System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及动力触探,具体涉及一种基于深度学习的动力触探测试实时定位方法及系统。
技术介绍
1、目前,地面力学勘测技术手段主要包括非接触测量和接触测量,其中:接触测量技术包括静力触探,静力触探适用范围广、可实现原位测量、岩土类型与力学参数的精准识别、测量数据可靠与理论研究丰富等,但是静力触探属于人工抵近勘测范畴,无法满足目标区域地面力学远程、快速的勘测需求。因此,现有技术中提出了一种自由落体式的触探仪,实现目标区域地面力学远程、快速的勘测。
2、虽然现有技术满足了目标区域地面力学远程、快速的勘测需求,但是,由于自由落体式触探仪是自由落体落点在目标区域,这种触探落点方式容易导致触探仪的落点位置受触探仪出射位置的影响,在触探仪出射位置主观随机选定状况下,很容易就会造成触探仪落点位置偏离出目标区域,难以实现精准探测目标区域的土壤强度力学信息。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的动力触探测试实时定位方法及系统,以解决现有技术中触探仪出射位置主观随机选定,造成触探仪落点位置偏离出目标区域,难以实现精准探测目标区域的土壤强度力学信息的技术问题。
2、为解决上述技术问题,本专利技术具体提供下述技术方案:
3、一种基于深度学习的动力触探测试实时定位方法,包括以下步骤:
4、监测触探场景中的第一自然系参数时序序列,所述第一自然系参数时序序列包括多个依时序排列的自然系参数,所述自然系参数对应于触探场景中自然环境的属性信息,所述
5、根据第一自然系参数时序序列,通过时序映射关系进行时间性预测,得到第二自然系参数时序序列,所述第二自然系时序序列对应于由位于第一自然系时序序列的后置时序处的自然系参数构成的时序序列,所述时序映射关系为表征自然系参数在时序间映射关系的神经网络;
6、根据第二自然系参数时序序列、触探场景的落地位点期望区域,通过空间映射关系进行空间性预测,得到动力触探仪的出射位点,所述空间映射关系为表征自然系参数序列与出射位点、落地位点间映射关系的神经网络,所述动力触探仪为自由落体式动力触探仪;
7、在所述出射位点对动力触探仪进行出射,以使得动力触探仪由出射位点自由落体在触探场景的期望区域内,对触探场景进行动力触探测试。
8、所述时序映射关系的构建,包括:
9、将第一自然系参数时序序列中前置时序处的自然系参数作为lstm神经网络的输入项,将第一自然系参数时序序列中后置时序处的自然系参数作为lstm神经网络的输出项;
10、利用lstm神经网络对lstm神经网络的输入项和lstm神经网络的输出项进行学习训练,得到时序映射关系;
11、所述时序映射关系的函数表达式:
12、s_later=lstm(s_before);
13、式中,s_later为第一自然系参数时序序列中后置时序处的自然系参数,s_before为第一自然系参数时序序列中前置时序处的自然系参数,lstm为lstm神经网络。
14、所述根据第一自然系参数时序序列,通过时序映射关系进行时间性预测,得到第二自然系参数时序序列,包括:
15、将第一自然系参数时序序列输入至时序映射关系中,由时序映射关系输出所述第二自然系参数时序序列。
16、所述空间映射关系的构建,包括:
17、第一步:随机选取一个第二自然系参数时序序列,并在每个第二自然系参数时序序列中随机设定多个出射位点作为样本位点;
18、第二步:逐一在各个样本位点处,对动力触探仪进行出射,并记录每个样本位点对应的落地位点;
19、第三步:将样本位点、第二自然系参数时序序列作为cnn神经网络的输入项,将样本位点对应的落地位点作为cnn神经网络的输出项;
20、利用cnn神经网络对cnn神经网络的输入项和cnn神经网络的输出项进行学习训练,得到第一空间映射关系;
21、所述第一空间映射关系的函数表达式为:
22、p_down=cnn(p_up,s_later);
23、式中,p_down为落地点位,p_up为出射点位,s_later为第二自然系参数时序序列,cnn为cnn神经网络;
24、第四步:利用第一空间映射关系,将出射点位的所有可取值进行测算,得到出射点位的所有可取值对应的落地点位;
25、将位于触探场景的落地位点期望区域内的落地点位,标记为第二自然系参数时序序列对应时序处的期望落地点位;
26、将所述期望落地点位对应的出射点位的可取值标记为第二自然系参数时序序列对应时序处的期望出射点位;
27、循环执行第一步至第四步,得到多组第二自然系参数时序序列、期望出射点位以及触探场景的落地位点期望区域;
28、将第二自然系参数时序序列、触探场景的落地位点期望区域作为cnn神经网络的第二输入项,将期望出射点位作为cnn神经网络的第二输出项;
29、利用cnn神经网络对cnn神经网络的第二输入项和cnn神经网络的第二输出项进行学习训练,得到第二空间映射关系;
30、所述第二空间映射关系的函数表达式为:
31、p_up_e=cnn(p_down_e,s_later);
32、式中,p_up_e为期望出射点位,p_down_e为触探场景的落地位点期望区域,s_later为第二自然系参数时序序列,cnn为cnn神经网络。
33、所述动力触探仪的出射位点的确定,包括:
34、将触探场景中的第二自然系参数时序序列、触探场景的落地位点期望区域输入至第二空间映射关系中,由第二空间映射关系输出触探场景中位于第二自然系参数时序序列对应时序处的期望出射位点,并标记为动力触探仪的出射位点。
35、将所述时序映射关系、第一空间映射关系和第二空间映射关系中的输入项、输出项进行归一化处理。
36、所述出射位点、落地位点在同一三维坐标系中进行统一坐标化表示。
37、所述第二自然系参数时序序列、第一自然系参数时序序列中时序间隔相一致。
38、本专利技术提供了一种应用于基于深度学习的动力触探测试实时定位方法的定位系统,包括:
39、数据监测单元,用于监测触探场景中的第一自然系参数时序序列,所述第一自然系参数时序序列包括多个依时序排列的自然系参数,所述自然系参数对应于触探场景中自然环境的属性信息,所述自然系参数的数据形式为图像数据、文本数据或音频数据中的至少一种;
40、数据处理单元,用于根据第一自然系参数时序序列,通过时序映射关系进行时间性预测,得到第二自然系参数时序序列,所述第二自然系时序序列对应于由位于第一自然系时序序列的后置时序处的自然系参数构成的时序序列,所述时序映射关系为表征自然系参数在时序间映射关系的神本文档来自技高网...
【技术保护点】
1.一种基于深度学习的动力触探测试实时定位方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的动力触探测试实时定位方法,其特征在于:
3.根据权利要求2所述的一种基于深度学习的动力触探测试实时定位方法,其特征在于:所述
4.根据权利要求3所述的一种基于深度学习的动力触探测试实时定位方法,其特征在于:
5.根据权利要求4所述的一种基于深度学习的动力触探测试实时定位方法,其特征在于:所述动力触探仪的出射位点的确定,包括:
6.根据权利要求5所述的一种基于深度学习的动力触探测试实时定位方法,其特征在于:将所述时序映射关系、第一空间映射关系和第二空间映射关系中的输入项、输出项进行归一化处理。
7.根据权利要求1所述的一种基于深度学习的动力触探测试实时定位方法,其特征在于:所述出射位点、落地位点在同一三维坐标系中进行统一坐标化表示。
8.根据权利要求4所述的一种基于深度学习的动力触探测试实时定位方法,其特征在于:所述第二自然系参数时序序列、第一自然系参数时序序列中时序间隔相一致。
...【技术特征摘要】
1.一种基于深度学习的动力触探测试实时定位方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的动力触探测试实时定位方法,其特征在于:
3.根据权利要求2所述的一种基于深度学习的动力触探测试实时定位方法,其特征在于:所述
4.根据权利要求3所述的一种基于深度学习的动力触探测试实时定位方法,其特征在于:
5.根据权利要求4所述的一种基于深度学习的动力触探测试实时定位方法,其特征在于:所述动力触探仪的出射位点的确定,包括:
6.根据权利要求5所述的一种基于深度学习的动力触探测试实时定位方法,其特征在于:将所述时序映射关系、第一...
【专利技术属性】
技术研发人员:崔笑悦,齐嘉轩,黄昱琦,孔琦,于浩,马睿遥,
申请(专利权)人:山东儒新达科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。