CN112632680B - 基于深度学习的大型土木工程结构的渗漏水状况重建方法 - Google Patents

基于深度学习的大型土木工程结构的渗漏水状况重建方法 Download PDF

Info

Publication number
CN112632680B
CN112632680B CN202011611292.4A CN202011611292A CN112632680B CN 112632680 B CN112632680 B CN 112632680B CN 202011611292 A CN202011611292 A CN 202011611292A CN 112632680 B CN112632680 B CN 112632680B
Authority
CN
China
Prior art keywords
training
loss factor
rssi
deep learning
leakage
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
Application number
CN202011611292.4A
Other languages
English (en)
Other versions
CN112632680A (zh
Inventor
张伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202011611292.4A priority Critical patent/CN112632680B/zh
Publication of CN112632680A publication Critical patent/CN112632680A/zh
Application granted granted Critical
Publication of CN112632680B publication Critical patent/CN112632680B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/045—Combinations of networks
    • 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)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Architecture (AREA)
  • Civil Engineering (AREA)
  • Structural Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明提供一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，可根据无线电波传播路径损耗原理测量得到接收信号强度指示RSSI数据，并经渗漏水状况重建模型得到损耗因子分布图像，其中，模型训练过程为，首先对RSSI序列正问题仿真数值求解并归一化得到RSSI序列数据集以及路径损耗因子图像数据集，并由数据得出正问题规模、属性维数以及标签图像维度来确定模型架构以及初始化参数，然后经由训练学习算法得到渗漏水状况重建模型。该方法通过易获得RSSI数据与损耗因子分布图像之间的相关映射关系可以在较大面积、较大规模尺度上更及时实现大型土木工程结构的渗漏水状态重建，可减少渗漏水灾害导致的结构损坏、经济损失与人员伤亡。

Description

基于深度学习的大型土木工程结构的渗漏水状况重建方法
技术领域
本发明涉及一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，涉及大型土木结构渗漏水无线监测领域。
背景技术
在基础设施建设过程中，盾构隧道的结构安全是管廊、隧道建设能够正常运行的重要保障，那么渗漏水是最常见也是最典型的一种盾构隧道结构灾害，因此实现渗漏水检测和实时监控尤为重要。目前常见的隧道管廊渗漏水检测的方案有人工目测或量测、红外热成像检测、激光扫描无损检测、地质雷达检测、超声波检测以及无线传感器网络数据检测。通过基于无线传感器网络数据重建一片区域的渗漏水状况在数学上可以抽象成逆问题求解，而经典逆问题多采用迭代正则化求解逆问题，正则化虽然在一定程度上能改善逆问题的不适定性，但依赖较多的先验知识，在面对复杂数据时仍然效果有限，需要进一步改善。
发明内容
为解决上述问题，提供一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，本发明采用了如下技术方案：
本发明提供了一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，根据输入的无线通信信号的接收信号强度指示(RSSI)数据，通过训练好的渗漏水状况重建模型得出空间区域路径的损耗因子分布图像用于指示空间渗漏水情况：，其特征在于，包括：步骤1-1，由无线传感器网络测量得到RSSI数据；步骤1-2，将RSSI数据送入预先训练得到的渗漏水状况重建模型得到损耗因子分布图像；步骤1-3，输出损耗因子分布图像；其中，渗漏水状况重建模型的训练过程包括以下子步骤：步骤2-1，通过对无线信号传播过程正问题进行数值仿真计算得到训练用RSSI数据以及训练用损耗因子分布图像；步骤2-2，对训练用RSSI数据和训练用损耗因子分布图像，分别进行归一化的处理从而得到由训练用RSSI数据组成的RSSI数据集以及由训练用损耗因子分布图像组成的损耗因子图像数据集，步骤2-3，针对RSSI数据集以及损耗因子图像数据集设置参数，预先设定的训练学习算法得到正问题规模、RSSI数据的属性维数以及损耗因子分布图像的标签图像维度；步骤2-4，根据正问题规模、属性维数、标签图像维度确定深度学习网络的模型架构以及初始化参数；步骤2-5，根据初始化参数对深度学习网络进行初始化得到待训练渗漏水状况重建模型；步骤2-6，根据损失误差最小原则对待训练渗漏水状况重建模型进行模型参数训练，并将训练得到的模型作为渗漏水状况重建模型。
本发明提供的一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，还可以具有这样的技术特征，其中，记RSSI数据集设置为S，损耗因子图像数据集设置为N，S以及N表示的含义分别为：
Figure BDA0002874641660000021
式中，m是表示训练样本数目，n1是训练集样本的RSSI数据的数目，n2×n2是训练集样本标签图像的像素规模。
本发明提供的一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，还可以具有这样的技术特征，其中，渗漏水状况重建模型包括输入层、全连接运算、神经元重组卷积运算以及输出层，除了输出层无激活函数，输入层、全连接运算、神经元重组卷积运算均具有激活函数。
本发明提供的一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，还可以具有这样的技术特征，其中，初始化参数包括权重、学习率、损失函数、学习优化算法、最大迭代次数。
发明作用与效果
根据本发明提供的一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，将RSSI数据通过预先训练得到的渗漏水状况重建模型得到损耗因子分布图像并输出，其中，渗漏水状况重建模型的训练过程为，首先通过对RSSI数据正问题进行仿真计算并通过归一化处理得到RSSI数据集以及损耗因子图像数据集，然后设置深度学习网络的模型架构以及初始化参数，基于该RSSI数据集以及损耗因子图像数据集经由预先设定的训练学习算法来确定深度学习网络的最终模型，训练过程中训练中采用损失误差最小原则训练得到渗漏水状况重建模型。
另外，还由于通过利用深度机器学习方法学习到RSSI数据与损耗因子分布图像之间的映射关系，从而能够更好地根据实际的RSSI数据测得重建空间区域的渗漏水状况。
同时，还由于本发明的渗漏水监测方法是基于无线电波传播路径损耗原理，并基于RSSI数据进行，从而能够在较大面积、较大规模尺度上更及时的实现大型土木的渗漏水监测重建，较传统以温湿度监测为主的方法能够极大拓展监测的空间范围，能够更有效的感知一个区域的变化，并减少渗漏水灾害所带来的经济损失与人员伤亡。
通过这种着重于对初始化参数的优化以及RSSI数据集以及损耗因子图像数据集的生成能够在将渗漏水状况重建模型投入使用时提高根据RSSI数据来进行空间区域渗水状况预测的效率，从而能够在较大面积、较大规模、更及时实现大型土木的渗漏水监测重建，极大地减少渗漏水灾害所带来的经济损失与人员伤亡。
此外，本发明的渗漏水状态重建方法采用深度神经网络模型，较传统逆问题的迭代正则化求解方案，复杂性显著降低，且能够较好的解决该类逆问题的病态性和不适定性并得到更加稳定可靠的重建结果。
附图说明
图1是本发明实施例中的一种基于深度学习的大型土木工程结构的渗漏水状况重建方法的流程图；
图2是本发明实施例中渗漏水状况重建模型的架构图；以及
图3是本发明实施例中渗漏水状况重建模型的重建原理图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的一种基于深度学习的大型土木工程结构的渗漏水状况重建方法作具体阐述。
<实施例>
本实施例涉及一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，其原理为：由于大型土木结构渗漏水改变了电磁特性并由此影响到空间电磁波的传播，这种情况的出现使无线传感器通信的接受信号强度指示RSSI值发生了相应的变化。本实施例中，RSSI数据为一串RSSI序列。
图1是本发明实施例中的一种基于深度学习的大型土木工程结构的渗漏水状况重建方法的流程图。
如图1所示，大型土木工程结构的渗漏水状况重建方法包括步骤1-1至步骤1-3，具体如下：
步骤1-1，由无线传感器测量得到的RSSI序列，然后进入步骤1-2；
步骤1-2，将RSSI序列预先训练得到的渗漏水状况重建模型得到损耗因子分布图像，然后进入步骤1-3；
步骤1-3，输出损耗因子分布图像，而该损耗因子图像与空间中的渗漏水严重程度呈显著正相关，这是由无线电波传播特性受水的影响较大所决定的，因此该分布图像可作为渗漏水严重程度的参考估计值。至此结束流程。
图2是本发明实施例中渗漏水状况重建模型的架构图。
如图2所示，渗漏水状况重建模型为通过将输入的RSSI序列通过单元重组层(神经元重组卷积运算层)以及三个卷积层(隐含层)输出路径损耗因子分布图像。
其中，渗漏水状况重建模型包括输入层、全连接运算、神经元重组卷积运算层以及输出层，除了输出层无激活函数，输入层、全连接运算、神经元重组卷积运算均具有激活函数。
在本实施例中，输入渗漏水状况重建模型的RSSI序列的长度为120(即n1＝120)，该RSSI序列经过输入层后通过一次全连接运算得到第一个隐含层(形状为3136*1)，通过一次神经元重组得到第二个隐含层(规模为7*7*36)，在依次通过隐含层规模分别为14*14*64、28*28*32、28*28*1的三次卷积运算，最后从输出层输出一幅二维图像(图像规模n2×n2＝28×28)。采用的激活函数均为Relu函数，即f(x)＝max(0,x)。
其中，渗漏水状况重建模型训练过程包括步骤2-1至步骤2-6。
图3是本发明实施例中渗漏水状况重建模型的重建原理图。
如图3所示，该图表示了通过无线传感器网络获得RSSI数据通过数据归一化预处理并通过深度网络重建模型计算可得到损耗因子分布图像并将其作为渗漏水严重程度的表征。
步骤2-1，利用无线电波随传播距离增加而衰减的物理规律对4*4的传感器网络中的无线信号传播进行模拟，模拟时假定这16个无线传感器以4*4网格状纵横分布且发射功率都相同，并在空间中随机生成一些渗漏水区域(也即损耗因子分布图像)，此模拟过程也即正问题数值计算过程，由此每个无线传感器都可以得到其它15个无线传感器无线信号传输到自己位置的信号强度(即RSSI值)，据此得到训练用的一个原始RSSI序列以及对应的原始损耗因子分布图像，它们合在一起构成一个训练样本。对深度模型而言，RSSI序列就是输入，损耗因子分布图像就是输出。用随机生成数据的方法如此反复多次，得到包含多个训练样本的训练集，然后进入步骤2-2。
在本实施例中，通过16个空间无线传感器两两通信并受环境渗漏水状况的影响，得到长度为120的RSSI序列，该序列中每个数都代表了一组发射传感器和接收传感器之间的RSSI值，16个无线传感器最终会产生120个数据。
步骤2-2，对训练用原始RSSI序列和训练用原始损耗因子分布图像分别进行归一化的处理从而得到由训练用RSSI序列组成的RSSI序列数据集以及由训练用损耗因子分布图像组成的损耗因子图像数据集，然后进入步骤2-3。
其中，RSSI序列数据集设置为S，损耗因子图像数据集设置为N，S以及N表示的含义分别为：
Figure BDA0002874641660000071
Figure BDA0002874641660000072
式中，m是表示训练样本数目，n1是RSSI序列数据集中RSSI序列的数目，n2×n2是损耗因子图像数据集中损耗因子图像的像素规模。
归一化处理通过Z-score方法实行，通过将训练用RSSI序列和训练用损耗因子分布图像的数据保持在[0,1]区间内，归一化公式为：
Figure BDA0002874641660000081
式中，X是处理前的原始RSSI序列值或空间路径损耗因子分布图像像素值，X*是归一化后的数值，μ是处理前RSSI序列或损耗因子分布图像的像素值的均值，σ是处理前RSSI序列或损耗因子分布图像的像素值的标准差。
在本实施例中，经过对60000组数据完成数据归一化预处理之后，得到由归一化训练用RSSI序列组成的RSSI序列数据集S(S∈R60000×120)和由归一化路径损耗因子分布图像组成的损耗因子图像数据集N(N∈R60000×28×28)。
步骤2-3，基于RSSI序列数据集以及损耗因子图像数据集确定基本参数，包括正问题规模(示例中为4*4)、RSSI序列维数(示例中为120)、损耗因子图像维度(示例中为28*28)。这些参数影响到下一环节网络参数设置。当网络输出和训练集中的图像足够相似时训练算法中止。
步骤2-4，根据正问题规模、属性维数、标签图像维度确定深度学习网络的模型架构以及初始化参数，然后进入步骤2-5。
其中，初始化参数包括权重、学习率、损失函数、学习优化算法、最大迭代次数。如图2所示，网络结构和每层结构符合U-net网络结构。
在本实施例中，采用的损失函数为结构相似性指标SSMI(StructuralSimilarity)。训练优化算法为Adam算法，学习率为∈＝0.3。
步骤2-5，根据2-2环节构造的训练集和2-3环节的初始化参数设置对深度学习网络进行初始化得到初始模型，然后进入步骤2-6。
步骤2-6，根据损失误差最小原则对待训练渗漏水状况重建模型进行模型参数训练并将训练得到的待训练渗漏水状况重建模型作为渗漏水状况重建模型，在本实施例中，采用的损失函数为结构相似性指标SSMI(Structural Similarity)。训练优化算法为Adam算法，学习率为∈＝0.3，并且通过批量训练算法的方式以100为一次得数据规模共完成600次批量学习并监控在训练过程中的损失函数变化。
步骤2-7，在得到用于渗漏水状况重建的深度网络模型后，即可在实际中直接应用。模型的应用无需前述训练环节。只需要讲传感器网络输出的RSSI数值送入模型，即可在模型输出端得出一个重建图像，该图像即为能够检测出大型土木工程结构出现渗漏水状况的损耗因子分布图像。
实施例作用与效果
根据本实施例提供的一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，基于RSSI序列并通过深度神经网络模型可以很好的重建损耗因子分布图像作为渗漏水图像，其中，模型训练过程为，首先对RSSI序列正问题仿真求解并归一化得到RSSI序列数据集以及路径损耗因子图像数据集，并经由训练学习算法得正问题规模、属性维数以及标签图像维度来确定模型架构以及初始化参数，进一步训练得到渗漏水状况重建模型。
另外，在上述实施例中，可根据无线电波传播路径损耗原理测量得到接收信号强度指示RSSI数据，并经渗漏水状况重建模型得到损耗因子分布图像，其中，模型训练过程为，首先对RSSI序列正问题仿真数值求解并归一化得到RSSI序列数据集以及路径损耗因子图像数据集，并由数据得出正问题规模、属性维数以及标签图像维度来确定模型架构以及初始化参数，然后经由训练学习算法得到渗漏水状况重建模型。实验表明重建的有效性。该方法通过易获得得RSSI数据与损耗因子分布图像之间的相关映射关系可以在较大面积、较大规模尺度上更及时实现大型土木工程结构的渗漏水状态重建，可减少渗漏水灾害导致的结构损坏、经济损失与人员伤亡。深度学习方法减小了传统逆问题求解过程中由病态性和不适定性带来得挑战，较复杂的迭代正则化方法可以输出更好得重建结果。
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。

Claims (4)

1.一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，可根据输入的无线通信信号的RSSI数据，通过训练好的渗漏水状况重建模型得出空间区域路径的损耗因子分布图像用于指示空间渗漏水情况，其特征在于，包括如下步骤：
步骤1-1，由无线传感器网络测量得到所述RSSI数据；
步骤1-2，将所述RSSI数据送入预先训练得到的渗漏水状况重建模型得到所述损耗因子分布图像；
步骤1-3，输出所述损耗因子分布图像，
其中，所述渗漏水状况重建模型的训练过程包括以下子步骤：
步骤2-1，通过对无线信号传播过程正问题进行数值仿真计算得到训练用RSSI数据以及训练用损耗因子分布图像；
步骤2-2，对所述训练用RSSI数据和所述训练用损耗因子分布图像分别预处理，包括归一化以及组合，形成用于深度学习网络训练的RSSI数据集以及损耗因子图像数据集；
步骤2-3，针对所述RSSI数据集以及所述损耗因子图像数据集设置参数，包括正问题规模、所述RSSI数据的属性维数以及所述损耗因子分布图像的标签图像维度；
步骤2-4，根据所述正问题规模、所述属性维数、所述标签图像维度确定深度学习网络的模型架构以及初始化参数；
步骤2-5，根据所述初始化参数对所述深度学习网络进行初始化得到待训练渗漏水状况重建模型；
步骤2-6，根据损失误差最小原则对所述待训练渗漏水状况重建模型进行模型参数训练，并将训练得到的模型作为所述渗漏水状况重建模型。
2.根据权利要求1所述的一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，其特征在于：
其中，RSSI数据集设置为S，损耗因子图像数据集设置为N，S以及N的含义分别为：
Figure FDA0003653971350000021
Figure FDA0003653971350000022
式中，m是表示训练样本数目，n1是训练集样本的RSSI序列的数目，n2×n2是训练集样本标签图像的像素规模。
3.根据权利要求1所述的一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，其特征在于：
其中，所述渗漏水状况重建模型包括输入层、全连接运算、神经元重组卷积运算以及输出层，除了所述输出层无激活函数，所述输入层、所述全连接运算、所述神经元重组卷积运算均具有激活函数。
4.根据权利要求1所述的一种基于深度学习的大型土木工程结构的渗漏水状况重建方法，其特征在于：
其中，所述初始化参数包括权重、学习率、损失函数、学习优化算法、最大迭代次数。
CN202011611292.4A 2020-12-30 2020-12-30 基于深度学习的大型土木工程结构的渗漏水状况重建方法 Active CN112632680B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011611292.4A CN112632680B (zh) 2020-12-30 2020-12-30 基于深度学习的大型土木工程结构的渗漏水状况重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011611292.4A CN112632680B (zh) 2020-12-30 2020-12-30 基于深度学习的大型土木工程结构的渗漏水状况重建方法

Publications (2)

Publication Number Publication Date
CN112632680A CN112632680A (zh) 2021-04-09
CN112632680B true CN112632680B (zh) 2022-08-05

Family

ID=75287010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011611292.4A Active CN112632680B (zh) 2020-12-30 2020-12-30 基于深度学习的大型土木工程结构的渗漏水状况重建方法

Country Status (1)

Country Link
CN (1) CN112632680B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033702B (zh) * 2021-04-21 2022-12-13 上海勘察设计研究院(集团)有限公司 一种基于时空数据的结构安全预警方法
CN113591363B (zh) * 2021-07-29 2023-12-12 云南电网有限责任公司保山供电局 一种基于多频超声检测的变压器油介质损耗回归预测方法
CN114495019B (zh) * 2022-04-15 2022-06-21 中国矿业大学(北京) 一种管廊渗漏病害的实时监测和动态反馈方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107064913A (zh) * 2017-03-10 2017-08-18 上海斐讯数据通信技术有限公司 一种基于深度学习的无线定位方法及系统
CN107124696A (zh) * 2017-03-20 2017-09-01 东华大学 一种基于蓝牙rssi的无钥匙系统定位方法
CN107968689A (zh) * 2017-12-06 2018-04-27 北京邮电大学 基于无线通信信号的感知识别方法及装置
CN109374049A (zh) * 2018-10-25 2019-02-22 四川大学 一种隧道围岩变形监测报警装置
KR20200017612A (ko) * 2018-08-08 2020-02-19 (주)휴빌론 딥러닝을 이용한 위치 측위 학습 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107387103B (zh) * 2017-08-22 2019-06-14 华东交通大学 一种盾构隧道的重建施工方法
CN110345906A (zh) * 2018-04-07 2019-10-18 张亚标 隧道拱顶下沉的实时标高测量方法及测量装置
CN111932548B (zh) * 2020-04-21 2022-04-22 南京航空航天大学 一种基于深度学习的地铁隧道细微裂缝分割方法
CN111833449B (zh) * 2020-06-30 2023-10-31 南京航空航天大学 地铁隧道内部环境三维重建和病害智能识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107064913A (zh) * 2017-03-10 2017-08-18 上海斐讯数据通信技术有限公司 一种基于深度学习的无线定位方法及系统
CN107124696A (zh) * 2017-03-20 2017-09-01 东华大学 一种基于蓝牙rssi的无钥匙系统定位方法
CN107968689A (zh) * 2017-12-06 2018-04-27 北京邮电大学 基于无线通信信号的感知识别方法及装置
KR20200017612A (ko) * 2018-08-08 2020-02-19 (주)휴빌론 딥러닝을 이용한 위치 측위 학습 방법
CN109374049A (zh) * 2018-10-25 2019-02-22 四川大学 一种隧道围岩变形监测报警装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Water Pipeline Leakage Detection Based on Machine;Yang Liu,et al;《sensors》;20191121;正文第1-21页 *
一种改进BP神经网络的接收信号强度测距算法;余振宝 等;《测绘科学》;20201130;正文第48-52、67页 *
基于深度学习的盾构隧道渗漏水病害图像识别;黄宏伟 等;《岩石力学与工程学报》;20171231;正文第2861-2871页 *

Also Published As

Publication number Publication date
CN112632680A (zh) 2021-04-09

Similar Documents

Publication Publication Date Title
CN112632680B (zh) 基于深度学习的大型土木工程结构的渗漏水状况重建方法
CN107748736B (zh) 一种基于随机森林的多因子遥感地表温度空间降尺度方法
Lee et al. Automated fatigue damage detection and classification technique for composite structures using Lamb waves and deep autoencoder
CN111639747B (zh) 一种基于bp神经网络的gnss-r海面风速反演方法及系统
CN111639746B (zh) 一种基于cnn神经网络的gnss-r海面风速反演方法及系统
Wang et al. Prediction model of natural gas pipeline crack evolution based on optimized DCNN-LSTM
US11782183B2 (en) Magnetotelluric inversion method based on fully convolutional neural network
CN113009447B (zh) 基于深度学习和探地雷达的道路地下空洞检测预警方法
CN110440148B (zh) 一种漏损声信号分类识别方法、装置及系统
Li et al. Few-Shot Learning with Generative Adversarial Networks Based on WOA13 Data.
CN117292148B (zh) 一种基于定向钻探及测试数据的隧道围岩级别评估方法
JP6396037B2 (ja) データ解析装置及び方法
CN110837111B (zh) 地震数据插值方法及系统
Takahashi et al. Microwave subsurface imaging method by incorporating radar and tomographic approaches
CN113468804A (zh) 一种基于矩阵束和深度神经网络的地下管道识别方法
CN116863959A (zh) 一种基于生成对抗网络的海豚叫声生成方法
CN116740567A (zh) 用于泡桐幼苗栽培的土壤含水率检测方法及系统
CN116452574A (zh) 一种基于改进YOLOv7的缝隙检测方法、系统和存储介质
Zhengjie et al. Leveraging deep learning techniques for ship pipeline valve leak monitoring
Li et al. A small leakage detection approach for gas pipelines based on CNN
CN115598714A (zh) 基于时空耦合神经网络的探地雷达电磁波阻抗反演方法
CN115641263A (zh) 基于深度学习的单幅电力设备红外图像超分辨率重建方法
Feng et al. Subsurface Object 3D Modeling Based on Ground Penetration Radar Using Deep Neural Network
Apolinario et al. Estimation of 2D velocity model using acoustic signals and convolutional neural networks
CN114139648B (zh) 一种尾矿充填管路异常智能检测方法及系统

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