[发明专利]一种依据能量图谱识别生产设备的启停状态的方法

权利要求书

1.一种依据能量图谱识别生产设备的启停状态的方法，其特征在于，其包括以下步骤：

步骤1：对能量图谱进行预处理，以符合五个深度学习网络的输入尺寸；

步骤2：构建BiCoNet模型，即构建ResNet-50、InceptionV3、Inception-ResNet、Xception、DenseNet-201五个深度学习网络；

步骤3：将能量图谱输入到BiCoNet模型中，训练该模型；

步骤4：从BiCoNet模型中的五个深度网络中的池化层提取特征；

步骤5：从BiCoNet模型中的五个深度网络中的全连接层提取特征；

步骤6：将集成特征与全连接层提取的特征相结合；

步骤7：对结合后的特征进行特征选择；

步骤8：通过步骤7产生的特征进行分类。

2.根据权利要求1所述的一种依据能量图谱识别生产设备的启停状态的方法，其特征在于，所述步骤1包括以下步骤：

步骤11：将所有的能量图谱的尺寸修改为两种大小分别为224×224×3、229×229×3，ResNet-50、InceptionV3、Inception-ResNet、Xception、DenseNet-201五个网络结构的输入尺寸分别为224×224×3、224×224×3、229×229×3、229×229×3、229×229×3。

3.根据权利要求2所述的一种依据能量图谱识别生产设备的启停状态的方法，其特征在于，所述步骤2包括如下步骤：

步骤21：构建ResNet-50网络；

步骤22：构建InceptionV3网络；

步骤23：构建Inception-ResNet网络；

步骤24：构建Xception网络；

步骤25：构建网络DenseNet-201。

4.根据权利要求3所述的一种依据能量图谱识别生产设备的启停状态的方法，其特征在于，所述步骤3包括以下步骤：

步骤31：训练过程中不断调整批量参数的大小，得到最优批量参数；

步骤32：训练过程中不断调整学习率的大小，防止学习率过小造成网络陷入局部最优，学习率过大网络损失值产生震荡无法收敛；

步骤33：训练过程中不断调整迭代次数，合理的迭代次数会使网络更有效率地充分学习数据集地特征，以提高模型的分类性能。

5.根据权利要求4所述的一种依据能量图谱识别生产设备的启停状态的方法，其特征在于，所述步骤4包括以下步骤：

步骤41：分别从五个深度网络的最后一个池化层提取特征；

步骤42：将提取的深层特征用DWT进行集成。

6.根据权利要求5所述的一种依据能量图谱识别生产设备的启停状态的方法，其特征在于，所述步骤8包括以下步骤：

步骤81：将选择后的特征输入到全连接层，全连接层的激活函数为sigmoid；

步骤82：全连接层输出所有设备的启停状态。