及网络通讯端口，所述数据总线模块分别与AI基础的人工智能逻辑处理模块、FPGA的数据处理单元、GPU图像处理单元、时钟电路模块、驱动电路模块、I/O数据通讯端口及网络通讯端口连接，且所述驱动电路模块另分别与各GPU图像处理单元、I/O数据通讯端口及网络通讯端口连接。进一步优化的，所述的I/O数据通讯端口另分别与至少一个CCD摄像头、激光扫码头、操控键盘及显示器连接，所述网络通讯端口与外部通讯网络连接。进一步优化的，所述的FPGA本文档来自技高网...

【技术保护点】
1.一种综合管廊风险自动识别卷积神经网络模型，其特征在于：所述综合管廊风险自动识别卷积神经网络模型包括设计器，设计器内设采用C/S结构和B/S结构的嵌套架构BP神经网络系统，同时另设若干CNN卷积运算系统、基于LSTM的智能预测系统、深度学习神经网络系统及底层操作系统，其中底层操作系统通过调度程序分别与BP神经网络系统、CNN卷积运算系统、基于LSTM的智能预测系统、深度学习神经网络系统连接， CNN卷积运算系统间相互并联，并分别与BP神经网络系统的输入层连接，基于LSTM的智能预测系统、深度学习神经网络系统相互连接并同时与BP神经网络系统输入层连接， BP神经网络系统的输出层另与深度学习神经网络系统及一个CNN卷积运算系统连接。/n

【技术特征摘要】
1.一种综合管廊风险自动识别卷积神经网络模型，其特征在于：所述综合管廊风险自动识别卷积神经网络模型包括设计器，设计器内设采用C/S结构和B/S结构的嵌套架构BP神经网络系统，同时另设若干CNN卷积运算系统、基于LSTM的智能预测系统、深度学习神经网络系统及底层操作系统，其中底层操作系统通过调度程序分别与BP神经网络系统、CNN卷积运算系统、基于LSTM的智能预测系统、深度学习神经网络系统连接，CNN卷积运算系统间相互并联，并分别与BP神经网络系统的输入层连接，基于LSTM的智能预测系统、深度学习神经网络系统相互连接并同时与BP神经网络系统输入层连接，BP神经网络系统的输出层另与深度学习神经网络系统及一个CNN卷积运算系统连接。


2.根据权利要求1所述的基于神经网络的城市地下综合管廊风险管控系统，其特征在于：所述的深度学习神经网络系统为基于卷积运算的神经网络系统、基于多层神经元的自编码神经网络及以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络中的任意一种或几种共用。


3.根据权利要求1所述的基于神经网络的城市地下综合管廊风险管控系统，其特征在于：所述的设计器包括AI基础的人工智能逻辑处理模块、基于FPGA的数据处理单元、GPU图像处理单元、数据总线模块、时钟电路模块、驱动电路模块、I/O数据通讯端口及网络通讯端口，所述数据总线模块分别与AI基础的人工智能逻辑处理模块、FPGA的数据处理单元、GPU图像处理单元、时钟电路模块、驱动电路模块、I/O数据通讯端口及网络通讯端口连接，且所述驱动电路模块另分别与各GPU图像处理单元、I/O数据通讯端口及网络通讯端口连接。


4.根据权利要求3所述的一种综合管廊风险自动识别卷积神经网络模型，其特征在于：所述的I/O数据通讯端口另分别与至少一个CCD摄像头、激光扫码头、操控键盘及显示器连接，所述网络通讯端口与外部通讯网络连接。


5.根据权利要求3所述的一种综合管廊风险自动识别卷积神经网络模型，其特征在于：所述的FPGA的数据处理...

【专利技术属性】
技术研发人员：刘安愿，王祥轲，赵青松，张文超，王文娟，王凯，畅佳宁，户静雅，
申请(专利权)人：河南汇祥通信设备有限公司，
类型：发明
国别省市：河南;41