[发明专利]一种基于卷积神经网络的大坝变形预测系统和方法

权利要求书

1.一种基于卷积神经网络的大坝变形预测系统，其特征在于，包括：

用于采集大坝数据的坝体基准点数据收集系统和大坝变形预测系统；

所述坝体基准点数据收集系统包括基准测试点分布模块、信号接收器和云服务平台；所述基准测试点分布模块通过信号接收器和云服务器平台通信；所述云服务器平台用于对基准测试点分布模块采集到的数据进行存储和预处理；

所述大坝变形预测系统包括执行计算机可用程序代码的计算机或其他可编程设备，所述计算机可用程序代码包括实现大坝变形预测的卷积神经网络；所述卷积神经网络包括用于选择构建卷积神经网络输入数据集的数据集构建模块、用于提取特征的特征提取模块和用于大坝预测变形的预测模块；

所述特征提取模块包括第一特征提取路径和第二特征提取路径，所述第一特征提取路径包括至少一个特征提取模块，所述特征提取模块为卷积层和池化层间隔交替结构，所述第二特征提取路径仅级联一个卷积层和一个池化层；所述第一特征提取路径相互叠加运算后与第二特征提取路径求和运算后连接预测模块；

所述预测模块包括依次连接的展开层、全连接层和输出层。

2.根据权利要求1所述的一种基于卷积神经网络的大坝变形预测系统，其特征在于：所述坝体基准点数据收集子系统包括传感器，所述传感器包括位移实时GPS定位传感器、坡度测量传感器、水位高度测量传感器、水压测量传感器、时间测量传感器、温度测量传感器以及海拔高度测量传感器。

3.根据权利要求1所述的一种基于卷积神经网络的大坝变形预测系统，其特征在于：所述云服务器平台根据信号产生方式的不同，将数据分为连续型数据和离散型数据，并存储到数据库中。

4.根据权利要求1所述的一种基于卷积神经网络的大坝变形预测系统，其特征在于：所述数据集构建模块分别选取m个不同时间段的时域信号，且每个时域信号有T个信号点，将选取的时域信号中的每个信号点编号，然后把所选的时域信号内编号相同的信号点所对应的测量值组合成一个二维矩阵上的一个值，最终得到一个包含选定特征信息的二维矩阵。

5.根据权利要求1所述的一种基于卷积神经网络的大坝变形预测系统，其特征在于：所述卷积层的激活函数采用PReLU函数，所述PReLU函数在阈值大于0时与ReLU函数的处理方式一样，在阈值小于0时则将这些阈值乘以一个预设的固定值。

6.根据权利要求1所述的一种基于卷积神经网络的大坝变形预测系统，其特征在于：在展开层和全连接层之间增加一个Dropout层和一个Relu层。

7.根据权利要求1所述的一种基于卷积神经网络的大坝变形预测系统，其特征在于：卷积神经网络的输入数据集包括水压分量数据、温度分量数据、时效分量数据和大坝水平位移数据。

8.一种基于卷积神经网络的大坝变形预测方法，其特征在于，包括：采集的坝体基准点数据；

将输入数据集输入预先训练完成的卷积神经网络，输出大坝变形预测结果；

所述卷积神经网络包括选择构建卷积神经网络的输入数据集的数据集构建模块、用于提取特征的特征提取模块和用于大坝预测变形的预测模块；

所述特征提取模块包括第一特征提取路径和第二特征提取路径，所述第一特征提取路径包括至少一个特征提取模块，所述特征提取模块为卷积层和池化层间隔交替结构，所述第二特征提取路径仅级联一个卷积层和一个池化层；所述第一特征提取路径相互叠加运算后与第二特征提取路径求和运算后连接预测模块；

所述预测模块包括依次连接的展开层、全连接层和输出层。

9.根据权利要求8所述的一种基于卷积神经网络的大坝变形预测方法，其特征在于：所述卷积层的激活函数采用PReLU函数，所述PReLU函数在阈值大于0时与ReLU函数的处理方式一样，在阈值小于0时则将这些阈值乘以一个预设的固定值。

10.根据权利要求8所述的一种基于卷积神经网络的大坝变形预测方法，其特征在于：在展开层和全连接层之间增加一个Dropout层和一个Relu层。