【技术实现步骤摘要】
本专利技术涉及建筑工程，特别涉及一种基于lenet-5的大规模幕墙施工方法及系统。
技术介绍
1、幕墙是建筑外立面的一种结构体系，通常由非结构性的外围墙体构成，用于分隔室内外环境，同时提供隔热、隔音、防水和采光等功能。它通常包括玻璃、金属、石材等材料，形成一个整体的外观装饰。幕墙的设计旨在创造现代、美观、实用的建筑外观，同时考虑到能效和室内舒适度。
2、同时幕墙有需要承受各种荷载，包括风荷载、自重等。通过建立对应力的理论数据，可以评估和确保幕墙在各种外力作用下的结构稳定性。不同材料的强度机械性能不同。对应力的理论分析有助于选择适当的材料，确保幕墙具有足够的强度和刚度。对于设计人员而言，了解对应力的理论数据有助于进行幕墙结构设计。这包括选择适当的连接方式、支撑结构和剪力墙等。
3、传统对应力的理论数据建立方式通常涉及确定合适的目标值，而目标值的选取通常采用与工业标准相匹配的分段取值方法。其技术缺陷在于因传统目标值设计通常呈现线性和随机的特征。这种线性设计不足以捕捉复杂的非线性关系，而随机设计可能导致目标值不具备实际物理意义。这样的设计可能无法准确反映实际工程条件下的应力分布。
4、为此，提出一种基于lenet-5的大规模幕墙施工方法及系统。
技术实现思路
1、有鉴于此，本专利技术实施例希望提供一种基于lenet-5的大规模幕墙施工方法及系统，以解决或缓解现有技术中存在的技术问题，即线性设计的导致不足以捕捉复杂的非线性关系，并对此至少提供一种有益的选
2、本专利技术实施例的技术方案是这样实现的：
3、第一方面
4、一种基于lenet-5的大规模幕墙施工方法
5、p0、初始化：
6、在此阶段，首先获取幕墙结构参数s，其中每两相邻的幕墙被视为一组输入节点。这样的设计使得lenet-5神经网络能够学习并理解相邻幕墙结构之间的关系，为后续施工过程提供有力的支持。在所述p0中，所述幕墙结构参数s包括体积和强度，将每组两两相邻的幕墙结构作为一个输入节点，为(s1，s2)；
7、n组相邻的幕墙的输入层节点数为2n。
8、执行lenet-5神经网络学习：
9、p1、输入层：
10、建立输入层，共有6个输入节点。每两个节点表示一组相邻的幕墙结构参数，以确保网络能够有效地捕捉幕墙结构的相关性。对于每组两两相邻的幕墙结构，输入层包括：
11、输入节点1：第一个幕墙板的长度向量；
12、输入节点2：第一个幕墙板的宽度向量；
13、输入节点3：第一个幕墙板所用材料的强度向量；
14、输入节点4：第二个幕墙板的长度向量；
15、输入节点5：第二个幕墙板的宽度向量；
16、输入节点6：第二个幕墙板所用材料的强度向量。
17、p2、卷积层c1：
18、引入卷积层c1，其中过滤器大小为5x5，深度为6，步长为1。该层的设计旨在通过卷积操作提取幕墙结构的特征，以捕获结构中的空间信息。对于所述卷积层c1，输入s后，输出特征图o为：
19、o＝relu(s*k)
20、k是卷积核，*表示卷积运算。
21、p3、平均池化层s2：
22、接下来是平均池化层s2，具有2x2的过滤器大小和步长2。通过平均池化操作，降低了特征图的维度，同时保留了关键的信息，有助于加速网络训练和提高鲁棒性。对于所述平均池化层s2，输入s后，输出特征图o为：
23、
24、s是步长，f是过滤器大小；o[i,j]表示输出特征图的第i行和第j列的元素；m和n表示过滤器在输入特征图上的位置索引；
25、对于每个元素o[i,j]，m和n的位置为：
26、m＝[0,f-1]
27、n＝[0,f-1]
28、通过对输入特征图中与过滤器重叠的区域进行求和，并除以过滤器大小，得到输出特征图中相应位置的值。
29、p4、卷积层c3：
30、再次引入卷积层c3，具有5x5的过滤器大小、深度为16，步长为1。这一层的设计旨在进一步提取和学习幕墙结构的更高级特征。对于所述卷积层c3，输入s后，输出特征图o为：
31、o＝relu(s*k)
32、k是卷积核，*表示卷积运算。
33、p5、平均池化层s4：
34、紧随其后的是平均池化层s4，具有2x2的过滤器大小和步长2。与前一池化层相似，该层的目的是降低维度，减少计算负担，并保留关键信息。
35、对于所述平均池化层s4，输入s后，输出特征图o为：
36、
37、s是步长，f是过滤器大小；o[i,j]表示输出特征图的第i行和第j列的元素；m和n表示过滤器在输入特征图上的位置索引；
38、对于每个元素o[i,j]，m和n的位置为：
39、m＝[0,f-1]
40、n＝[0,f-1]
41、通过对输入特征图中与过滤器重叠的区域进行求和，并除以过滤器大小，得到输出特征图中相应位置的值。
42、p6、全连接层fc5：
43、引入全连接层fc5，节点数调整为适应问题的复杂性的128个节点。全连接层的设计旨在将卷积层提取的特征映射到最终的抽象表示，为下一步的分类任务做准备。对于所述全连接层fc5，输出为：
44、o＝relu(w*x+b)
45、x为输入，w为权重，b为偏执项。
46、p7、输出层：
47、最后，建立输出层，执行softmax分类激活，输出幕墙结构向量dv。softmax激活确保输出是一个概率分布，其中每个元素表示相应类别的概率。dv提供了对幕墙结构的分类预测。对于所述输出层，设神经网络的输出为z，其中z[i]表示第i个神经元的原始输出值，经过softmax激活后的输出dv[i]:
48、
49、i表示输出层的每个神经元，j表示所有输出层神经元的索引；dv是一个概率分布向量，其元素的和等于1，表示每个类别的预测概率；每个神经元的输出dv[i]是其原始输出值z[i]的指数函数与所有神经元原始输出值的指数函数之和的比值。
50、在上述中，对于所述卷积层c1、所述卷积层c3和所述全连接层fc5，执行relu激活函数，调整输出大小。即对于输入x，所述relu激活函数的输出y为：
51、y＝max(0,x)
52、如果x大于零，则y＝x，否则y＝0；
53、所述relu激活函数的导数用于反向传播:
54、
55、对于正值，导数是1，对于负值，导数是0；所述relu激活函数的导数在反向传播中用于调整网络参数，以最小化损失函数。
56、第二方面
57、一种基于lenet-5的大规模本文档来自技高网...
【技术保护点】
1.一种基于LeNet-5的大规模幕墙施工方法，其特征在于，包括：
2.根据权利要求1所述的基于LeNet-5的大规模幕墙施工方法，其特征在于：在所述P0中，所述幕墙结构参数S包括体积和强度，将每组两两相邻的幕墙结构作为一个输入节点，为(S1，S2)；
3.根据权利要求1所述的基于LeNet-5的大规模幕墙施工方法，其特征在于：对于所述卷积层C1、所述卷积层C3和所述全连接层FC5，执行ReLU激活函数，调整输出大小。
4.根据权利要求1所述的基于LeNet-5的大规模幕墙施工方法，其特征在于：对于所述卷积层C1和所述卷积层C3，输入S后，输出特征图O为：
5.根据权利要求1所述的基于LeNet-5的大规模幕墙施工方法，其特征在于：对于所述平均池化层S2和所述平均池化层S4，输入S后，输出特征图O为：
6.根据权利要求3所述的基于LeNet-5的大规模幕墙施工方法，其特征在于：对于所述全连接层FC5，输出为：
7.根据权利要求6所述的基于LeNet-5的大规模幕墙施工方法，其特征在于：对于所述输出层，设神经网
8.根据权利要求2所述的基于LeNet-5的大规模幕墙施工方法，其特征在于：对于每组两两相邻的幕墙结构，输入层包括：
9.根据权利要求3所述的基于LeNet-5的大规模幕墙施工方法，其特征在于：对于输入x，所述ReLU激活函数的输出y为：
10.一种基于LeNet-5的大规模幕墙施工方法及系统，其特征在于：所述系统包括处理器、与所述处理器耦接的寄存器，所述寄存器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器执行如权利要求1-9中任一项所述的基于LeNet-5的大规模幕墙施工系统。
...【技术特征摘要】
1.一种基于lenet-5的大规模幕墙施工方法，其特征在于，包括：
2.根据权利要求1所述的基于lenet-5的大规模幕墙施工方法，其特征在于：在所述p0中，所述幕墙结构参数s包括体积和强度，将每组两两相邻的幕墙结构作为一个输入节点，为(s1，s2)；
3.根据权利要求1所述的基于lenet-5的大规模幕墙施工方法，其特征在于：对于所述卷积层c1、所述卷积层c3和所述全连接层fc5，执行relu激活函数，调整输出大小。
4.根据权利要求1所述的基于lenet-5的大规模幕墙施工方法，其特征在于：对于所述卷积层c1和所述卷积层c3，输入s后，输出特征图o为：
5.根据权利要求1所述的基于lenet-5的大规模幕墙施工方法，其特征在于：对于所述平均池化层s2和所述平均池化层s4，输入s后，输出特征图o为：
6.根据权利要求3所述的基于lenet-5的...
【专利技术属性】
技术研发人员：蒋武衡，
申请(专利权)人：广州科技职业技术大学，
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。