CN110782078B - 一种耙吸式挖泥船出泥率预测的学习方法 - Google Patents
一种耙吸式挖泥船出泥率预测的学习方法 Download PDFInfo
- Publication number
- CN110782078B CN110782078B CN201910994901.XA CN201910994901A CN110782078B CN 110782078 B CN110782078 B CN 110782078B CN 201910994901 A CN201910994901 A CN 201910994901A CN 110782078 B CN110782078 B CN 110782078B
- Authority
- CN
- China
- Prior art keywords
- validation
- effective data
- test
- neural network
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种耙吸式挖泥船出泥率预测的学习方法。其技术方案是:将m个有效数据组随机分为训练集、交叉验证集和测试集,建立4~8个卷积神经网络模型,通过调整8种超参数得到训练集的所有卷积神经网络模型的代价函数,在交叉验证集的所有卷积神经网络模型的损失函数中选择损失函数最小的模型为最优模型,向最优模型输入测试集的特征有效数据集Xtest,得到基于最优模型的测试集中的量测有效数据集Ytest的预测值,即得基于最优模型的测试集中的量测有效数据集Ytest的出泥率预测值。本发明具有最优模型结构简单、最优模型稳定性好和耙吸式挖泥船出泥率预测的学习方法准确性高的特点,得到的出泥率预测值能为操作人员提供有益指导。
Description
技术领域
本发明属于出泥率预测技术领域。具体涉及一种耙吸式挖泥船出泥率预测的学习方法。
背景技术
耙吸式挖泥船在船首装有横向推进器,操作性能比较好,因自身结构具备抗风浪能力强和效率较高的特点,被广泛投放沿海港口、通航的河道、宽阔的江面进行疏浚作业。
Braaksma等人(J.Braaksma,J.B.Klaassens,R.Babuska and C.Keizer.Modelpredictive control for optimizing the over dredging performance of a trailingsuction hopper dredger.Proceedings of the Eighteenth World Dredging Congress,pp.1263-1274,2007.)致力于通过模型控制的策略优化疏浚操作,这种建模方法模型复杂、参数多且受不确定性因素的影响。
Li等人(W.Li,F.LinandS.Zhang.ProductionmodeldesignandoptimizationofTSHD based on genetic algorithm.International Conference on ComputationalProblem-Solving,pp.496-498,Oct.2011.)提供了一种数据驱动的模型和优化方法,采用快速级联相关算法构建人工神经网络;最近,Li等人(W.Li,Z.Su and G.Hong.Optimaldesign and applied research of a trailing suction hopper dredger loadingsystem.International Conference on Computer Science and Network Technology,pp.59-62,Oct.2017.)又采用图式搜索和遗传算法求解最优控制参数,虽得出疏浚效率的最优控制策略,但Li等人研究的模型稳定性不够和准确性不高,严重影响了耙吸式挖泥船的出泥率。
发明内容
本发明旨在克服现有技术缺陷,目的是提供一种最优模型结构简单和最优模型稳定性好的耙吸式挖泥船出泥率预测的学习方法,该耙吸式挖泥船出泥率预测的学习方法准确性高。
为了完成上述任务,本发明采用的技术方案的具体步骤是:
步骤1、根据耙吸式挖泥船操作人员给出的耙吸式挖泥船的n个原始数据组,n为≥1000的自然数。确定每个原始数据组中的特征数据和量测数据,特征数据为对地航速v、补偿器压力F、主动耙头角度θh和下耙管垂直角度θver四种参数,量测数据为混合物密度ρ和混合物流速Q两种参数。
步骤2、剔除所述原始数据组中混合物密度ρ<1.025的数据组,得到混合物密度ρ≥1.025的m个有效数据组,m为≤n的自然数。每个有效数据组包含特征有效数据x和量测有效数据y,由m个特征有效数据x构成的数据集称为特征有效数据集X,由m个量测有效数据y构成的数据集称为量测有效数据集Y。
步骤3、将m个有效数据组随机分成训练集、交叉验证集和测试集,训练集、交叉验证集和测试集占m个有效数据组的百分量依次为60%、20%和20%,Xtrain、Xvalidation和Xtest依次表示训练集中的特征有效数据集、交叉验证集中的特征有效数据集和测试集中的特征有效数据集,Ytrain、Yvalidation和Ytest依次表示训练集中的量测有效数据集、交叉验证集中的量测有效数据集和测试集中的量测有效数据集。
步骤4、建立4~8个卷积神经网络模型,每个卷积神经网络模型的网络结构均由输入层、卷积层、全连接层和输出层构成,每个卷积神经网络模型均含有8种超参数:有学习率、迭代次数、激活函数的类型、卷积核大小、卷积层层数、每层卷积层卷积核的数目、全连接层层数和每层全连接层单元数。
步骤5、向第c个卷积神经网络模型输入训练集的特征有效数据集Xtrain,通过调整所述8种超参数得到训练集的第c个卷积神经网络模型的代价函数Jc(Wc;Xtrain):
式(1)中:a表示训练集的有效数据组的个数,a为≤0.6m的自然数;
c表示第c个卷积神经网络模型,c为4~8的自然数;
Wc表示第c个卷积神经网络模型的权重,Wc是通过对第c个卷积神经网络模型的迭代优化得到;
Xtrain表示训练集中的特征有效数据集;
xtrain_i表示训练集中的特征有效数据集Xtrain的第i个特征有效数据x;
ρtrain_i表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物密度,t/m3;
Qtrain_i表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物流速,m/s;
fi(Wc;xtrain_i)表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物密度预测值,t/m3;
hi(Wc;xtrain_i)表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物流速预测值,m/s;
i表示训练集中的量测有效数据集Ytrain的量测有效数据y的序数,i为1~0.6m的自然数。
利用自适应矩估计算法对训练集的第c个卷积神经网络模型的代价函数Jc(Wc;Xtrain)最小化。相应地,得到所有卷积神经网络模型最小化后的代价函数。
步骤6、向第c个卷积神经网络模型输入交叉验证集中的特征有效数据集Xvalidation,得到交叉验证集的第c个卷积神经网络模型的代价函数Jc(Wc;Xvalidation):
式(2)中:b表示交叉验证集的有效数据组的个数,b为≤0.2m的自然数;
c表示第c个卷积神经网络模型,c为4~8的自然数;
Wc表示第c个卷积神经网络模型的权重,Wc是通过对第c个卷积神经网络模型的迭代优化得到;
Xvalidation表示交叉验证集中的特征有效数据集;
xvalidation_i表示交叉验证集中的第i个特征有效数据x;
ρvalidation_i表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物密度,t/m3;
Qvalidation_i表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物流速,m/s;
fi(Wc;xvalidation_i)表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物密度预测值,t/m3;
hi(Wc;xvalidation_i)表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物流速预测值,m/s;
i表示交叉验证集中的量测有效数据集Yvalidation的量测有效数据y的序数,i为1~0.2m的自然数。
相应地,得到交叉验证集的所有卷积神经网络模型的代价函数,在交叉验证集的所有卷积神经网络模型的代价函数中选择代价函数最小的模型为最优模型。
步骤7、向最优模型输入测试集的特征有效数据集Xtest,得到基于最优模型的测试集中的量测有效数据集Ytest的第k个量测有效数据y的混合物密度预测值和第k个量测有效数据y的混合物流速预测值即得测试集中的量测有效数据集Ytest的第k个量测有效数据y的出泥率预测值
k表示测试集中的量测有效数据集Ytest的第k个量测有效数据y,k为≤0.2m的自然数;
r表示耙吸式挖泥船耙吸管的半径,0.6m;
ρwater表示耙吸式挖泥船所在处的水密度,1.025t/m3;
ρsoil表示耙吸式挖泥船所在处的水下土壤密度,1.93t/m3。
相应地,得到基于最优模型的测试集中的量测有效数据集Ytest的所有量测有效数据y的出泥率预测值。
所述最优模型:学习率为0.003,迭代次数为5000次;最优模型由输入层、卷积层、全连接层和输出层构成。
输入层有4个神经单元,卷积层层数为1层,全连接层层数有2层,输出层有2个神经单元。
卷积层有一个卷积核,卷积核的大小为3×3。
全连接层每层有10个神经单元。
卷积层和全连接层均使用Relu函数作为激活函数。
由于采用上述技术方案,本发明与现有技术相比具有如下优点:
本发明充分利用卷积神经网络模型参数共享和层间连接的稀疏性的优点,显著降低了耙吸式挖泥船出泥率预测的学习方法中的最优模型的复杂度,减少了权值的数量,从而使得耙吸式挖泥船出泥率预测的学习方法的最优模型结构简单。
本发明将m个有效数据组随机分成训练集、交叉验证集和测试集,训练集、交叉验证集和测试集占m个有效数据组的百分量依次为60%、20%和20%,通过调整8种超参数得到训练集的所有卷积神经网络模型的代价函数,在交叉验证集的所有卷积神经网络模型的代价函数中选择代价函数最小的模型为最优模型,最优模型是所有卷积神经网络模型当中对数据泛化能力最好的模型,从而使得学习方法的最优模型稳定性好。
本发明通过多次的迭代最小化代价函数,降低最优模型的误差,从而使得学习方法的准确性高,并且得到的出泥率预测值能为操作人员提供有益指导。
因此,本发明具有最优模型结构简单、最优模型稳定性好和耙吸式挖泥船出泥率预测的学习方法准确性高的特点,得到的出泥率预测值能为操作人员提供有益指导。
具体实施方式
下面结合具体实施方式对本发明作进一步说明,并非对其保护范围的限制。
实施例1
一种耙吸式挖泥船出泥率预测的学习方法。本实施例的学习方法是:
步骤1、根据耙吸式挖泥船操作人员给出的耙吸式挖泥船的640512个原始数据组。确定每个原始数据组中的特征数据和量测数据,特征数据为对地航速v、补偿器压力F、主动耙头角度θh和下耙管垂直角度θver四种参数,量测数据为混合物密度ρ和混合物流速Q两种参数。
步骤2、剔除所述原始数据组中混合物密度ρ<1.025的数据组,得到混合物密度ρ≥1.025的625608个有效数据组(详见表1)。每个有效数据组包含特征有效数据x和量测有效数据y,由625608个特征有效数据x构成的数据集称为特征有效数据集X(详见表2),由625608个量测有效数据y构成的数据集称为量测有效数据集Y(详见表3)。
表1 625608个有效数据组
表2 特征有效数据集X
表3 量测有效数据集Y
步骤3、将625608个有效数据组随机分成训练集、交叉验证集和测试集,训练集、交叉验证集和测试集占625608个有效数据组的百分量依次为60%、20%和20%,即训练集、交叉验证集和测试集依次为375364个、125122个和125122个。Xtrain、Xvalidation和Xtest依次表示训练集中的特征有效数据集(详见表4)、交叉验证集中的特征有效数据集(详见表5)和测试集中的特征有效数据集(详见表6)。
表4 训练集中的特征有效数据集Xtrain
表5 交叉验证集中的特征有效数据集Xvalidation
表6 测试集中的特征有效数据集Xtest
Ytrain、Yvalidation和Ytest依次表示训练集中的量测有效数据集(详见表7)、交叉验证集中的量测有效数据集(详见表8)和测试集中的量测有效数据集(详见表9)。
表7 训练集中的量测有效数据集Ytrain
表8 交叉验证集中的量测有效数据集Yvalidation
表9 测试集中的量测有效数据集Ytest
步骤4、建立4个卷积神经网络模型,每个卷积神经网络模型的网络结构均由输入层、卷积层、全连接层和输出层构成,每个卷积神经网络模型均含有8种超参数:有学习率、迭代次数、激活函数的类型、卷积核大小、卷积层层数、每层卷积层卷积核的数目、全连接层层数和每层全连接层单元数。
步骤5、向第c个卷积神经网络模型输入训练集的特征有效数据集Xtrain,调整所述8种超参数(详见表10);
表10 调整四个卷积神经网络模型所对应的8种超参数
得到训练集的第c个卷积神经网络模型的代价函数Jc(Wc;Xtrain):
式(1)中:a表示训练集的有效数据组的个数,a=375364;
c表示第c个卷积神经网络模型,c=4;
Wc表示第c个卷积神经网络模型的权重,Wc是通过对第c个卷积神经网络模型的迭代优化得到;
Xtrain表示训练集中的特征有效数据集(详见表4);
xtrain_i表示训练集中的特征有效数据集Xtrain的第i个特征有效数据x(详见表4的序数第i行);
ρtrain_i表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物密度(详见表7的序数第i行的第1列),t/m3;
Qtrain_i表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物流速(详见表7的序数第i行的第2列),m/s;
fi(Wc;xtrain_i)表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物密度预测值(详见表11、表12、表13和表14),t/m3;
hi(Wc;xtrain_i)表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物流速预测值(详见表11、表12、表13和表14),m/s;
i表示训练集中的量测有效数据集Ytrain的量测有效数据y的序数,i为1~375364的自然数。
利用自适应矩估计算法对训练集的第c个卷积神经网络模型的代价函数Jc(Wc;Xtrain)最小化。相应地,依次得到第1~4个卷积神经网络模型最小化后的代价函数:
J1(W1;Xtrain)=0.53057;
J2(W2;Xtrain)=0.5330299;
J3(W3;Xtrain)=0.5206491;
J4(W4;Xtrain)=0.53163373。
训练集中的量测有效数据集Ytrain的混合物密度预测值和训练集中的量测有效数据集Ytrain的混合物流速预测值详见表11、表12、表13和表14。其中:
表11为第1个代价函数J1(W1;Xtrain)中的训练集中的量测有效数据集Ytrain的混合物密度预测值和混合物流速预测值;
表11 第1个代价函数J1(W1;Xtrain)中的混合物密度预测值和混合物流速预测值
表12为第2个代价函数J2(W2;Xtrain)中的训练集中的量测有效数据集Ytrain的混合物密度预测值和混合物流速预测值;
表12 所有卷积神经网络模型中的第2个模型所对应的训练集的预测值
表13为第3个代价函数J3(W3;Xtrain)中的训练集中的量测有效数据集Ytrain的混合物密度预测值和混合物流速预测值;
表13 所有卷积神经网络模型中的第3个模型所对应的训练集的预测值
表14为第4个代价函数J4(W4;Xtrain)中的训练集中的量测有效数据集Ytrain的混合物密度预测值和混合物流速预测值。
表14 所有卷积神经网络模型中的第4个模型所对应的训练集的预测值
步骤6、向第c个卷积神经网络模型输入交叉验证集中的特征有效数据集Xvalidation,得到交叉验证集的第c个卷积神经网络模型的代价函数Jc(Wc;Xvalidation):
式(2)中:b表示交叉验证集的有效数据组的个数,b=125122;
c表示第c个卷积神经网络模型,c=4;
Wc表示第c个卷积神经网络模型的权重,Wc是通过对第c个卷积神经网络模型的迭代优化得到;
Xvalidation表示交叉验证集中的特征有效数据集(详见表5);
xvalidation_i表示交叉验证集中的第i个特征有效数据x(详见表5的序数第i行);
ρvalidation_i表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物密度(详见表8的序数第i行的第1列),t/m3;
Qvalidation_i表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物流速(详见表8的序数第i行的第2列),m/s;
fi(Wc;xvalidation_i)表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物密度预测值(详见表15、表16、表17和表18),t/m3;
hi(Wc;xvalidation_i)表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物流速预测值(详见表15、表16、表17和表18),m/s;
i表示交叉验证集中的量测有效数据集Yvalidation的量测有效数据y的序数,i为1~125122的自然数。
相应地,依次得到第1~4个交叉验证集的所有卷积神经网络模型的代价函数:
J1(W1;Xvalidation)=0.5366038;
J2(W2;Xvalidation)=0.538964;
J3(W3;Xvalidation)=0.5262652;
J4(W4;Xvalidation)=0.53779954。
交叉验证集中的量测有效数据集Yvalidation的混合物密度预测值和交叉验证集中的量测有效数据集Yvalidation的混合物流速预测值详见表15、表16、表17和表18。其中:
表15为第1个代价函数J1(W1;Xvalidation)中的交叉验证集中的量测有效数据集Yvalidation的混合物密度预测值和混合物流速预测值;
表15 第1个代价函数J1(W1;Xvalidation)中的混合物密度预测值和混合物流速预测值
表16为第2个代价函数J2(W2;Xvalidation)中的交叉验证集中的量测有效数据集Yvalidation的混合物密度预测值和混合物流速预测值;
表16 第2个代价函数J2(W2;Xvalidation)中的混合物密度预测值和混合物流速预测值
表17为第3个代价函数J3(W3;Xvalidation)中的交叉验证集中的量测有效数据集Yvalidation的混合物密度预测值和混合物流速预测值;
表17 第3个代价函数J3(W3;Xvalidation)中的混合物密度预测值和混合物流速预测值
表18为第4个代价函数J4(W4;Xvalidation)中的交叉验证集中的量测有效数据集Yvalidation的混合物密度预测值和混合物流速预测值;
表18 第4个代价函数J4(W4;Xvalidation)中的混合物密度预测值和混合物流速预测值
在交叉验证集的所有卷积神经网络模型的代价函数中选择代价函数最小的模型为最优模型。
所述最优模型:学习率为0.003,迭代次数为5000次;最优模型由输入层、卷积层、全连接层和输出层构成。
输入层有4个神经单元,卷积层层数为1层,全连接层层数有2层,输出层有2个神经单元。
卷积层有一个卷积核,卷积核的大小为3×3。
全连接层每层有10个神经单元。
卷积层和全连接层均使用Relu函数作为激活函数。
步骤7、向最优模型输入测试集的特征有效数据集Xtest,得到基于最优模型的测试集中的量测有效数据集Ytest的第k个量测有效数据y的混合物密度预测值和第k个量测有效数据y的混合物流速预测值(详见表19)。
k表示测试集中的量测有效数据集Ytest的第k个量测有效数据y,k为≤0.2m的自然数;
r表示耙吸式挖泥船耙吸管的半径,0.6m;
ρwater表示耙吸式挖泥船所在处的水密度,1.025t/m3;
ρsoil表示耙吸式挖泥船所在处的水下土壤密度,1.93t/m3。
相应地,得到基于最优模型的测试集中的量测有效数据集Ytest的所有量测有效数据y的出泥率预测值(详见表20)。
表20 出泥率预测值
本具体实施方式与现有技术相比具有如下优点:
本具体实施方式充分利用卷积神经网络模型参数共享和层间连接的稀疏性的优点,显著降低了耙吸式挖泥船出泥率预测的学习方法中的最优模型的复杂度,减少了权值的数量,从而使得耙吸式挖泥船出泥率预测的学习方法的最优模型结构简单。
本具体实施方式将m个有效数据组随机分成训练集、交叉验证集和测试集,训练集、交叉验证集和测试集占m个有效数据组的百分量依次为60%、20%和20%,通过调整8种超参数得到训练集的所有卷积神经网络模型的代价函数,在交叉验证集的所有卷积神经网络模型的代价函数中选择代价函数最小的模型为最优模型,最优模型是所有卷积神经网络模型当中对数据泛化能力最好的模型,从而使得学习方法的最优模型稳定性好。
本具体实施方式通过多次的迭代最小化代价函数,降低最优模型的误差,从而使得学习方法的准确性高,并且得到的出泥率预测值能为操作人员提供有益指导。
因此,本具体实施方式具有最优模型结构简单、最优模型稳定性好和耙吸式挖泥船出泥率预测的学习方法准确性高的特点,得到的出泥率预测值能为操作人员提供有益指导。
Claims (2)
1.一种耙吸式挖泥船出泥率预测的学习方法,其特征在于所述耙吸式挖泥船出泥率预测方法的具体步骤是:
步骤1、根据耙吸式挖泥船操作人员给出的耙吸式挖泥船的n个原始数据组,n为≥1000的自然数;确定每个原始数据组中的特征数据和量测数据,特征数据为对地航速v、补偿器压力F、主动耙头角度θh和下耙管垂直角度θver四种参数,量测数据为混合物密度ρ和混合物流速Q两种参数;
步骤2、剔除所述原始数据组中混合物密度ρ<1.025的数据组,得到混合物密度ρ≥1.025的m个有效数据组,m为≤n的自然数;每个有效数据组包含特征有效数据x和量测有效数据y,由m个特征有效数据x构成的数据集称为特征有效数据集X,由m个量测有效数据y构成的数据集称为量测有效数据集Y;
步骤3、将m个有效数据组随机分成训练集、交叉验证集和测试集,训练集、交叉验证集和测试集占m个有效数据组的百分量依次为60%、20%和20%,Xtrain、Xvalidation和Xtest依次表示训练集中的特征有效数据集、交叉验证集中的特征有效数据集和测试集中的特征有效数据集,Ytrain、Yvalidation和Ytest依次表示训练集中的量测有效数据集、交叉验证集中的量测有效数据集和测试集中的量测有效数据集;
步骤4、建立4~8个卷积神经网络模型,每个卷积神经网络模型的网络结构均由输入层、卷积层、全连接层和输出层构成,每个卷积神经网络模型均含有8种超参数:学习率、迭代次数、激活函数的类型、卷积核大小、卷积层层数、每层卷积层卷积核的数目、全连接层层数和每层全连接层单元数;
步骤5、向第c个卷积神经网络模型输入训练集的特征有效数据集Xtrain,通过调整所述8种超参数得到训练集的第c个卷积神经网络模型的代价函数Jc(Wc;Xtrain):
式(1)中:a表示训练集的有效数据组的个数,a为≤0.6m的自然数,
c表示第c个卷积神经网络模型,c为4~8的自然数,
Wc表示第c个卷积神经网络模型的权重,Wc是通过对第c个卷积神经网络模型的迭代优化得到,
Xtrain表示训练集中的特征有效数据集,
xtrain_i表示训练集中的特征有效数据集Xtrain的第i个特征有效数据x,
ρtrain_i表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物
密度,t/m3,
Qtrain_i表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物
流速,m/s,
fi(Wc;xtrain_i)表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物密度预测值,t/m3,
hi(Wc;xtrain_i)表示训练集中的量测有效数据集Ytrain的第i个量测有效数据y的混合物流速预测值,m/s,
i表示训练集中的量测有效数据集Ytrain的量测有效数据y的序数,i为1~0.6m的自然数;
利用自适应矩估计算法对训练集的第c个卷积神经网络模型的代价函数Jc(Wc;Xtrain)最小化;相应地,得到所有卷积神经网络模型最小化后的代价函数;
步骤6、向第c个卷积神经网络模型输入交叉验证集中的特征有效数据集Xvalidation,得到交叉验证集的第c个卷积神经网络模型的代价函数Jc(Wc;Xvalidation):
式(2)中:b表示交叉验证集的有效数据组的个数,b为≤0.2m的自然数,
c表示第c个卷积神经网络模型,c为4~8的自然数,
Wc表示第c个卷积神经网络模型的权重,Wc是通过对第c个卷积神经网络模型的迭代优化得到,
Xvalidation表示交叉验证集中的特征有效数据集,
xvalidation_i表示交叉验证集中的第i个特征有效数据x,
ρvalidation_i表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物密度,t/m3,
Qvalidation_i表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物流速,m/s,
fi(Wc;xvalidation_i)表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物密度预测值,t/m3,
hi(Wc;xvalidation_i)表示交叉验证集中的量测有效数据集Yvalidation的第i个量测有效数据y的混合物流速预测值,m/s,
i表示交叉验证集中的量测有效数据集Yvalidation的量测有效数据y的序数,i为1~0.2m的自然数;
相应地,得到交叉验证集的所有卷积神经网络模型的代价函数,在交叉验证集的所有卷积神经网络模型的代价函数中选择代价函数最小的模型为最优模型;
步骤7、向最优模型输入测试集的特征有效数据集Xtest,得到基于最优模型的测试集中的量测有效数据集Ytest的第k个量测有效数据y的混合物密度预测值和第k个量测有效数据y的混合物流速预测值即得测试集中的量测有效数据集Ytest的第k个量测有效数据y的出泥率预测值
k表示测试集中的量测有效数据集Ytest的第k个量测有效数据y,k为≤0.2m的自然数,
r表示耙吸式挖泥船耙吸管的半径,且r=0.6m,
ρwater表示耙吸式挖泥船所在处的水密度,且ρwater=1.025t/m3,
ρsoil表示耙吸式挖泥船所在处的水下土壤密度,且ρsoil=1.93t/m3;
相应地,得到基于最优模型的测试集中的量测有效数据集Ytest的所有量测有效数据y的出泥率预测值。
2.按照权利要求1所述耙吸式挖泥船出泥率预测的学习方法,其特征在于所述最优模型:学习率为0.003,迭代次数为5000次,最优模型由输入层、卷积层、全连接层和输出层构成;
输入层有4个神经单元,卷积层层数为1层,全连接层层数有2层,输出层有2个神经单元;
卷积层有一个卷积核,卷积核的大小为3×3;
全连接层每层有10个神经单元;
卷积层和全连接层均使用Relu函数作为激活函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910994901.XA CN110782078B (zh) | 2019-10-18 | 2019-10-18 | 一种耙吸式挖泥船出泥率预测的学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910994901.XA CN110782078B (zh) | 2019-10-18 | 2019-10-18 | 一种耙吸式挖泥船出泥率预测的学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110782078A CN110782078A (zh) | 2020-02-11 |
CN110782078B true CN110782078B (zh) | 2023-04-25 |
Family
ID=69385965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910994901.XA Active CN110782078B (zh) | 2019-10-18 | 2019-10-18 | 一种耙吸式挖泥船出泥率预测的学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782078B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113706037A (zh) * | 2021-08-31 | 2021-11-26 | 天津大学 | 基于虚拟传感器的耙吸挖泥船的施工安全辅助监控方法 |
CN115600746A (zh) * | 2022-10-24 | 2023-01-13 | 哈尔滨工程大学(Cn) | 一种基于卷积神经网络的耙吸船能效预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
CN109360152A (zh) * | 2018-10-15 | 2019-02-19 | 天津大学 | 基于稠密卷积神经网络的三维医学图像超分辨率重建方法 |
CN110232334A (zh) * | 2019-05-26 | 2019-09-13 | 天津大学 | 一种基于卷积神经网络的钢结构锈蚀识别方法 |
CN110245695A (zh) * | 2019-05-30 | 2019-09-17 | 华中科技大学 | 一种基于卷积神经网络的tbm岩渣大小等级识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7313550B2 (en) * | 2002-03-27 | 2007-12-25 | Council Of Scientific & Industrial Research | Performance of artificial neural network models in the presence of instrumental noise and measurement errors |
-
2019
- 2019-10-18 CN CN201910994901.XA patent/CN110782078B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009525A (zh) * | 2017-12-25 | 2018-05-08 | 北京航空航天大学 | 一种基于卷积神经网络的无人机对地特定目标识别方法 |
CN109360152A (zh) * | 2018-10-15 | 2019-02-19 | 天津大学 | 基于稠密卷积神经网络的三维医学图像超分辨率重建方法 |
CN110232334A (zh) * | 2019-05-26 | 2019-09-13 | 天津大学 | 一种基于卷积神经网络的钢结构锈蚀识别方法 |
CN110245695A (zh) * | 2019-05-30 | 2019-09-17 | 华中科技大学 | 一种基于卷积神经网络的tbm岩渣大小等级识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110782078A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782078B (zh) | 一种耙吸式挖泥船出泥率预测的学习方法 | |
US11030528B1 (en) | Convolutional neural network pruning method based on feature map sparsification | |
CN108537366B (zh) | 基于最优卷积二维化的水库调度方法 | |
CN105572658B (zh) | 基于改进遗传算法的三维成像声纳接收平面阵阵元稀疏优化方法 | |
CN111292525A (zh) | 基于神经网络的交通流预测方法 | |
CN109409024B (zh) | 基于一维深度残差网络的光伏组件电压电流特性建模方法 | |
CN109933877B (zh) | 代数多重网格三维变分数据同化方法 | |
CN112488208B (zh) | 一种海岛支柱式绝缘子剩余寿命获取方法 | |
CN111444643A (zh) | 一种基于神经网络的复合材料螺旋桨铺层角优化方法 | |
CN110795891B (zh) | 一种耙吸式挖泥船操作参数的学习方法 | |
CN111983619A (zh) | 一种基于迁移学习的水声目标前向散射声扰动定位方法 | |
CN109885061A (zh) | 一种基于改进nsga-ⅱ的动力定位多目标优化方法 | |
CN114065639B (zh) | 一种挖泥船施工参数的闭环实时反演方法 | |
CN114492217B (zh) | 一种基于混合时间序列感知机模型的台风浪高预测方法 | |
CN114022812A (zh) | 一种基于轻量化SSD的DeepSort水面漂浮物多目标跟踪方法 | |
CN115204058A (zh) | 基于bp神经网络的地波雷达流场计算方法及装置 | |
CN115438571A (zh) | 一种基于机器学习的地波雷达波浪场计算方法及装置 | |
CN114841635A (zh) | 一种考虑船舶水下辐射声的生态航线规划方法 | |
CN106896724A (zh) | 用于太阳跟踪器的跟踪系统及跟踪方法 | |
CN104657949A (zh) | 一种煤泥浮选泡沫图像去噪中结构元素优化的方法 | |
CN108896330A (zh) | 一种水电机组的故障诊断方法 | |
CN105302976A (zh) | 基于spea2算法的铝电解生产优化方法 | |
CN110766234B (zh) | 基于信息融合的水泥冷却过程篦下压力预测方法 | |
CN114722666A (zh) | 一种基于深度学习的雷达吸波结构优化设计方法 | |
CN115618480A (zh) | 一种基于遗传算法的挖泥船能耗优化方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |