[发明专利]基于人工神经网络的海底细粒土工程分类定名分析方法

权利要求书

1.基于人工神经网络的海底细粒土工程分类定名分析方法，其特征在于，包括以下步骤：

步骤A、获取海底沉积物工程分类数据，所述分类数据包括待分类区域内已经具有的基于岩土工程勘察规范的沉积物工程分类定名数据；

步骤B、基于步骤A获取的数据构建并训练海底沉积物工程分类神经网络：

神经网络模型包括输入层、隐藏层和输出层，设该神经网络模型的输入参数为粒径百分含量，即[0.5mm,2mm)、[0.25mm,0.5mm)、[0.075mm,0.25mm)、[0.005mm,0.075mm)和(0,0.005)，输入层节点数为5，输出参数包括粉土、粉质黏土和黏土，输出层节点数为3；

步骤B1、将步骤A中获得的海底沉积物工程分类数据划分为训练集、验证集和测试集；

步骤B2、确定隐藏层节点数：根据输入层与输出层的节点数选择某一范围内的隐藏层节点数，并进行验证，基于确定最优的隐藏层节点数目，其中，m为隐藏层节点数目，n为输入层节点数目，l为输出层节点数目，a为1～10间的常数；

步骤B3、确定神经网络函数：分别基于Scaled conjugate gradient、Levenberg-Marquardt、Bayesian regularization三个训练函数进行计算，并使用测试集验证其准确率，选择准确率最高时的训练函数作为网络最终的训练函数；

步骤B4、神经网络训练集验证：在训练过程中数据的校正是从前往后进行，即误差逆传播，计算时从输出层到隐含层，再从隐含层到输入层，以确定最终的神经网络模型；

步骤C、获得拟分类沉积物粒度；

步骤D、将步骤C中获得的拟分类沉积物粒度数据作为输入，基于所构建的沉积物工程分类神经网络模型实现海底沉积物工程分类。

2.根据权利要求1所述的基于人工神经网络的海底细粒土工程分类定名分析方法，其特征在于：所述步骤A中，所述沉积物工程分类定名数据包括沉积物各粒度组分百分含量，以及最终的沉积物工程分类定名数据。

3.根据权利要求1所述的基于人工神经网络的海底细粒土工程分类定名分析方法，其特征在于：所述步骤B4中，校正过程中：

输出层的校正误差：

式中，t＝1,2,…,q，q是输出层单元数；k＝1,2,…,m，m是训练模式对数；y_t^k是希望输出；c_t^k是实际输出；f’(.)是对输出函数的导数；

隐含层各单元的校正误差：

式中，j＝1,2,…,p；p是隐含层单元数；

对于输出层至隐含层连接权和输出层阈值的校正量：

Δγ_t＝αd_t^k

式中，b_j^k是隐含层j单元的输出，d_t^k是输出层的校正误差，j＝1,2…,p；t＝1,2,…,q；k＝1,2,…,m；α0，为输出层至隐含层学习率；

隐含层至输入层的校正量：

式中，e_j^k是隐含层j单元的校正误差；x_i^k是标准输入，i＝1,2,…,n，n是输入层单元数，0β1，为隐含层至输入层学习率。

4.根据权利要求1所述的基于人工神经网络的海底细粒土工程分类定名分析方法，其特征在于：所述步骤B中，隐藏层节点数m的取值范围为4-20。

5.根据权利要求1或4所述的基于人工神经网络的海底细粒土工程分类定名分析方法，其特征在于：所述步骤B2中，最终选择最优的隐藏层节点数据，采用以下方式：

(1)在每组试验中，首先将训练数据随机划分为3类，对于每一隐藏层节点数目进行多次运算，对比模型定名结果与实际沉积物定名，选择运算中最高准确率表示该节点条件下的网络模型准确率；

(2)一次训练及验证结束后再次对数据进行随机划分，共进行多次数据的随机划分，统计准确率结果后，得到对海洋细粒沉积物定名的最优节点数为9。

6.根据权利要求1所述的基于人工神经网络的海底细粒土工程分类定名分析方法，其特征在于：所述步骤C中，获得拟分类沉积物粒度数据采用以下两种方式：

(1)在研究区域通过相关地质手段进行沉积物样品的获取，并按照规范进行沉积物粒度组分的测量；

(2)收集研究区域内已有沉积物沉积学分类的数据资料，沉积学分类数据包含相应的粒度组分数据但不含塑性指数数据。