[发明专利]基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法

权利要求书

1.一种基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法，其特征在于：所述方法包括如下步骤：

(1)通过瞬态变温光纤光栅传感器获取测点的变温特征指标，通过烘干法或含水率传感器获取测点的土体含水率真值；

(2)将所述测点的变温特征指标和土体含水率真值作为数据集，并将数据集划分为训练数据集和测试数据集；

(3)对训练数据集的变温特征指标和土体含水率真值，以及测试数据集的变温特征指标进行归一化处理；

(4)建立人工神经网络模型并训练，基于人工神经网络模型，建立适用于瞬态变温光纤光栅传感器的标定模型，并对归一化的训练数据集进行训练，得到已训练的人工神经网络模型；

(5)将测试数据集的归一化变温特征指标输入已训练的人工神经网络模型，得到人工神经网络预测的土体含水率归一化值；

(6)将人工神经网络预测的土体含水率归一化值进行返归一化处理，并计算返归一化的土体含水率值与土体含水率真值之间的均方根误差RMSE；

(7)进行人工神经网络模型验证，设置期望RMSE，若测试步骤(6)中的RMSE期望RMSE，重复步骤(4)至(6)；若测试步骤(6)中的RMSE≦期望RMSE，则将训练后的人工神经网络模型作为测点的标定模型；

(8)完成所有测点的标定，得到基于人工神经网络的瞬态变温光纤光栅传感器的土体含水率标定模型；

(9)将测得的变温特征指标输入土体含水率标定模型来原位监测土体含水率。

2.根据权利要求1所述的基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法，其特征在于：步骤(3)中所述的数据集归一化处理，将变温特征指标和土体含水率真值归一化为[0,1]之间的数值，归一化表达式如下：

式中：y_ΔT(i)为第i组归一化后的变温特征指标，y_θ(i)为第i组归一化后的土体含水率值；ΔT_i为数据集中第i组变温特征指标，ΔT_max为数据集中第i组最大变温特征指标，ΔT_min为数据集中第i组最小变温特征指标；θ_i为数据集中第i组土体含水率，θ_max为数据集中最大土体含水率，θ_min为数据集中最小土体含水率。

3.根据权利要求1所述的基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法，其特征在于：步骤(6)中所述的土体含水率值返归一化处理时，将土体含水率归一化值还原为原始的数量级，表达式如下：

θ₀'(i)＝y_θ'(i)×(θ_max-θ_min)+θ_min (3)

式中：θ₀'(i)为第i组土体含水率返归一化值；y_θ'(i)为基于人工神经网络模型得到的第i组土体含水率归一化值。

4.根据权利要求1所述的基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法，其特征在于：步骤(4)中，将建立的人工神经网络模型分为输入层、隐含层和输出层，设置所述人工神经网络模型的输入层为测点和相邻测点的变温特征指标，输出层为测点的土体含水率真值。

5.根据权利要求4所述的基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法，其特征在于：步骤(4)中，通过调整隐含层的单元节点个数和学习速率对人工神经网络模型进行优化。

6.根据权利要求4所述的基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法，其特征在于：步骤(4)中，人工神经网络模型训练分为正向和反向传播，在正向传播中，输入层经过隐含层的单元节点处理，并传向输出层，若输出层得不到期望的输出，则反向传播，将误差信号沿原隐含层的单元节点返回。