一维卷积神经网络在天然气管道泄漏孔径识别中的应用研究

发布时间：2021-12-24 02:29

　　近年来,天然气管道微小孔径泄漏已成为威胁管道运行的重要因素,若能准确地识别泄漏孔径的大小,将有助于安全运营部门准确估算泄漏的危害程度并做出相应的措施来降低损失,因此对天然气管道泄漏孔径识别研究具有重要意义。本文以管道泄漏孔径为研究对象,提出了基于一维卷积神经网络对天然气管道泄漏孔径识别的方法。首先,论述了天然气管道泄漏的研究背景,说明了对管道泄漏孔径研究的重要意义;然后列举了国内外对天然气管道泄漏检测方面的研究现状,分析了泄漏检测所面临的挑战和机遇;接着阐述了卷积神经网络的结构和特性,并对深度卷积神经网络的构建和训练过程进行了详细的分析;最后对深度神经网络训练过程中防止过拟合处理进行了总结。针对管道泄漏孔径识别面临原始数据冗余量大、特征提取及分类过度依赖先验知识和系统实时性要求高等问题,提出了一种将压缩感知与深度卷积神经网络相结合的泄漏孔径识别方法。首先利用随机高斯矩阵对原始泄漏信号进行压缩采集,以较少的压缩感知域数据获取绝大部分泄漏信息;然后构建出深度一维卷积神经网络,将压缩采集数据送入网络中实现自适应特征提取及高准确度的泄漏孔径识别;最后对影响网络性能的主要参数进行了深入的分析。实... 

【文章来源】：燕山大学河北省

【文章页数】：61 页

【学位级别】：硕士

【部分图文】：

卷积层运算过程图

第2章一维卷积神经网络基本原理-9-况下降低网络输出的维度，加速网络拟合过程，池化运算过程如图2-2所示。图2-2池化运算过程图如上图所示，将输入数据根据窗长和步长切分成若干个数组，数组之间通常是不重叠的，然后对每个数组内数据进行池化操作，其池化计算过程如式(2-2)所示：()(p1)(x,x...)iipilllzg（2-2）式中()xipl表示第l层第i个数组区域中第p个数值，g是表示最大池化函数或者均值池化函数，ilz表示第l层第i个数组池化后输出结果。2.2.3全连接层在深度卷积神经网络中，使用多个卷积层和池化层进行层级式提取，然后将将最后卷积层或池化层输出的特征向量展平（Flatten）为一维，使用全连接层将上层输出的特征连接在一起，其中全连接也是一种特殊的卷积运算[45]。全连接层示意图如图2-3所示。图2-3全连接层示意图全连接层每个节点与上一层所有节点进行连接，然后通过激活函数softmax对输入数据进行分类。全连接层计算过程如式(2-3)所示：

第2章一维卷积神经网络基本原理-9-况下降低网络输出的维度，加速网络拟合过程，池化运算过程如图2-2所示。图2-2池化运算过程图如上图所示，将输入数据根据窗长和步长切分成若干个数组，数组之间通常是不重叠的，然后对每个数组内数据进行池化操作，其池化计算过程如式(2-2)所示：()(p1)(x,x...)iipilllzg（2-2）式中()xipl表示第l层第i个数组区域中第p个数值，g是表示最大池化函数或者均值池化函数，ilz表示第l层第i个数组池化后输出结果。2.2.3全连接层在深度卷积神经网络中，使用多个卷积层和池化层进行层级式提取，然后将将最后卷积层或池化层输出的特征向量展平（Flatten）为一维，使用全连接层将上层输出的特征连接在一起，其中全连接也是一种特殊的卷积运算[45]。全连接层示意图如图2-3所示。图2-3全连接层示意图全连接层每个节点与上一层所有节点进行连接，然后通过激活函数softmax对输入数据进行分类。全连接层计算过程如式(2-3)所示：


本文编号：3549649