CN116340703A - 基于数据的土样参数测量方法及其系统 - Google Patents

Abstract

本申请涉及智能测量领域，其具体地公开了一种基于数据的土样参数测量方法及其系统，其通过采用基于深度学习的神经网络模型，通过包含多个全连接层的深度神经网络模提取出动三轴原始数据在时序上的单点高维隐含特征信息，进一步通过上下文编码以提取出所述各个预定时间点下关于动三轴原始数据中的各个数据项的隐含关联特征间基于时序全局的动态关联性特征分布信息，从而得到时间全局上下文语义关联特征向量，继而使用解码器对其进行解码回归。这样，能够得到待测试土样的剪切模量和阻尼的精确值，以此来提高对于土层反应分析的精准度。

Description

基于数据的土样参数测量方法及其系统

技术领域

本申请涉及智能测量领域，且更为具体地，涉及一种基于数据的土样参数测量方法及其系统。

背景技术

对于土层反应分析中，土的动剪切模量和阻尼是重要的计算参数，为获取较为准确的数值需要根据相关理论对离散数据进行计算。现有技术中，对剪切模量和阻尼的计算较为粗糙，计算过程较为繁琐，计算结果不甚理想。如阻尼的计算需要将数据模糊成一个标准图形，这样计算简单但结果粗糙；或者将数据在cad中制图后求取面积，这样结果虽然较为准确但计算过程繁琐。

通过室内动三轴实验，可获得待测量土样在振动过程中的基本数据，例如，如不同时间下动应力、动应变、动孔压等参数。在得到上述基本数据后，可通过解析公式来得到动剪切模量和阻尼。但是，在获得基础数据的过程中，数据测量误差是不可忽略的影响要素，并且，通过解析公式难以精准拟合基础数据与动剪切模量和阻尼之间的函数映射关系，导致最终测量得到的动剪切模量和阻尼的精准度较低。

因此，期待一种优化的基于数据的土样参数测量方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于数据的土样参数测量方法及其系统，其通过采用基于深度学习的神经网络模型，通过包含多个全连接层的深度神经网络模提取出动三轴原始数据在时序上的单点高维隐含特征信息，进一步通过上下文编码以提取出所述各个预定时间点下关于动三轴原始数据中的各个数据项的隐含关联特征间基于时序全局的动态关联性特征分布信息，从而得到时间全局上下文语义关联特征向量，继而使用解码器对其进行解码回归。这样，能够得到待测试土样的剪切模量和阻尼的精确值，以此来提高对于土层反应分析的精准度。

根据本申请的一个方面，提供了一种基于数据的土样参数测量方法，其包括：获取待测量土样在动三轴实验的振动过程中多个预定时间点的动三轴原始数据，其中，所述动三轴原始数据包括轴向力、轴向位移、孔压和围压；将所述各个预定时间点的动三轴原始数据通过包含多个全连接层的深度神经网络模型以得到多个单点原始数据深度关联特征向量；将所述多个单点原始数据深度关联特征向量通过基于转换器的上下文编码器以得到时间全局上下文语义关联特征向量；对所述时间全局上下文语义关联特征向量进行特征分布调制以得到优化时间全局上下文语义关联特征向量；以及将所述优化时间全局上下文语义关联特征向量通过第一解码器以得到第一解码值，所述第一解码值为待测试土样的剪切模量。

在上述基于数据的土样参数测量方法中，将所述各个预定时间点的动三轴原始数据通过包含多个全连接层的深度神经网络模型以得到多个单点原始数据深度关联特征向量，包括：使用所述深度神经网络模型的全连接层以如下公式对所述各个预定时间点的动三轴原始数据进行全连接编码以得到所述多个单点原始数据深度关联特征向量，其中，所述公式为：

，其中/>

是所述各个预定时间点的动三轴原始数据，/>

是输出向量，/>

是权重矩阵，/>

是偏置向量，/>

表示矩阵相乘。

在上述基于数据的土样参数测量方法中，所述包含多个全连接层的深度神经网络模型为多层感知机模型。

在上述基于数据的土样参数测量方法中，将所述多个单点原始数据深度关联特征向量通过基于转换器的上下文编码器以得到时间全局上下文语义关联特征向量，包括：使用所述上下文编码器的转换器对所述多个单点原始数据深度关联特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义单点原始数据深度关联特征向量；以及，将所述多个全局上下文语义单点原始数据深度关联特征向量进行级联以得到所述时间全局上下文语义关联特征向量。

在上述基于数据的土样参数测量方法中，所述使用所述上下文编码器的转换器对所述多个单点原始数据深度关联特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义单点原始数据深度关联特征向量，包括：将所述多个单点原始数据深度关联特征向量进行一维排列以得到全局单点原始数据深度关联特征向量；计算所述全局单点原始数据深度关联特征向量与所述多个单点原始数据深度关联特征向量中各个单点原始数据深度关联特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过归一化指数函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个单点原始数据深度关联特征向量中各个单点原始数据深度关联特征向量进行加权以得到所述多个上下文语义单点原始数据深度关联特征向量；将所述多个上下文语义单点原始数据深度关联特征向量进行级联以得到所述多个全局上下文语义单点原始数据深度关联特征向量。

在上述基于数据的土样参数测量方法中，对所述时间全局上下文语义关联特征向量进行特征分布调制以得到优化时间全局上下文语义关联特征向量，包括：以如下公式对所述时间全局上下文语义关联特征向量进行向量赋范的希尔伯特概率空间化以得到所述优化时间全局上下文语义关联特征向量；其中，所述公式为：

，其中/>

是所述时间全局上下文语义关联特征向量，/>

表示所述时间全局上下文语义关联特征向量的二范数，

表示所述时间全局上下文语义关联特征向量的二范数的平方，/>

是所述时间全局上下文语义关联特征向量的第/>

个特征值，/>

表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且/>

是所述优化时间全局上下文语义关联特征向量的第/>

个特征值。

在上述基于数据的土样参数测量方法中，将所述优化时间全局上下文语义关联特征向量通过第一解码器以得到第一解码值，所述第一解码值为待测试土样的剪切模量，包括：使用所述解码器以如下公式将所述优化时间全局上下文语义关联特征向量进行解码回归以获得用于表示待测试土样的剪切模量的解码值；其中，所述公式为：

，其中/>

表示所述优化时间全局上下文语义关联特征向量，/>

是所述解码值，/>

是权重矩阵，/>

表示矩阵相乘。

根据本申请的另一方面，提供了一种基于数据的土样参数测量系统，其包括：数据获取模块，用于获取待测量土样在动三轴实验的振动过程中多个预定时间点的动三轴原始数据，其中，所述动三轴原始数据包括轴向力、轴向位移、孔压和围压；全连接编码模块，用于将所述各个预定时间点的动三轴原始数据通过包含多个全连接层的深度神经网络模型以得到多个单点原始数据深度关联特征向量；上下文编码模块，用于将所述多个单点原始数据深度关联特征向量通过基于转换器的上下文编码器以得到时间全局上下文语义关联特征向量；特征分布调制模块，用于对所述时间全局上下文语义关联特征向量进行特征分布调制以得到优化时间全局上下文语义关联特征向量；以及解码模块，用于将所述优化时间全局上下文语义关联特征向量通过第一解码器以得到第一解码值，所述第一解码值为待测试土样的剪切模量。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的基于数据的土样参数测量方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的基于数据的土样参数测量方法。

与现有技术相比，本申请提供的一种基于数据的土样参数测量方法及其系统，其通过采用基于深度学习的神经网络模型，通过包含多个全连接层的深度神经网络模提取出动三轴原始数据在时序上的单点高维隐含特征信息，进一步通过上下文编码以提取出所述各个预定时间点下关于动三轴原始数据中的各个数据项的隐含关联特征间基于时序全局的动态关联性特征分布信息，从而得到时间全局上下文语义关联特征向量，继而使用解码器对其进行解码回归。这样，能够得到待测试土样的剪切模量和阻尼的精确值，以此来提高对于土层反应分析的精准度。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的基于数据的土样参数测量方法的流程图。

图2为根据本申请实施例的基于数据的土样参数测量方法的架构示意图。

图3为根据本申请实施例的基于数据的土样参数测量方法中上下文语义编码的流程图。

图4为根据本申请实施例的基于数据的土样参数测量系统的框图。

图5为根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述：考虑到在动三轴实验的振动过程中，为了能够精准拟合待测量土样的基础数据与动剪切模量和阻尼之间的函数映射关系，需要进行动剪切模量比和动阻尼比的修正，而又考虑到黏性土的剪切模量与有效围压及孔隙比之间具有着时序的关联变化规律。因此，在本申请的技术方案中，可以基于对于动三轴原始数据，即轴向力、轴向位移、孔压和围压对于待测试土样的动剪切模量和阻尼的分析来得到更为精准的待测试土样的剪切模量和阻尼。但是，由于在不同时间点的动三轴原始数据不同，其在时间维度上具有着动态性的关联特征，并且，动三轴原始数据中的各个数据项之间具有着关联关系，难以对于动三轴原始数据的时序关联特征进行挖掘，进而就难以得到待测试土样的剪切模量和阻尼的精确值。

具体地，在本申请的技术方案中，首先，获取待测量土样在动三轴实验的振动过程中多个预定时间点的动三轴原始数据，其中，所述动三轴原始数据包括轴向力、轴向位移、孔压和围压。接着，考虑到由于所述动三轴原始数据中包括有轴向力、轴向位移、孔压和围压这些数据项，并且所述动三轴原始数据中的各个数据项间具有着关联性关系，因此，为了能够充分且准确地提取出所述各个预定时间点下的关于动三轴原始数据中各个数据项的隐含关联特征信息，将所述各个预定时间点的动三轴原始数据通过包含多个全连接层的深度神经网络模型中进行特征挖掘，以提取出所述动三轴原始数据在时序上的单点高维隐含特征信息，从而得到多个单点原始数据深度关联特征向量。特别地，这里，所述包含多个全连接层的深度神经网络模型为多层感知机模型。

然后，考虑到所述三轴原始数据的隐含特征在所述预定时间段内的时序上具有着动态性的变化规律，也就是说，在所述各个预定时间点下的关于所述三轴原始数据的各个数据项的高维隐含关联特征间具有着时序关联关系。因此，在本申请的技术方案中，为了能充分提取出这种时序的关联特征信息，以此来得到更为精准的所述待测试土样的剪切模量和阻尼，进一步将所述多个单点原始数据深度关联特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述各个预定时间点下关于动三轴原始数据中的各个数据项的隐含关联特征间基于时序全局的动态关联性特征分布信息，从而得到时间全局上下文语义关联特征向量。

也就是，基于转换器思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个单点原始数据深度关联特征向量中各个单点原始数据深度关联特征向量进行基于全局的上下文语义编码以得到以所述多个单点原始数据深度关联特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述时间全局上下文语义关联特征向量。应可以理解，在本申请的技术方案中，通过所述基于转换器的上下文编码器可以捕捉所述各个预定时间点下关于动三轴原始数据中各个数据项的隐含关联特征相对于所述预定时间段整体的基于时序全局的关于动三轴原始数据的时序动态上下文语义关联特征表示。

进一步地，将所述时间全局上下文语义关联特征向量通过第一解码器中进行解码，以得到用于表示待测试土样的剪切模量的第一解码值，并且，还将所述时间全局上下文语义关联特征向量通过第二解码器以得到用于表示待测试土样的阻尼的第二解码值。也就是，以所述三轴原始数据的动态隐含关联特征来进行解码操作，以此来进行所述待检测土样的剪切模量和阻尼的优化，以得到更为精确的所述待检测土样的剪切模量和阻尼，以此来对于土层反应进行分析。

特别地，在本申请的技术方案中，由于所述时间全局上下文语义关联特征向量是将所述多个单点原始数据深度关联特征向量通过基于转换器的上下文编码器得到的多个上下文单点原始数据深度关联特征向量直接级联得到的，而每个预定时间点的动三轴原始数据都具有独特的关联语义分布，就导致各个上下文单点原始数据深度关联特征向量的特征分布之间可能存在不一致，从而使得级联后的所述时间全局上下文语义关联特征向量在通过解码器进行解码回归时对单一解码结果的依赖性差，影响解码值的准确性。

因此，优选地对所述时间全局上下文语义关联特征向量进行向量赋范的希尔伯特概率空间化，具体表示为：

，

是所述时间全局上下文语义关联特征向量，/>

表示所述时间全局上下文语义关联特征向量的二范数，/>

表示其平方，即所述时间全局上下文语义关联特征向量自身的内积，/>

是所述时间全局上下文语义关联特征向量/>

的第/>

个特征值，且/>

是优化后的时间全局上下文语义关联特征向量/>

的第/>

个特征值。

这里，所述向量赋范的希尔伯特概率空间化通过所述时间全局上下文语义关联特征向量

自身的赋范在定义了向量内积的希尔伯特空间内进行所述时间全局上下文语义关联特征向量/>

的概率性解释，并降低所述时间全局上下文语义关联特征向量/>

的拼接的各个局部分布的解码回归表达对整体希尔伯特空间拓扑的解码回归表达的隐蔽扰动，由此提高所述时间全局上下文语义关联特征向量/>

的特征分布收敛到单一预定解码值的解码回归的鲁棒性，同时依靠度量诱导概率空间结构的建立来提升所述时间全局上下文语义关联特征向量/>

的特征分布对单一解码回归结果的跨解码器的长程依赖。这样，就提升了优化后的时间全局上下文语义关联特征向量/>

在通过解码器进行解码回归时对单一解码结果的依赖性，改进了解码值的准确性。这样，能够得到待测试土样的剪切模量和阻尼的精确值，以此来提高对于土层反应分析的精准度。

基于此，本申请提出了一种基于数据的土样参数测量方法，其包括：获取待测量土样在动三轴实验的振动过程中多个预定时间点的动三轴原始数据，其中，所述动三轴原始数据包括轴向力、轴向位移、孔压和围压；将所述各个预定时间点的动三轴原始数据通过包含多个全连接层的深度神经网络模型以得到多个单点原始数据深度关联特征向量；将所述多个单点原始数据深度关联特征向量通过基于转换器的上下文编码器以得到时间全局上下文语义关联特征向量；对所述时间全局上下文语义关联特征向量进行特征分布调制以得到优化时间全局上下文语义关联特征向量；以及，将所述优化时间全局上下文语义关联特征向量通过第一解码器以得到第一解码值，所述第一解码值为待测试土样的剪切模量。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

实施例1：图1为根据本申请实施例的基于数据的土样参数测量方法的流程图。如图1所示，根据本申请实施例的基于数据的土样参数测量方法，包括步骤：S110，获取待测量土样在动三轴实验的振动过程中多个预定时间点的动三轴原始数据，其中，所述动三轴原始数据包括轴向力、轴向位移、孔压和围压；S120，将所述各个预定时间点的动三轴原始数据通过包含多个全连接层的深度神经网络模型以得到多个单点原始数据深度关联特征向量；S130，将所述多个单点原始数据深度关联特征向量通过基于转换器的上下文编码器以得到时间全局上下文语义关联特征向量；S140，对所述时间全局上下文语义关联特征向量进行特征分布调制以得到优化时间全局上下文语义关联特征向量；以及，S150，将所述优化时间全局上下文语义关联特征向量通过第一解码器以得到第一解码值，所述第一解码值为待测试土样的剪切模量。

图2为根据本申请实施例的基于数据的土样参数测量方法的架构示意图。如图2所示，在该网络结构中，首先，获取待测量土样在动三轴实验的振动过程中多个预定时间点的动三轴原始数据，其中，所述动三轴原始数据包括轴向力、轴向位移、孔压和围压；再将所述各个预定时间点的动三轴原始数据通过包含多个全连接层的深度神经网络模型以得到多个单点原始数据深度关联特征向量；接着，将所述多个单点原始数据深度关联特征向量通过基于转换器的上下文编码器以得到时间全局上下文语义关联特征向量；然后，对所述时间全局上下文语义关联特征向量进行特征分布调制以得到优化时间全局上下文语义关联特征向量；进而，将所述优化时间全局上下文语义关联特征向量通过第一解码器以得到第一解码值，所述第一解码值为待测试土样的剪切模量。

具体地，在步骤S110中，获取待测量土样在动三轴实验的振动过程中多个预定时间点的动三轴原始数据，其中，所述动三轴原始数据包括轴向力、轴向位移、孔压和围压。应可以理解，在动三轴实验的振动过程中，为了能够精准拟合待测量土样的基础数据与动剪切模量和阻尼之间的函数映射关系，需要进行动剪切模量比和动阻尼比的修正，而又考虑到黏性土的剪切模量与有效围压及孔隙比之间具有着时序的关联变化规律。因此，在本申请的技术方案中，可以基于对于动三轴原始数据，即轴向力、轴向位移、孔压和围压对于待测试土样的动剪切模量和阻尼的分析来得到更为精准的待测试土样的剪切模量和阻尼。

具体地，在步骤S120中，将所述各个预定时间点的动三轴原始数据通过包含多个全连接层的深度神经网络模型以得到多个单点原始数据深度关联特征向量。考虑到由于所述动三轴原始数据中包括有轴向力、轴向位移、孔压和围压这些数据项，并且所述动三轴原始数据中的各个数据项间具有着关联性关系，因此，为了能够充分且准确地提取出所述各个预定时间点下的关于动三轴原始数据中各个数据项的隐含关联特征信息，将所述各个预定时间点的动三轴原始数据通过包含多个全连接层的深度神经网络模型中进行特征挖掘，以提取出所述动三轴原始数据在时序上的单点高维隐含特征信息，从而得到多个单点原始数据深度关联特征向量。特别地，这里，所述包含多个全连接层的深度神经网络模型为多层感知机模型。在本申请的一个具体示例中，使用所述深度神经网络模型的全连接层以如下公式对所述各个预定时间点的动三轴原始数据进行全连接编码以得到所述多个单点原始数据深度关联特征向量，其中，所述公式为：

，其中/>

是所述各个预定时间点的动三轴原始数据，/>

是输出向量，/>

是权重矩阵，/>

是偏置向量，/>

表示矩阵相乘。

具体地，在步骤S130中，将所述多个单点原始数据深度关联特征向量通过基于转换器的上下文编码器以得到时间全局上下文语义关联特征向量。考虑到所述三轴原始数据的隐含特征在所述预定时间段内的时序上具有着动态性的变化规律，也就是说，在所述各个预定时间点下的关于所述三轴原始数据的各个数据项的高维隐含关联特征间具有着时序关联关系。因此，在本申请的技术方案中，为了能充分提取出这种时序的关联特征信息，以此来得到更为精准的所述待测试土样的剪切模量和阻尼，进一步将所述多个单点原始数据深度关联特征向量通过基于转换器的上下文编码器中进行编码，以提取出所述各个预定时间点下关于动三轴原始数据中的各个数据项的隐含关联特征间基于时序全局的动态关联性特征分布信息，从而得到时间全局上下文语义关联特征向量。也就是，基于转换器思想，利用转换器能够捕捉长距离上下文依赖的特性，对所述多个单点原始数据深度关联特征向量中各个单点原始数据深度关联特征向量进行基于全局的上下文语义编码以得到以所述多个单点原始数据深度关联特征向量的整体语义关联为上下文背景的上下文语义关联特征表示，即，所述时间全局上下文语义关联特征向量。应可以理解，在本申请的技术方案中，通过所述基于转换器的上下文编码器可以捕捉所述各个预定时间点下关于动三轴原始数据中各个数据项的隐含关联特征相对于所述预定时间段整体的基于时序全局的关于动三轴原始数据的时序动态上下文语义关联特征表示。更具体地，在本申请的技术方案中，首先，使用所述上下文编码器的转换器对所述多个单点原始数据深度关联特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义单点原始数据深度关联特征向量；再将所述多个全局上下文语义单点原始数据深度关联特征向量进行级联以得到所述时间全局上下文语义关联特征向量。

图3为根据本申请实施例的基于数据的土样参数测量方法中上下文语义编码的流程图。如图3所示，在所述上下文语义编码过程中，包括：S210，将所述多个单点原始数据深度关联特征向量进行一维排列以得到全局单点原始数据深度关联特征向量；S220，计算所述全局单点原始数据深度关联特征向量与所述多个单点原始数据深度关联特征向量中各个单点原始数据深度关联特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；S230，分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；S240，将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过归一化指数函数以得到多个概率值；S250，分别以所述多个概率值中各个概率值作为权重对所述多个单点原始数据深度关联特征向量中各个单点原始数据深度关联特征向量进行加权以得到所述多个上下文语义单点原始数据深度关联特征向量；S260，将所述多个上下文语义单点原始数据深度关联特征向量进行级联以得到所述多个全局上下文语义单点原始数据深度关联特征向量。

具体地，在步骤S140中，对所述时间全局上下文语义关联特征向量进行特征分布调制以得到优化时间全局上下文语义关联特征向量。应可以理解，由于所述时间全局上下文语义关联特征向量是将所述多个单点原始数据深度关联特征向量通过基于转换器的上下文编码器得到的多个上下文单点原始数据深度关联特征向量直接级联得到的，而每个预定时间点的动三轴原始数据都具有独特的关联语义分布，就导致各个上下文单点原始数据深度关联特征向量的特征分布之间可能存在不一致，从而使得级联后的所述时间全局上下文语义关联特征向量在通过解码器进行解码回归时对单一解码结果的依赖性差，影响解码值的准确性。因此，优选地对所述时间全局上下文语义关联特征向量进行向量赋范的希尔伯特概率空间化，具体表示为：

，其中/>

是所述时间全局上下文语义关联特征向量，/>

表示所述时间全局上下文语义关联特征向量的二范数，/>

表示所述时间全局上下文语义关联特征向量的二范数的平方，

是所述时间全局上下文语义关联特征向量的第/>

个特征值，/>

表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且/>

是所述优化时间全局上下文语义关联特征向量的第/>

个特征值。这里，所述向量赋范的希尔伯特概率空间化通过所述时间全局上下文语义关联特征向量/>

自身的赋范在定义了向量内积的希尔伯特空间内进行所述时间全局上下文语义关联特征向量/>

的概率性解释，并降低所述时间全局上下文语义关联特征向量/>

的拼接的各个局部分布的解码回归表达对整体希尔伯特空间拓扑的解码回归表达的隐蔽扰动，由此提高所述时间全局上下文语义关联特征向量/>

的特征分布收敛到单一预定解码值的解码回归的鲁棒性，同时依靠度量诱导概率空间结构的建立来提升所述时间全局上下文语义关联特征向量/>

的特征分布对单一解码回归结果的跨解码器的长程依赖。这样，就提升了优化后的时间全局上下文语义关联特征向量/>

在通过解码器进行解码回归时对单一解码结果的依赖性，改进了解码值的准确性。这样，能够得到待测试土样的剪切模量和阻尼的精确值，以此来提高对于土层反应分析的精准度。

具体地，在步骤S150中，将所述优化时间全局上下文语义关联特征向量通过第一解码器以得到第一解码值，所述第一解码值为待测试土样的剪切模量。也就是，将所述优化时间全局上下文语义关联特征向量通过第一解码器中进行解码，以得到用于表示待测试土样的剪切模量的第一解码值，并且，还将所述时间全局上下文语义关联特征向量通过第二解码器以得到用于表示待测试土样的阻尼的第二解码值。也就是，以所述三轴原始数据的动态隐含关联特征来进行解码操作，以此来进行所述待检测土样的剪切模量和阻尼的优化，以得到更为精确的所述待检测土样的剪切模量和阻尼，以此来对于土层反应进行分析。在本申请的一个具体示例中，使用所述解码器以如下公式将所述优化时间全局上下文语义关联特征向量进行解码回归以获得用于表示待测试土样的剪切模量的解码值；其中，所述公式为：

，其中/>

表示所述优化时间全局上下文语义关联特征向量，/>

是所述解码值，/>

是权重矩阵，/>

表示矩阵相乘。

综上，根据本申请实施例的基于数据的土样参数测量方法被阐明，其通过采用基于深度学习的神经网络模型，通过包含多个全连接层的深度神经网络模提取出动三轴原始数据在时序上的单点高维隐含特征信息，进一步通过上下文编码以提取出所述各个预定时间点下关于动三轴原始数据中的各个数据项的隐含关联特征间基于时序全局的动态关联性特征分布信息，从而得到时间全局上下文语义关联特征向量，继而使用解码器对其进行解码回归。这样，能够得到待测试土样的剪切模量和阻尼的精确值，以此来提高对于土层反应分析的精准度。

实施例2：图4为根据本申请实施例的基于数据的土样参数测量系统的框图。如图4所示，根据本申请实施例的基于数据的土样参数测量系统300，包括：数据获取模块310；全连接编码模块320；上下文编码模块330；特征分布调制模块340；以及，解码模块350。

其中，所述数据获取模块310，用于获取待测量土样在动三轴实验的振动过程中多个预定时间点的动三轴原始数据，其中，所述动三轴原始数据包括轴向力、轴向位移、孔压和围压；所述全连接编码模块320，用于将所述各个预定时间点的动三轴原始数据通过包含多个全连接层的深度神经网络模型以得到多个单点原始数据深度关联特征向量；所述上下文编码模块330，用于将所述多个单点原始数据深度关联特征向量通过基于转换器的上下文编码器以得到时间全局上下文语义关联特征向量；所述特征分布调制模块340，用于对所述时间全局上下文语义关联特征向量进行特征分布调制以得到优化时间全局上下文语义关联特征向量；以及，所述解码模块350，用于将所述优化时间全局上下文语义关联特征向量通过第一解码器以得到第一解码值，所述第一解码值为待测试土样的剪切模量。

在一个示例中，在上述基于数据的土样参数测量系统300中，所述全连接编码模块320，用于：使用所述深度神经网络模型的全连接层以如下公式对所述各个预定时间点的动三轴原始数据进行全连接编码以得到所述多个单点原始数据深度关联特征向量，其中，所述公式为：

，其中/>

是所述各个预定时间点的动三轴原始数据，/>

是输出向量，/>

是权重矩阵，/>

是偏置向量，/>

表示矩阵相乘。其中，所述包含多个全连接层的深度神经网络模型为多层感知机模型。

在一个示例中，在上述基于数据的土样参数测量系统300中，所述上下文编码模块330，用于：使用所述上下文编码器的转换器对所述多个单点原始数据深度关联特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义单点原始数据深度关联特征向量；以及，将所述多个全局上下文语义单点原始数据深度关联特征向量进行级联以得到所述时间全局上下文语义关联特征向量。其中，所述使用所述上下文编码器的转换器对所述多个单点原始数据深度关联特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义单点原始数据深度关联特征向量，包括：将所述多个单点原始数据深度关联特征向量进行一维排列以得到全局单点原始数据深度关联特征向量；计算所述全局单点原始数据深度关联特征向量与所述多个单点原始数据深度关联特征向量中各个单点原始数据深度关联特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过归一化指数函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个单点原始数据深度关联特征向量中各个单点原始数据深度关联特征向量进行加权以得到所述多个上下文语义单点原始数据深度关联特征向量；将所述多个上下文语义单点原始数据深度关联特征向量进行级联以得到所述多个全局上下文语义单点原始数据深度关联特征向量。

在一个示例中，在上述基于数据的土样参数测量系统300中，所述特征分布调制模块340，用于：以如下公式对所述时间全局上下文语义关联特征向量进行向量赋范的希尔伯特概率空间化以得到所述优化时间全局上下文语义关联特征向量；其中，所述公式为：

，其中/>

是所述时间全局上下文语义关联特征向量，/>

表示所述时间全局上下文语义关联特征向量的二范数，

表示所述时间全局上下文语义关联特征向量的二范数的平方，/>

是所述时间全局上下文语义关联特征向量的第/>

个特征值，/>

表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且/>

是所述优化时间全局上下文语义关联特征向量的第/>

个特征值。

在一个示例中，在上述基于数据的土样参数测量系统300中，所述解码模块350，用于：使用所述解码器以如下公式将所述优化时间全局上下文语义关联特征向量进行解码回归以获得用于表示待测试土样的剪切模量的解码值；其中，所述公式为：

，其中/>

表示所述优化时间全局上下文语义关联特征向量，/>

是所述解码值，/>

是权重矩阵，/>

表示矩阵相乘。

综上，根据本申请实施例的基于数据的土样参数测量系统300被阐明，其通过采用基于深度学习的神经网络模型，通过包含多个全连接层的深度神经网络模提取出动三轴原始数据在时序上的单点高维隐含特征信息，进一步通过上下文编码以提取出所述各个预定时间点下关于动三轴原始数据中的各个数据项的隐含关联特征间基于时序全局的动态关联性特征分布信息，从而得到时间全局上下文语义关联特征向量，继而使用解码器对其进行解码回归。这样，能够得到待测试土样的剪切模量和阻尼的精确值，以此来提高对于土层反应分析的精准度。

如上所述，根据本申请实施例的基于数据的土样参数测量系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的基于数据的土样参数测量系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于数据的土样参数测量系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于数据的土样参数测量系统300同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于数据的土样参数测量系统300与该终端设备也可以是分立的设备，并且该基于数据的土样参数测量系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

下面，参考图5来描述根据本申请实施例的电子设备。

图5为根据本申请实施例的电子设备的框图。

如图5所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于数据的土样参数测量方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如时间全局上下文语义关联特征向量等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括解码值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图5中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于数据的土样参数测量方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于数据的土样参数测量方法中的功能中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种基于数据的土样参数测量方法，其特征在于，包括：获取待测量土样在动三轴实验的振动过程中多个预定时间点的动三轴原始数据，其中，所述动三轴原始数据包括轴向力、轴向位移、孔压和围压；将所述各个预定时间点的动三轴原始数据通过包含多个全连接层的深度神经网络模型以得到多个单点原始数据深度关联特征向量；将所述多个单点原始数据深度关联特征向量通过基于转换器的上下文编码器以得到时间全局上下文语义关联特征向量；对所述时间全局上下文语义关联特征向量进行特征分布调制以得到优化时间全局上下文语义关联特征向量；以及将所述优化时间全局上下文语义关联特征向量通过第一解码器以得到第一解码值，所述第一解码值为待测试土样的剪切模量。

2.根据权利要求1所述的基于数据的土样参数测量方法，其特征在于，将所述各个预定时间点的动三轴原始数据通过包含多个全连接层的深度神经网络模型以得到多个单点原始数据深度关联特征向量，包括：使用所述深度神经网络模型的全连接层以如下公式对所述各个预定时间点的动三轴原始数据进行全连接编码以得到所述多个单点原始数据深度关联特征向量，其中，所述公式为：

，其中/>

是所述各个预定时间点的动三轴原始数据，/>

是输出向量，/>

是权重矩阵，/>

是偏置向量，/>

表示矩阵相乘。

3.根据权利要求2所述的基于数据的土样参数测量方法，其特征在于，所述包含多个全连接层的深度神经网络模型为多层感知机模型。

4.根据权利要求3所述的基于数据的土样参数测量方法，其特征在于，将所述多个单点原始数据深度关联特征向量通过基于转换器的上下文编码器以得到时间全局上下文语义关联特征向量，包括：使用所述上下文编码器的转换器对所述多个单点原始数据深度关联特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义单点原始数据深度关联特征向量；以及将所述多个全局上下文语义单点原始数据深度关联特征向量进行级联以得到所述时间全局上下文语义关联特征向量。

5.根据权利要求4所述的基于数据的土样参数测量方法，其特征在于，所述使用所述上下文编码器的转换器对所述多个单点原始数据深度关联特征向量进行基于转换器思想的全局上下文语义编码以得到多个全局上下文语义单点原始数据深度关联特征向量，包括：将所述多个单点原始数据深度关联特征向量进行一维排列以得到全局单点原始数据深度关联特征向量；计算所述全局单点原始数据深度关联特征向量与所述多个单点原始数据深度关联特征向量中各个单点原始数据深度关联特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过归一化指数函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述多个单点原始数据深度关联特征向量中各个单点原始数据深度关联特征向量进行加权以得到所述多个上下文语义单点原始数据深度关联特征向量；将所述多个上下文语义单点原始数据深度关联特征向量进行级联以得到所述多个全局上下文语义单点原始数据深度关联特征向量。

6.根据权利要求5所述的基于数据的土样参数测量方法，其特征在于，对所述时间全局上下文语义关联特征向量进行特征分布调制以得到优化时间全局上下文语义关联特征向量，包括：以如下公式对所述时间全局上下文语义关联特征向量进行向量赋范的希尔伯特概率空间化以得到所述优化时间全局上下文语义关联特征向量；其中，所述公式为：

，其中/>

是所述时间全局上下文语义关联特征向量，/>

表示所述时间全局上下文语义关联特征向量的二范数，

表示所述时间全局上下文语义关联特征向量的二范数的平方，/>

是所述时间全局上下文语义关联特征向量的第/>

个特征值，/>

表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且/>

是所述优化时间全局上下文语义关联特征向量的第/>

个特征值。

7.根据权利要求6所述的基于数据的土样参数测量方法，其特征在于，将所述优化时间全局上下文语义关联特征向量通过第一解码器以得到第一解码值，所述第一解码值为待测试土样的剪切模量，包括：使用所述解码器以如下公式将所述优化时间全局上下文语义关联特征向量进行解码回归以获得用于表示待测试土样的剪切模量的解码值；其中，所述公式为：

，其中/>

表示所述优化时间全局上下文语义关联特征向量，/>

是所述解码值，/>

是权重矩阵，/>

表示矩阵相乘。

8.根据权利要求7所述的基于数据的土样参数测量方法，其特征在于，还包括将所述时间全局上下文语义关联特征向量通过第二解码器以得到第二解码值，所述第二解码值为待测试土样的阻尼。

9.一种基于数据的土样参数测量系统，其特征在于，包括：数据获取模块，用于获取待测量土样在动三轴实验的振动过程中多个预定时间点的动三轴原始数据，其中，所述动三轴原始数据包括轴向力、轴向位移、孔压和围压；全连接编码模块，用于将所述各个预定时间点的动三轴原始数据通过包含多个全连接层的深度神经网络模型以得到多个单点原始数据深度关联特征向量；上下文编码模块，用于将所述多个单点原始数据深度关联特征向量通过基于转换器的上下文编码器以得到时间全局上下文语义关联特征向量；特征分布调制模块，用于对所述时间全局上下文语义关联特征向量进行特征分布调制以得到优化时间全局上下文语义关联特征向量；以及解码模块，用于将所述优化时间全局上下文语义关联特征向量通过第一解码器以得到第一解码值，所述第一解码值为待测试土样的剪切模量。

10.根据权利要求9所述的基于数据的土样参数测量系统，其特征在于，所述解码模块，用于：使用所述解码器以如下公式将所述优化时间全局上下文语义关联特征向量进行解码回归以获得用于表示待测试土样的剪切模量的解码值；其中，所述公式为：

，其中/>

表示所述优化时间全局上下文语义关联特征向量，/>

是所述解码值，/>

是权重矩阵，/>

表示矩阵相乘。

Images