买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：甘肃省祁连山水源涵养林研究院

摘要：本发明实施例涉及数据处理技术领域，具体而言，涉及一种水文流量波动情势识别方法及其系统。该方法分别将每组水纹波实验数据作为测试集，采用完成训练的卷积神经网络对该测试集进行识别以获得第二识别准确率，并根据第二识别准确率是否达到第二设定值对完成训练的卷积神经网络的第一参数进行调整以获得第二参数并进行缓存，对缓存的参数求平均值得到第三参数，根据第三参数对所构建的卷积神经网络进行第三次配置，并将当前水纹波数据输入完成第三次配置的卷积神经网络以实现水纹波波动情势的识别，如此，能够基于有限的水纹波实验数据搭建出泛化能力较强的卷积神经网络并基于该卷积神经网络实现水纹波的波动情势进行准确的预测和识别。

主权项：1.一种水文流量波动情势识别方法，其特征在于，包括：获取多组水纹波实验数据；构建卷积神经网络；针对所述多组水纹波实验数据中的每组水纹波实验数据，将该水纹波实验数据作为测试集，将所述多组水纹波实验数据中除所述测试集以外的其他组水纹波实验数据输入所述卷积神经网络进行训练，以使完成训练的卷积神经网络对所述其他组水纹波实验数据中的每组水纹波实验数据进行识别时的第一识别准确率均达到第一设定值，获取所述完成训练的卷积神经网络的第一参数；基于所述第一参数对所述完成训练的卷积神经网络进行第一次配置，将所述测试集输入所述完成第一次配置的卷积神经网络以获得所述完成第一次配置的卷积神经网络对所述测试集进行识别所得到的第二识别准确率；判断所述第二识别准确率是否达到第二设定值；若达到，将所述第一参数进行缓存；若没有达到，对所述第一参数进行调整以获得第二参数并基于所述第二参数对完成第一次配置的卷积神经网络进行第二次配置，以使所述完成第二次配置的卷积神经网络对所述测试集进行识别的第二识别准确率达到所述第二设定值，将所述第一参数和所述第二参数按照设定规则进行缓存；计算缓存得到的参数的平均值作为第三参数，根据所述第三参数对所构建的卷积神经网络进行第三次配置；获取当前水纹波数据，将所述当前水纹波数据输入完成第三次配置的卷积神经网络以实现水纹波波动情势的识别；其中，所述多组水纹波实验数据中的每组水纹波实验数据包括至少一个第一像素在预设时段内的n个连续的三维坐标；所述第一识别准确率通过以下方式计算得到： 其中，pre1为第一识别准确率；n1为采用完成训练的卷积神经网络对每组水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测并预测正确的次数总和； 为采用完成训练的卷积神经网络对每组水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测的次数总和，所述第二识别准确率通过以下方式计算得到： pre2为第二识别准确率；n2为采用完成第一次配置的卷积神经网络对测试集对应的水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测并预测正确的次数总和； 为采用完成第一次配置的卷积神经网络对测试集对应的水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测的次数总和，其中，所述多组水纹波实验数据为m组，将所述第一参数和所述第二参数按照设定规则进行缓存的步骤，包括：对所述第一参数和所述第二参数按照设定公式进行加权求和，将加权求和值进行缓存；所述设定公式为： 其中，sumi为第i组水纹波实验数据作为测试集时的加权求和值，i∈[1,m]∩i∈Z；para1-i为第i组水纹波实验数据作为测试集时对应的完成训练的卷积神经网络的第一参数；para2-i为第i组水纹波实验数据作为测试集时且对应的完成训练的卷积神经网络对第i组水纹波实验数据进行识别所得到的第二识别准确率没有达到第二设定值时，对第一参数para1-i进行调整得到的第二参数。

全文数据：一种水文流量波动情势识别方法及其系统技术领域本发明实施例涉及数据处理技术领域，具体而言，涉及一种水文流量波动情势识别方法及其系统。背景技术水纹波是一种较为特殊的波，水纹波既不属于纵波也不属于横波，水纹波中的质点沿着椭圆轨道运动，这种运动在竖直方向上的投影就像是横波，在水平方向上的投影则像是纵波，如果同时从两个波源发出两列波时，且其波源出的能量不同时会出现符合牛二律。因此，如何对水纹波的波动情势进行准确的预测和识别成为一个难题。发明内容有鉴于此，本发明提供了一种水文流量波动情势识别方法及其系统。本发明实施例提供了一种水文流量波动情势识别方法，包括：获取多组水纹波实验数据；构建卷积神经网络；针对所述多组水纹波实验数据中的每组水纹波实验数据，将该水纹波实验数据作为测试集，将所述多组水纹波实验数据中除所述测试集以外的其他组水纹波实验数据输入所述卷积神经网络进行训练，以使完成训练的卷积神经网络对所述其他组水纹波实验数据中的每组水纹波实验数据进行识别时的第一识别准确率均达到第一设定值，获取所述完成训练的卷积神经网络的第一参数；基于所述第一参数对所述完成训练的卷积神经网络进行第一次配置，将所述测试集输入所述完成第一次配置的卷积神经网络以获得所述完成第一次配置的卷积神经网络对所述测试集进行识别所得到的第二识别准确率；判断所述第二识别准确率是否达到第二设定值；若达到，将所述第一参数进行缓存；若没有达到，对所述第一参数进行调整以获得第二参数并基于所述第二参数对完成第一次配置的卷积神经网络进行第二次配置，以使所述完成第二次配置的卷积神经网络对所述测试集进行识别的第二识别准确率达到所述第二设定值，将所述第一参数和所述第二参数按照设定规则进行缓存；计算缓存得到的参数的平均值作为第三参数，根据所述第三参数对所构建的卷积神经网络进行第三次配置；获取当前水纹波数据，将所述当前水纹波数据输入完成第三次配置的卷积神经网络以实现水纹波波动情势的识别。可选地，所述多组水纹波实验数据中的每组水纹波实验数据包括至少一个第一像素在预设时段内的n个连续的三维坐标；所述第一识别准确率通过以下方式计算得到：其中，pre1为第一识别准确率；n1为采用完成训练的卷积神经网络对每组水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测并预测正确的次数总和；为采用完成训练的卷积神经网络对每组水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测的次数总和，所述第二识别准确率通过以下方式计算得到：pre2为第二识别准确率；n2为采用完成第一次配置的卷积神经网络对测试集对应的水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测并预测正确的次数总和；为采用完成第一次配置的卷积神经网络对测试集对应的水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测的次数总和，可选地，所述多组水纹波实验数据为m组，将所述第一参数和所述第二参数按照设定规则进行缓存的步骤，包括：对所述第一参数和所述第二参数按照设定公式进行加权求和，将加权求和值进行缓存；所述设定公式为：其中，sumi为第i组水纹波实验数据作为测试集时的加权求和值，i∈[1,m]∩i∈Z；para1-i为第i组水纹波实验数据作为测试集时对应的完成训练的卷积神经网络的第一参数；para2-i为第i组水纹波实验数据作为测试集时且对应的完成训练的卷积神经网络对第i组水纹波实验数据进行识别所得到的第二识别准确率没有达到第二设定值时，对第一参数para1-i进行调整得到的第二参数。可选地，当前水纹波数据包括至少一个第二像素的当前时刻三维坐标，将所述当前水纹波数据输入完成第三次配置的卷积神经网络以实现水纹波波动情势的识别的步骤，包括：将所述当前时刻三维坐标输入所述完成第三次配置的卷积神经网络以使所述完成第三次配置的卷积神经网络识别出所述至少一个第二像素的下一时刻三维坐标。本发明实施例还提供了一种水文流量波动情势识别系统，包括：实验数据获取模块，用于获取多组水纹波实验数据；卷积神经网络构建模块，用于构建卷积神经网络；第一参数获取模块，用于针对所述多组水纹波实验数据中的每组水纹波实验数据，将该水纹波实验数据作为测试集，将所述多组水纹波实验数据中除所述测试集以外的其他组水纹波实验数据输入所述卷积神经网络进行训练，以使完成训练的卷积神经网络对所述其他组水纹波实验数据中的每组水纹波实验数据进行识别时的第一识别准确率均达到第一设定值，获取所述完成训练的卷积神经网络的第一参数；识别准确率计算模块，用于基于所述第一参数对所述完成训练的卷积神经网络进行第一次配置，将所述测试集输入所述完成第一次配置的卷积神经网络以获得所述完成第一次配置的卷积神经网络对所述测试集进行识别所得到的第二识别准确率；参数缓存模块，用于判断所述第二识别准确率是否达到第二设定值；若达到，将所述第一参数进行缓存；若没有达到，对所述第一参数进行调整以获得第二参数并基于所述第二参数对完成第一次配置的卷积神经网络进行第二次配置，以使所述完成第二次配置的卷积神经网络对所述测试集进行识别的第二识别准确率达到所述第二设定值，将所述第一参数和所述第二参数按照设定规则进行缓存；卷积神经网络配置模块，用于计算缓存得到的参数的平均值作为第三参数，根据所述第三参数对所构建的卷积神经网络进行第三次配置；识别模块，用于获取当前水纹波数据，将所述当前水纹波数据输入完成第三次配置的卷积神经网络以实现水纹波波动情势的识别。可选地，所述多组水纹波实验数据中的每组水纹波实验数据包括至少一个第一像素在预设时段内的n个连续的三维坐标；所述第一识别准确率通过以下方式计算得到：其中，pre1为第一识别准确率；n1为采用完成训练的卷积神经网络对每组水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测并预测正确的次数总和；为采用完成训练的卷积神经网络对每组水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测的次数总和，所述第二识别准确率通过以下方式计算得到：pre2为第二识别准确率；n2为采用完成第一次配置的卷积神经网络对测试集对应的水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测并预测正确的次数总和；为采用完成第一次配置的卷积神经网络对测试集对应的水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测的次数总和，可选地，所述多组水纹波实验数据为m组，所述参数缓存模块通过以下方式将所述第一参数和所述第二参数按照设定规则进行缓存：对所述第一参数和所述第二参数按照设定公式进行加权求和，将加权求和值进行缓存；所述设定公式为：其中，sumi为第i组水纹波实验数据作为测试集时的加权求和值，i∈[1,m]∩i∈Z；para1-i为第i组水纹波实验数据作为测试集时对应的完成训练的卷积神经网络的第一参数；para2-i为第i组水纹波实验数据作为测试集时且对应的完成训练的卷积神经网络对第i组水纹波实验数据进行识别所得到的第二识别准确率没有达到第二设定值时，对第一参数para1-i进行调整得到的第二参数。可选地，当前水纹波数据包括至少一个第二像素的当前时刻三维坐标，所述识别模块通过以下方式将所述当前水纹波数据输入完成第三次配置的卷积神经网络以实现水纹波波动情势的识别：将所述当前时刻三维坐标输入所述完成第三次配置的卷积神经网络以使所述完成第三次配置的卷积神经网络识别出所述至少一个第二像素的下一时刻三维坐标。本发明实施例还提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的水文流量波动情势识别方法。本发明实施例还提供了一种计算机可读存储介质，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在电子设备执行上述的水文流量波动情势识别方法本发明实施例所提供的一种水文流量波动情势识别方法及其系统，分别将多组水纹波实验数据中的每组水纹波实验数据作为测试集，采用完成训练的卷积神经网络对该测试集进行识别以获得第二识别准确率，并根据第二识别准确率是否达到第二设定值对完成训练的卷积神经网络的第一参数进行调整以获得第二参数并将第一参数和第二参数进行缓存，对缓存的参数求平均值得到第三参数，根据第三参数对所构建的卷积神经网络进行第三次配置，并将获取得到的当前水纹波数据输入完成第三次配置的卷积神经网络以实现水纹波波动情势的识别，如此，能够基于有限的水纹波实验数据搭建出泛化能力较强的卷积神经网络并基于该卷积神经网络实现水纹波的波动情势进行准确的预测和识别。附图说明为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。图1为本发明实施例所提供的一种电子设备的模块框图。图2为本发明实施例所提供的一种水文流量波动情势识别方法的流程图。图3为本发明实施例所提供的一种水文流量波动情势识别系统的模块框图。图标：10-电子设备；11-存储器；12-处理器；13-网络模块；20-水文流量波动情势识别系统；21-实验数据获取模块；22-卷积神经网络构建模块；23-第一参数获取模块；24-识别准确率计算模块；25-参数缓存模块；26-卷积神经网络配置模块；27-识别模块。具体实施方式为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。发明人经调查发现，现有技术难以对水纹波的波动情势进行准确的预测和识别。一方面，常见的预测和识别方法准确率较低；另一方面，一些预测和识别准确率较高的方法前期需要大量的实验数据进行模拟，人力成本和研发成本较高，此外，这类高准确率的预测和识别方法泛化能力较低。以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案，都应该是发明人在本发明过程中对本发明做出的贡献。基于上述研究，本发明实施例提供了一种水文流量波动情势识别方法及其系统，能够基于有限的水纹波实验数据搭建出泛化能力较强的卷积神经网络并基于该卷积神经网络实现水纹波的波动情势进行准确的预测和识别。图1示出了本发明实施例所提供的一种电子设备10的方框示意图。本发明实施例中的电子设备10具有数据存储、传输、处理功能，如图1所示，电子设备10包括：存储器11、处理器12、网络模块13和水文流量波动情势识别系统20。存储器11、处理器12和网络模块13之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器11中存储有水文流量波动情势识别系统20，水文流量波动情势识别系统20包括至少一个可以软件或固件firmware的形式储存于存储器11中的软件功能模块，处理器12通过运行存储在存储器11内的软件程序以及模块，例如本发明实施例中的水文流量波动情势识别系统20，从而执行各种功能应用以及数据处理，即实现本发明实施例中的水文流量波动情势识别方法。其中，存储器11用于存储程序，处理器12在接收到执行指令后，执行所述程序。处理器12可能是一种集成电路芯片，具有数据的处理能力。上述的处理器12可以是通用处理器，包括中央处理器CentralProcessingUnit，CPU、网络处理器NetworkProcessor，NP等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。网络模块13用于通过网络建立电子设备10与其他通信终端设备之间的通信连接，实现网络信号及数据的收发操作。上述网络信号可包括无线信号或者有线信号。本发明实施例还提供一种计算机可读存储介质，该可读存储介质包括计算机程序，该计算机程序运行时控制该可读存储介质所在电子设备10执行下面的水文流量波动情势识别方法。图2示出了本发明实施例所提供的一种水文流量波动情势识别方法的流程图。所述方法有关的流程所定义的方法步骤应用于电子设备10，可以由所述处理器12实现。下面将对图2所示的具体流程进行详细阐述：步骤S21，获取多组水纹波试验数据。在本实施例中，水纹波试验数据为m组。步骤S22，构建卷积神经网络。构建得到的卷积神经网络用于后续的训练和识别。步骤S23，对卷积神经网络进行训练，并获取完成训练的卷积神经网络的第一参数。在本实施例中，将m组水纹波试验数据中的每组水纹波实验数据作为测试集，将m-1组水纹波试验数据作为训练集对通过步骤S22构建得到的卷积神经网络进行训练。在本实施例中，每组水纹波试验数据包括至少一个第一像素在预设时段内的n个连续的三维坐标。其中，训练过程为：以第i组水纹波实验数据作为测试集为例，m-1组水纹波试验数据中的每组水纹波试验数据中的至少一个第一像素在预设时段内的n个连续的三维坐标中的每个三维坐标所对应的下一时刻的三维坐标进行预测，进而获得第一识别准确率pre1。可以理解，获得的第一识别准确率pre1总共为m-1个，若m-1个第一识别准确率pre1均达到第一设定值在本实施例中，第一设定值可以设置为80％，获取此时完成训练的卷积神经网络的第一参数para1-i，可以理解，para1-i为第i组水纹波实验数据作为测试集时对应的完成训练的卷积神经网络的第一参数。在本实施例中，第一识别准确率通过以下方式计算得到：其中，pre1为第一识别准确率；n1为采用完成训练的卷积神经网络对每组水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测并预测正确的次数总和；为采用完成训练的卷积神经网络对每组水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测的次数总和，又例如，取m＝5，以第1组水纹波实验数据作为测试集为例，将第2～5组水纹波实验数据输入通过步骤S22搭建完毕的卷积神经网络并调整卷积神经网络的参数使得卷积神经网络对第2～5组水纹波实验数据进行识别得到的第一识别准确率pre1达到80％，获取此时的第一参数para1-1。步骤S24，基于第一参数对完成训练的卷积神经网络进行第一次配置，将测试集输入完成第一次配置的卷积神经网络以获得完成第一次配置的卷积神经网络对测试集进行识别所得到的第二识别准确率。以m＝5为例，基于第一参数para1-1完成训练的卷积神经网络进行第一次配置，将第1组水纹波实验数据输入完成第一次配置的卷积神经网络以获得完成第一次配置的卷积神经网络对测试集进行识别所得到的第二识别准确率pre2，其中：pre2为第二识别准确率；n2为采用完成第一次配置的卷积神经网络对测试集对应的水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测并预测正确的次数总和；为采用完成第一次配置的卷积神经网络对测试集对应的水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测的次数总和，可以理解，以第2～5组水纹波实验数据为训练集训练得到的卷积神经网络对第1组水纹波实验数据进行识别所得到的第二识别准确率为pre2。步骤S25，判断第二识别准确率是否达到第二设定值，根据判断结果对执行对应操作。在本实施例中，第二设定值高于第一设定值，例如，第二设定值可以为90％。若pre2达到90％，将para1-1进行缓存，若pre2没有达到90％，对para1-1进行调整以获得以第1组水纹波实验数据为测试集的第二参数para2-1。其中，基于第二参数para2-1对完成第一次配置的卷积神经网络进行第二次配置能够使得完成第二次配置的卷积神经网络对测试集进行识别的第二识别准确率pre2达到90％。进一步地，对para1-1和para2-1按照设定公式进行加权求和，将加权求和值进行缓存。在本实施例中，设定公式为：其中，sumi为第i组水纹波实验数据作为测试集时的加权求和值，i∈[1,m]∩i∈Z；para1-i为第i组水纹波实验数据作为测试集时对应的完成训练的卷积神经网络的第一参数；para2-i为第i组水纹波实验数据作为测试集时且对应的完成训练的卷积神经网络对第i组水纹波实验数据进行识别所得到的第二识别准确率没有达到第二设定值时，对第一参数para1-i进行调整得到的第二参数。例如，对para1-1和para2-1按照设定公式进行加权求和得到：将sum1进行缓存。可以理解，上述步骤会迭代进行5次，换句话说，缓存的参数总数为5个，缓存的参数包括第一参数和加权求和值中的至少一类，又例如，缓存的参数为：sum1、para1-2、para1-3、sum4和para1-5。步骤S26，计算缓存得到的参数的平均值作为第三参数，根据第三参数对所构建的卷积神经网络进行第三次配置。例如，对sum1、para1-2、para1-3、sum4和para1-5求平均值得到第三参数，根据第三参数对所构建的卷积神经网络进行第三次配置。步骤S27，获取当前水纹波数据，将当前水纹波数据输入完成第三次配置的卷积神经网络以实现水纹波波动情势的识别。在本实施例中，当前水纹波数据包括至少一个第二像素的当前时刻三维坐标。对当前水纹波数据进行识别和预测方法为：将至少一个第二像素的当前时刻三维坐标输入完成第三次配置的卷积神经网络以使完成第三次配置的卷积神经网络识别出至少一个第二像素的下一时刻三维坐标，如此能够实现对水纹波波动情势的准确预测和识别。在本实施例中，通过将m组水纹波实验数据中的每组水纹波试验数据作为测试集并将m-1组水纹波试验数据作为训练集对卷积神经网络进行训练，如此能够在有限组水纹波实验数据的基础上增加卷积神经网络的泛化能力。此外，在采用完成第一次配置的卷积神经网络对测试集进行识别所得到的第二识别准确率没有达到第二设定值的前提下对第一参数进行调整得到第二参数，并基于第一参数和第二参数进行加权求和，如此，能够将训练集和测试集的权重考虑在内，进而提高水纹波波动情势识别的准确性。进一步地，采用计算得到的第三参数对卷积神经网络进行配置，能够实现卷积神经网络的平滑处理，减少识别结果的波动性，进一步提高水纹波波动情势识别的准确性。在上述基础上，如图3所示，本发明实施例提供了一种水文流量波动情势识别系统20，所述水文流量波动情势识别系统20包括：实验数据获取模块21、卷积神经网络构建模块22、第一参数获取模块23、识别准确率计算模块24、参数缓存模块25、卷积神经网络配置模块26和识别模块27。实验数据获取模块21，用于获取多组水纹波实验数据。由于实验数据获取模块21和图2中步骤S21的实现原理类似，因此在此不作更多说明。卷积神经网络构建模块22，用于构建卷积神经网络。由于卷积神经网络构建模块22和图2中步骤S22的实现原理类似，因此在此不作更多说明。第一参数获取模块23，用于针对所述多组水纹波实验数据中的每组水纹波实验数据，将该水纹波实验数据作为测试集，将所述多组水纹波实验数据中除所述测试集以外的其他组水纹波实验数据输入所述卷积神经网络进行训练，以使完成训练的卷积神经网络对所述其他组水纹波实验数据中的每组水纹波实验数据进行识别时的第一识别准确率均达到第一设定值，获取所述完成训练的卷积神经网络的第一参数；。由于第一参数获取模块23和图2中步骤S23的实现原理类似，因此在此不作更多说明。识别准确率计算模块24，用于基于所述第一参数对所述完成训练的卷积神经网络进行第一次配置，将所述测试集输入所述完成第一次配置的卷积神经网络以获得所述完成第一次配置的卷积神经网络对所述测试集进行识别所得到的第二识别准确率。由于识别准确率计算模块24和图2中步骤S24的实现原理类似，因此在此不作更多说明。参数缓存模块25，用于判断所述第二识别准确率是否达到第二设定值；若达到，将所述第一参数进行缓存；若没有达到，对所述第一参数进行调整以获得第二参数并基于所述第二参数对完成第一次配置的卷积神经网络进行第二次配置，以使所述完成第二次配置的卷积神经网络对所述测试集进行识别的第二识别准确率达到所述第二设定值，将所述第一参数和所述第二参数按照设定规则进行缓存。由于参数缓存模块25和图2中步骤S25的实现原理类似，因此在此不作更多说明。卷积神经网络配置模块26，用于计算缓存得到的参数的平均值作为第三参数，根据所述第三参数对所构建的卷积神经网络进行第三次配置。由于卷积神经网络配置模块26和图2中步骤S26的实现原理类似，因此在此不作更多说明。识别模块27，用于获取当前水纹波数据，将所述当前水纹波数据输入完成第三次配置的卷积神经网络以实现水纹波波动情势的识别。由于识别模块27和图2中步骤S27的实现原理类似，因此在此不作更多说明。综上，本发明实施例所提供的一种水文流量波动情势识别方法及其系统，能够基于有限的水纹波实验数据搭建出泛化能力较强的卷积神经网络并基于该卷积神经网络实现水纹波的波动情势进行准确的预测和识别。在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和或流程图中的每个方框、以及框图和或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备可以是个人计算机，电子设备，或者网络设备等执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器ROM，Read-OnlyMemory、随机存取存储器RAM，RandomAccessMemory、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

权利要求：1.一种水文流量波动情势识别方法，其特征在于，包括：获取多组水纹波实验数据；构建卷积神经网络；针对所述多组水纹波实验数据中的每组水纹波实验数据，将该水纹波实验数据作为测试集，将所述多组水纹波实验数据中除所述测试集以外的其他组水纹波实验数据输入所述卷积神经网络进行训练，以使完成训练的卷积神经网络对所述其他组水纹波实验数据中的每组水纹波实验数据进行识别时的第一识别准确率均达到第一设定值，获取所述完成训练的卷积神经网络的第一参数；基于所述第一参数对所述完成训练的卷积神经网络进行第一次配置，将所述测试集输入所述完成第一次配置的卷积神经网络以获得所述完成第一次配置的卷积神经网络对所述测试集进行识别所得到的第二识别准确率；判断所述第二识别准确率是否达到第二设定值；若达到，将所述第一参数进行缓存；若没有达到，对所述第一参数进行调整以获得第二参数并基于所述第二参数对完成第一次配置的卷积神经网络进行第二次配置，以使所述完成第二次配置的卷积神经网络对所述测试集进行识别的第二识别准确率达到所述第二设定值，将所述第一参数和所述第二参数按照设定规则进行缓存；计算缓存得到的参数的平均值作为第三参数，根据所述第三参数对所构建的卷积神经网络进行第三次配置；获取当前水纹波数据，将所述当前水纹波数据输入完成第三次配置的卷积神经网络以实现水纹波波动情势的识别。2.根据权利要求1所述的水文流量波动情势识别方法，其特征在于，所述多组水纹波实验数据中的每组水纹波实验数据包括至少一个第一像素在预设时段内的n个连续的三维坐标；所述第一识别准确率通过以下方式计算得到：其中，pre1为第一识别准确率；n1为采用完成训练的卷积神经网络对每组水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测并预测正确的次数总和；为采用完成训练的卷积神经网络对每组水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测的次数总和，所述第二识别准确率通过以下方式计算得到：pre2为第二识别准确率；n2为采用完成第一次配置的卷积神经网络对测试集对应的水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测并预测正确的次数总和；为采用完成第一次配置的卷积神经网络对测试集对应的水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测的次数总和，3.根据权利要求1所述的水文流量波动情势识别方法，其特征在于，所述多组水纹波实验数据为m组，将所述第一参数和所述第二参数按照设定规则进行缓存的步骤，包括：对所述第一参数和所述第二参数按照设定公式进行加权求和，将加权求和值进行缓存；所述设定公式为：其中，sumi为第i组水纹波实验数据作为测试集时的加权求和值，i∈[1,m]∩i∈Z；para1-i为第i组水纹波实验数据作为测试集时对应的完成训练的卷积神经网络的第一参数；para2-i为第i组水纹波实验数据作为测试集时且对应的完成训练的卷积神经网络对第i组水纹波实验数据进行识别所得到的第二识别准确率没有达到第二设定值时，对第一参数para1-i进行调整得到的第二参数。4.根据权利要求1所述的水文流量波动情势识别方法，其特征在于，所述当前水纹波数据包括至少一个第二像素的当前时刻三维坐标，将所述当前水纹波数据输入完成第三次配置的卷积神经网络以实现水纹波波动情势的识别的步骤，包括：将所述当前时刻三维坐标输入所述完成第三次配置的卷积神经网络以使所述完成第三次配置的卷积神经网络识别出所述至少一个第二像素的下一时刻三维坐标。5.一种水文流量波动情势识别系统，其特征在于，包括：实验数据获取模块，用于获取多组水纹波实验数据；卷积神经网络构建模块，用于构建卷积神经网络；第一参数获取模块，用于针对所述多组水纹波实验数据中的每组水纹波实验数据，将该水纹波实验数据作为测试集，将所述多组水纹波实验数据中除所述测试集以外的其他组水纹波实验数据输入所述卷积神经网络进行训练，以使完成训练的卷积神经网络对所述其他组水纹波实验数据中的每组水纹波实验数据进行识别时的第一识别准确率均达到第一设定值，获取所述完成训练的卷积神经网络的第一参数；识别准确率计算模块，用于基于所述第一参数对所述完成训练的卷积神经网络进行第一次配置，将所述测试集输入所述完成第一次配置的卷积神经网络以获得所述完成第一次配置的卷积神经网络对所述测试集进行识别所得到的第二识别准确率；参数缓存模块，用于判断所述第二识别准确率是否达到第二设定值；若达到，将所述第一参数进行缓存；若没有达到，对所述第一参数进行调整以获得第二参数并基于所述第二参数对完成第一次配置的卷积神经网络进行第二次配置，以使所述完成第二次配置的卷积神经网络对所述测试集进行识别的第二识别准确率达到所述第二设定值，将所述第一参数和所述第二参数按照设定规则进行缓存；卷积神经网络配置模块，用于计算缓存得到的参数的平均值作为第三参数，根据所述第三参数对所构建的卷积神经网络进行第三次配置；识别模块，用于获取当前水纹波数据，将所述当前水纹波数据输入完成第三次配置的卷积神经网络以实现水纹波波动情势的识别。6.根据权利要求5所述的水文流量波动情势识别系统，其特征在于，所述多组水纹波实验数据中的每组水纹波实验数据包括至少一个第一像素在预设时段内的n个连续的三维坐标；所述第一识别准确率通过以下方式计算得到：其中，pre1为第一识别准确率；n1为采用完成训练的卷积神经网络对每组水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测并预测正确的次数总和；为采用完成训练的卷积神经网络对每组水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测的次数总和，所述第二识别准确率通过以下方式计算得到：pre2为第二识别准确率；n2为采用完成第一次配置的卷积神经网络对测试集对应的水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测并预测正确的次数总和；为采用完成第一次配置的卷积神经网络对测试集对应的水纹波实验数据中的至少一个第一像素在预设时段内的每个三维坐标的下一时刻三维坐标进行预测的次数总和，7.根据权利要求5所述的水文流量波动情势识别系统，其特征在于，所述多组水纹波实验数据为m组，所述参数缓存模块通过以下方式将所述第一参数和所述第二参数按照设定规则进行缓存：对所述第一参数和所述第二参数按照设定公式进行加权求和，将加权求和值进行缓存；所述设定公式为：其中，sumi为第i组水纹波实验数据作为测试集时的加权求和值，i∈[1,m]∩i∈Z；para1-i为第i组水纹波实验数据作为测试集时对应的完成训练的卷积神经网络的第一参数；para2-i为第i组水纹波实验数据作为测试集时且对应的完成训练的卷积神经网络对第i组水纹波实验数据进行识别所得到的第二识别准确率没有达到第二设定值时，对第一参数para1-i进行调整得到的第二参数。8.根据权利要求5所述的水文流量波动情势识别系统，其特征在于，当前水纹波数据包括至少一个第二像素的当前时刻三维坐标，所述识别模块通过以下方式将所述当前水纹波数据输入完成第三次配置的卷积神经网络以实现水纹波波动情势的识别：将所述当前时刻三维坐标输入所述完成第三次配置的卷积神经网络以使所述完成第三次配置的卷积神经网络识别出所述至少一个第二像素的下一时刻三维坐标。9.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～4任一项所述的水文流量波动情势识别方法。10.一种计算机可读存储介质，其特征在于，所述可读存储介质包括计算机程序，所述计算机程序运行时控制所述可读存储介质所在电子设备执行权利要求1～4任一项所述的水文流量波动情势识别方法。

百度查询： 甘肃省祁连山水源涵养林研究院 一种水文流量波动情势识别方法及其系统