[发明专利]一种基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法

权利要求书

1.一种基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法，包括以下步骤：

步骤1：采集得到源域供水管网压力信号数据集N组，其中，部分的数据作为源域训练集，另一部分的数据作为源域验证集；

采集得到目标域供水管网压力信号数据集M组，作为目标域数据集，M小于N，目标域数据集中的第一部分数据作为目标域训练集，第二部分数据作为目标域验证集，第三部分的数据作为目标域测试集；

步骤2：将步骤1的源域训练集数据输入一维卷积神经网络进行源域卷积神经网络模型训练，其中步骤1的源域验证集数据用来验证模型的优劣；交叉熵最小的模型作为源域一维卷积神经网络模型；

步骤3：载入步骤2的源域一维卷积神经网络模型，将目标域一维卷积神经网络的学习率设置为源域卷积神经网络模型学习率的十分之一，使用步骤1中目标域训练集数据训练模型的参数，目标域验证集数据用来验证该模型；

步骤4：重复步骤2和步骤3共Y次，获得Y个迁移学习一维卷积神经网络模型，为TL1DCNN，计算各模型间的相似度并获得相似度矩阵，子模型的所有组合策略共有个，分别从中依据相似度之和最小的原则，得到Y-1种组合策略，其中C代表组合符号；相似度S的计算表示为：

其中，a和b表示概率向量P的第a个和第b个元素，I表示TL1DCNN的预测标签，S_i，j表示第i个和第j个TL1DCNN预测标签的相似度；

步骤5：以步骤1中目标域验证集中的误分类个数为优化目标，使用粒子群优化算法优化步骤4中Y-1种组合策略中集成子模型的权重，如公式(4)所示；用步骤1中目标域测试集的数据评价各组合策略模型的性能，准确率最高的模型即为最终获得的一维迁移学习卷积神经网络集成模型，如公式(5)所示：

Result＝argmax(V) (5)

其中，k表示集成的TL1DCNN模型的格个数，w_i和P_i分别表示第i个TL1DCNN模型对应的权重系数和输出的概率向量，V表示TL1DCNN集成后获得的概率向量，Result表示最终一维迁移学习卷积神经网络集成模型获得的预测标签。

2.根据权利要求1所述的基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法，其特征在于，步骤1中，采集得到源域供水管网压力信号数据集N组，其中65％～85％的数据作为源域训练集，15％～35％的数据作为源域验证集。

3.根据权利要求1所述的基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法，其特征在于，步骤1中，M小于

4.根据权利要求1所述的基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法，其特征在于，步骤1中，目标域数据集中的54％～74％的数据作为目标域训练集，6％～17％的数据作为目标域验证集，15％～35％的数据作为目标域测试集。

5.根据权利要求1所述的基于一维迁移学习卷积神经网络集成模型的供水管网泄漏检测与定位方法，其特征在于，步骤2中，交叉熵的定义表示为：

其中，E代表交叉熵，n代表类别索引，m表示样本索引，y代表样本标签，代表预测标签。