[发明专利]基于一维残差神经网络的悬沙监测方法

权利要求书

1.一种基于一维残差神经网络的悬沙监测方法，其特征在于，其包括以下步骤：

第一步骤，不同粒径砂砾分别搅拌形成不同浓度的悬沙液体，从悬沙液体提取含沙液滴，采集含沙液滴作用于摩擦纳米发电机传感器所产生的电流数据，多个所述电流数据形成电流数据集，

第二步骤，标记分割所述电流数据集，并对分割后的电流数据基于粒径和浓度标记数据标签以形成训练集数据和测试集数据，

第三步骤，构建一维残差神经网络，其包括输入模块、卷积模块、残差模块和输出模块，

第四步骤，输入所述训练集数据对一维残差神经网络进行训练以优化一维残差神经网络，

第五步骤，将测试集数据输入优化后的所述一维残差神经网络以得到粒径数据和浓度数据。

2.根据权利要求1所述的一种基于一维残差神经网络的悬沙监测方法，其特征在于，优选的，第一步骤中，含沙液滴逐滴地滴落在摩擦纳米发电机传感器上。

3.根据权利要求1所述的一种基于一维残差神经网络的悬沙监测方法，其特征在于，第一步骤中，将不同粒径沙粒按比例放入去离子水中均匀混合形成悬沙液体，利用蠕动泵抽取悬沙液体中的含沙液滴，且从摩擦纳米发电机传感器的PTFE膜表面上方3cm处缓慢滴下。

4.根据权利要求1所述的一种基于一维残差神经网络的悬沙监测方法，其特征在于，在步骤二中，

步骤S21，将采集到的连续的多滴含沙液滴电流数据拆分为每个液滴的单段电流数据；

步骤S22，平移所述单段电流数据以增强处理；

步骤S23，标签采集的不同浓度、不同粒径的增强后的单段电流数据且以预定比例拆分为训练集数据和测试集数据；

步骤S24，修改训练集数据和测试集数据的类型；

步骤S25，降采样处理和归一化处理训练集数据和测试集数据。

5.根据权利要求4所述的一种基于一维残差神经网络的悬沙监测方法，其特征在于，预定比例为5∶1，所述一维残差神经网络包括一维18层卷积残差网络结构。

6.根据权利要求1所述的一种基于一维残差神经网络的悬沙监测方法，其特征在于，第三步骤中，卷积模块包括依次连接的卷积层、批归一化层、ReLU激活函数层、残差模块层、自适应平均池化层以及一个全连接层，其中，

第一层为卷积层，卷积核大小为7*1，步长为2，填充参数为3；

第二层为批归一化层；

第三层为激活层，用ReLU作为激活函数；

第四层为最大池化层，尺寸为3*1，步长为2，填充参数为1；

第五-八层为残差模块，输出深度分别为64、128、256、512；

第九层为全局平均池化层，输出尺寸1*1，输出深度为512；

最后的池化层连接一个512*1全连接层，将学习的特征映射到分类特征空间。

7.根据权利要求1所述的一种基于一维残差神经网络的悬沙监测方法，其特征在于，一维残差神经网络训练所用的损失计算公式为交叉熵公式：

其中loss表示损失大小；i表示第i个分类；c表示总分类数目；t_i表示该分类下的实际概率，为0或1；y_i表示一维残差神经网络预测属于该分类的概率，为一个0-1的数。

8.根据权利要求7所述的一种基于一维残差神经网络的悬沙监测方法，其特征在于，训练中使用到softmax激活和交叉熵损失，softmax激活将输出重新缩放为每个类别的概率，使用交叉熵公式计算训练的误差然后进行反向传递。

9.根据权利要求1所述的一种基于一维残差神经网络的悬沙监测方法，其特征在于，所述残差模块包括卷积层和批归一化层。

10.根据权利要求1所述的一种基于一维残差神经网络的悬沙监测方法，其特征在于，待检测的含沙液滴的电流数据输入优化后的所述一维残差神经网络以得到粒径数据和浓度数据。