[发明专利]基于动力学响应与深度学习的采掘物特征识别方法

权利要求书

1.一种基于动力学响应与深度学习的采掘物特征识别方法，其特征在于，包括：

在采掘头动臂上设置多个采样点，采集不同工况下每个所述采样点处的应变响应数据；

提取每个采样点处的所述应变响应数据，通过特征提取、归一化处理得到应变响应特征数据根据应变响应特征数据针对不同工况的离散性，筛选出对各类工况敏感的采样点，并将筛选出的采样点的应变响应特征数据整理为数据集；

将数据集输入到采掘物特征识别网络模型中进行迭代训练，训练过程中采用随机概率20％丢弃神经元的方式以防止数据过拟合，迭代训练结束后得到最优的网络模型结构和超参数设置，通过迭代训练后的采掘物特征识别网络模型识别各种工况下的采掘物种类和其厚度。

2.根据权利要求1所述的一种基于动力学响应与深度学习的采掘物特征识别方法，其特征在于，所述应变响应数据的特征提取的计算公式为：

式中：为采样时间内采样点i应变响应的平均值；ε_i,n表示第i个采样点第n个采样时刻的应变响应；N表示采样时间内采样时刻数。

3.根据权利要求1所述的一种基于动力学响应与深度学习的采掘物特征识别方法，其特征在于，所述归一化处理的公式为：

式中：为采样点i应变响应归一化处理后对应的应变响应特征值；j表示第j个采样点；J表示采样点总数；表示采样时间内采样点i、j应变响应的平均值。

4.根据权利要求1所述的一种基于动力学响应与深度学习的采掘物特征识别方法，其特征在于，所述采掘物特征识别网络模型为一维卷积神经网络模型，由输入至输出依次包括2个一维卷积层、1个池化层、2个一维卷积、1个池化层、1个丢弃层和3个全连接层。

5.根据权利要求4所述的一种基于动力学响应与深度学习的采掘物特征识别方法，其特征在于，所述丢弃层的操作中，采用随机概率20％进行神经元丢弃。

6.根据权利要求4所述的一种基于动力学响应与深度学习的采掘物特征识别方法，其特征在于，所述一维卷积神经网络模型中的padding采用same边部补零的方式。

7.根据权利要求4所述的一种基于动力学响应与深度学习的采掘物特征识别方法，其特征在于，所述一维卷积神经网络模型中的优化器采用Adam，学习率设置为0.001。