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：自然资源部第一海洋研究所

摘要：本发明公开一种基于人工神经网络的海底细粒土工程分类定名分析方法，包括以下步骤：1获取海底沉积物工程分类数据，所述分类数据包括区域内已经具有的基于岩土工程勘察规范的沉积物工程分类定名数据；2基于1中获取的数据构建并训练海底沉积物工程分类神经网络模型；3获得拟分类沉积物粒度数据输入神经网络模型实现海底沉积物工程分类分析；该分析方法操作简单，只依靠沉积物粒度数据即可实现工程定名分析；同时，可有效提高现有沉积分类数据的利用率和沉积物颗粒含量定名的准确率，大幅度地减小测量塑性指数时的人为操作误差、降低工程定名的复杂程度，也使建立的定名关系更为准确和科学，为海洋工程设施的建设以及科研提供重要的基础支撑和依据。

主权项：1.基于人工神经网络的海底细粒土工程分类定名分析方法，其特征在于，包括以下步骤：步骤A、获取海底沉积物工程分类数据，所述分类数据包括待分类区域内已经具有的基于岩土工程勘察规范的沉积物工程分类定名数据；步骤B、基于步骤A获取的数据构建并训练海底沉积物工程分类神经网络：神经网络模型包括输入层、隐藏层和输出层，设该神经网络模型的输入参数为粒径百分含量，即[0.5mm,2mm、[0.25mm,0.5mm、[0.075mm,0.25mm、[0.005mm,0.075mm和0,0.005，输入层节点数为5，输出参数包括粉土、粉质黏土和黏土，输出层节点数为3；步骤B1、将步骤A中获得的海底沉积物工程分类数据划分为训练集、验证集和测试集；步骤B2、确定隐藏层节点数：根据输入层与输出层的节点数选择某一范围内的隐藏层节点数，并进行验证，基于确定最优的隐藏层节点数目，其中，m为隐藏层节点数目，n为输入层节点数目，l为输出层节点数目，a为1～10间的常数；最终选择最优的隐藏层节点数据，采用以下方式：1在每组试验中，首先将训练数据随机划分为3类，对于每一隐藏层节点数目进行多次运算，对比模型定名结果与实际沉积物定名，选择运算中最高准确率表示该节点条件下的网络模型准确率；2一次训练及验证结束后再次对数据进行随机划分，共进行多次数据的随机划分，统计准确率结果后，得到对海洋细粒沉积物定名的最优节点数为9；步骤B3、确定神经网络函数：分别基于Scaledconjugategradient、Levenberg-Marquardt、Bayesianregularization三个训练函数进行计算，并使用测试集验证其准确率，选择准确率最高时的训练函数作为网络最终的训练函数；步骤B4、神经网络训练集验证：在训练过程中数据的校正是从前往后进行，即误差逆传播，计算时从输出层到隐含层，再从隐含层到输入层，以确定最终的神经网络模型；校正过程中：输出层的校正误差： 式中，t＝1,2,…,q，q是输出层单元数；k＝1,2,…,m，m是训练模式对数；ytk是希望输出；ctk是实际输出；f’.是对输出函数的导数；隐含层各单元的校正误差： 式中，j＝1,2,…,p；p是隐含层单元数；对于输出层至隐含层连接权和输出层阈值的校正量： 式中，bjk是隐含层j单元的输出，dtk是输出层的校正误差，j＝1,2…,p；t＝1,2,…,q；k＝1,2,…,m；α0，为输出层至隐含层学习率；隐含层至输入层的校正量： 式中，ejk是隐含层j单元的校正误差；xik是标准输入，i＝1,2,…,n，n是输入层单元数，0β1，为隐含层至输入层学习率；步骤C、获得拟分类沉积物粒度；1在研究区域通过相关地质手段进行沉积物样品的获取，并按照规范进行沉积物粒度组分的测量；2收集研究区域内已有沉积物沉积学分类的数据资料，沉积学分类数据包含相应的粒度组分数据但不含塑性指数数据；步骤D、将步骤C中获得的拟分类沉积物粒度数据作为输入，基于所构建的沉积物工程分类神经网络模型实现海底沉积物工程分类。

全文数据：

权利要求：

百度查询： 自然资源部第一海洋研究所 基于人工神经网络的海底细粒土工程分类定名分析方法