[发明专利]基于深度学习的大型土木工程结构的渗漏水状况重建方法

权利要求书

1.一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，可根据输入的无线通信信号的RSSI数据，通过训练好的渗漏水状况重建模型得出空间区域路径的损耗因子分布图像用于指示空间渗漏水情况，其特征在于，包括如下步骤：

步骤1-1，由无线传感器网络测量得到所述RSSI数据；

步骤1-2，将所述RSSI数据送入预先训练得到的渗漏水状况重建模型得到所述损耗因子分布图像；

步骤1-3，输出所述损耗因子分布图像，

其中，所述渗漏水状况重建模型的训练过程包括以下子步骤：

步骤2-1，通过对无线信号传播过程正问题进行数值仿真计算得到训练用RSSI数据以及训练用损耗因子分布图像；

步骤2-2，对所述训练用RSSI数据和所述训练用损耗因子分布图像分别预处理，包括归一化以及组合，形成用于深度学习网络训练的RSSI数据集以及损耗因子图像数据集；

步骤2-3，针对所述RSSI数据集以及所述损耗因子图像数据集设置参数，包括正问题规模、所述RSSI数据的属性维数以及所述损耗因子分布图像的标签图像维度；

步骤2-4，根据所述正问题规模、所述属性维数、所述标签图像维度确定深度学习网络的模型架构以及初始化参数；

步骤2-5，根据所述初始化参数对所述深度学习网络进行初始化得到待训练渗漏水状况重建模型；

步骤2-6，根据损失误差最小原则对所述待训练渗漏水状况重建模型进行模型参数训练，并将训练得到的模型作为所述渗漏水状况重建模型。

2.根据权利要求1所述的一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，其特征在于：

其中，RSSI数据集设置为S，损耗因子图像数据集设置为N，S以及N的含义分别为：

式中，m是表示训练样本数目，n₁是训练集样本的RSSI序列的数目，n₂×n₂是训练集样本标签图像的像素规模。

3.根据权利要求1所述的一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，其特征在于：

其中，所述渗漏水状况重建模型包括输入层、全连接运算、神经元重组卷积运算以及输出层，除了所述输出层无激活函数，所述输入层、所述全连接运算、所述神经元重组卷积运算均具有激活函数。

4.根据权利要求1所述的一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，其特征在于：

其中，所述初始化参数包括权重、学习率、损失函数、学习优化算法、最大迭代次数。