[发明专利]基于深度学习的声纳渗流运动规律发现方法

权利要求书

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；

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f(x)小于特定阈值ε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。

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。