[发明专利]一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法

权利要求书

1.一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法，其特征在于：利用水泥混凝土抗压强度试验获取的试验数据，并结合深度学习方法进行数据增强和预测分析，具体步骤如下：

步骤一：水泥混凝土抗压强度试验数据的变量统计分析；

首先，将水泥混凝土抗压强度试验的数据集中每个变量进行相关性分析，根据皮尔逊相关性系数衡量特征之间的相关性；

其次，将水泥混凝土抗压强度试验的数据集中的每个变量进行可视化分析，观察成对变量之间的分布关系和每一个单独变量的分布情况；

将水泥混凝土抗压强度试验的数据集中的粉煤灰数据去除；

步骤二：步骤一的变量统计分析后的水泥混凝土抗压强度试验的数据集进行制作；

具体地，把水泥混凝土抗压强度试验数据集按照训练集和测试集比例为9：1进行划分；

步骤三：深度卷积对抗生成网络数据增强；

深度卷积对抗生成网络由生成器和判别器两部分构成；生成器随机获取100维向量作为输入，首先重构为128张6×1的特征图，后接三个大小为3×3，步长为1的反卷积层和一个大小为3×3，步长为1的卷积层；生成新的虚假试验数据，随后输入判别器；判别器采用四个大小为3×3，步长为2的卷积层，后接两个64和1的全连接层；最后，输出水泥混凝土抗压强度的试验数据预测为真/假数据的概率及预测结果；通过深度卷积对抗生成网络方法，生成新的高质量试验数据，使得试验数据的变量特征更加明显，同时扩充样本数量，提高抗压强度预测模型的准确性和稳定性，并减少过度拟合；

步骤四：基于深度学习模型的混凝土抗压强度预测；

1D CNN由四个一维卷积层和两个全连接层构成；一维卷积层的卷积核尺寸分别分3、2、1和1，数量为64、64、32和32；每层卷积层后接一个大小为2、步幅为1最大池化层；全连接层的单元数量为256和64；以上每层均使用ReLU激活函数；

VGG是在原始VGG-16的基础上删除三个512的卷积层，具体表现为：两个尺寸为3×3、数量为64的卷积层，两个尺寸为3×3、数量为128的卷积层，三个尺寸为3×3、数量为256的卷积层，三个尺寸为3×3、数量为512的卷积层；每组卷积层后接一个大小为1、步幅为2最大池化层；全连接层的单元数量分别为4096，每层均使用ReLU激活函数。

2.根据权利要求1所述的一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法，其特征在于，在水泥混凝土抗压强度试验数据集的变量统计分析基础上，利用相关性分析去除相关性不大的数据以进行降维，然后将数据集切分成若干的48×8的矩阵形式，再输入深度卷积对抗生成网络，能够学习水泥混凝土抗压强度试验数据的重要特征，生成高质量水泥混凝土抗压强度试验数据。

3.根据权利要求1所述的一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法，其特征在于，采用深度卷积对抗生成网络模型在原始模型进行以下改进：(1)反卷积代替池化操作；(2)添加批标准化的操作，稳定学习训练过程；(3)除生成器的输出层使用Tanh激活函数之外其他层使用ReLU激活函数，判别器的所有层采用LeakyReLU激活函数。

4.根据权利要求1所述的一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法，其特征在于，所述的相关性分析中，通过水泥、高炉矿渣、粉煤灰、水、减水剂、粗集料、细集料、龄期来预测抗压强度，对试验数据中的所有变量进行相关性分析；然后，利用皮尔逊相关性系数衡量特征之间的相关性，得相关性分析热图，皮尔逊相关性系数数值越接近1或-1，越具有正负相关性；粉煤灰与目标预测值的相关性小，将粉煤灰从输入端去除。

5.根据权利要求1所述的一种基于深度卷积对抗生成网络的水泥混凝土材料试验数据增强方法，其特征在于，所述的可视化分析中，创建一个由多个坐标轴构成的矩阵进行可视化；把两两变量之间的关系分别绘制在不同的坐标轴上去；将每个变量自己的分布情况显示在对角线的位置，根据可视化分析结果看出各个变量之间具有一定关联性。