基于FCNN-RNN的地下工程加速度数据信息聚类与危险源识别方法技术

本发明专利技术公开了一种基于FCNN

【技术实现步骤摘要】
基于FCNN
‑
RNN的地下工程加速度数据信息聚类与危险源识别方法


[0001]本专利技术属于深度学习
，涉及一种多尺度数据信息提取与识别系统与方法，具体涉及一种基于FCNN
‑
RNN的地下工程加速度数据信息聚类与危险源识别方法。

技术介绍

[0002]随着深度学习方法的兴起，特别是卷积神经网络在图像领域的突出表现，基于深度学习进行图像信息提取与识别成为研究热点。然而，在地下工程方面，该类方法应用匮乏。
[0003]同时，在地下工程中，不同损伤和缺陷，传感器的不同时间段的监测信息反映出地下工程不同类型损伤和缺陷的发展规律，以结构变形为例，结构未来时段的变形量与之前一段时间的变形量相关，同时相似工程或者相似类型的损伤也具有一定的规律性。在图像处理领域，现有技术往往是只考虑了数据在某一时间点的空间特征，而忽略了监测数据在时间上具有其独特的变化特点。因此现有技术虽然可以对已发生危险变形或损伤的位置进行识别，但是无法为损伤变形的发展趋势进行判断，也无法准确地对未发生的危险进行预警。<br/>[0004]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于FCNN
‑
RNN的地下工程加速度数据信息聚类与危险源识别系统，其特征在于所述系统包括信息获取模块、卷积模块、循环神经网络模块和可视输出模块，其中：所述信息获取模块布置在地下工程相关位置，用于获取监测信息；所述卷积模块以VGG
‑
16为主体框架，构造多尺度全局FCN网络，移除池化层Pool5，利用空洞卷积构建多尺度卷积模块，并联三条空洞率分别为1、2、5的空洞卷积通道，分别感知不同尺度感受野的信息，提取多尺度特征；所述循环神经网络模块为RNN神经网络模型，将卷积模块特征融合后的结果输入到RNN神经网络模型中提取时间特征；所述可视输出模块对RNN神经网络模型输出结果进行反卷积操作，并与卷积模块pool4节点进行跳跃连接和特征融合，通过反卷积层对融合结果进行二次反卷积，并与卷积模块pool3节点进行跳跃连接，以修正层级迭代带来的特征消失现象，通过SoftMax层做归一化处理，计算出损失函数，实现全局特征感知与预测。2.根据权利要求1所述的基于FCNN
‑
RNN的地下工程加速度数据信息聚类与危险源识别系统，其特征在于所述监测信息为加速度数据。3.根据权利要求1所述的基于FCNN
‑
RNN的地下工程加速度数据信息聚类与危险源识别系统，其特征在于所述空洞卷积过程定义如下：式中，x[m,n]为输入特征图，y[m,n]为输出特征图，w[i,j]为空洞滤波器，r为空洞率，m与n分别为特征图像素的长和宽，i与j分别为卷积核的长和宽。4.根据权利要求3所述的基于FCNN
‑
RNN的地下工程加速度数据信息聚类与危险源识别系统，其特征在于所述空洞率决定了卷积核的采样间隔，当r&gt;1，表示卷积核之间引入r
‑
1个空洞，当r＝1，空洞卷积为正常卷积，卷积核大小为k
×
k时，空洞卷积的感受野大小为：k+(k+1)(r
‑
1)。5.根据权利要求1所述的基于FCNN
‑
RNN的地下工程加速度数据信息聚类与危险源识别系统，其特征在于所述RNN神经网络模型进行训练的方法为：RNN神经网络模型包括输入层x、隐藏层s、输出层o，在隐藏层s上有一个循环操作；t
‑
1和t+1表示t时刻的前后时间状态，x和o分别代表输入和输出，S
t
表示在时间t时刻时的数据信息和记忆，按下式计算：S
t
＝f(UX
t
+WS
t
‑1)式中，U表示此刻输入的监测数据权重，W表示上一时刻输入的监测数据权重，V表示输出的数据权重，随机初始化U，V，W，并设置S0＝0，则在t＝1时刻，RNN神经网络...

【专利技术属性】
技术研发人员：张鏖，梅勇，李锋，李晓鹏，吕玉正，李博宇，唐文冲，唐亮，
申请(专利权)人：中国人民解放军军事科学院国防工程研究院，
类型：发明
国别省市：