[发明专利]基于GA-BP神经网络的压浆密实度识别方法、系统及存储介质

权利要求书

1.一种基于GA-BP神经网络的压浆密实度识别方法，其特征在于，包括以下步骤：

获取未知压浆密实度的预应力孔道的数据，并进行小波降噪预处理；

对预处理后的数据进行特征提取，得到未知压浆密实度的预应力孔道对应的特征数据；

根据所述特征数据和训练合格的GA-BP神经网络模型得到所述预应力孔道对应的压浆密实度。

2.根据权利要求1所述的基于GA-BP神经网络的压浆密实度识别方法，其特征在于，所述获取未知压浆密实度的预应力孔道的数据，并进行小波降噪预处理的步骤之前，包括：

获取训练合格的GA-BP神经网络模型。

3.根据权利要求2所述的基于GA-BP神经网络的压浆密实度识别方法，其特征在于，所述获取训练合格的GA-BP神经网络模型的步骤，包括：

获取已知压浆密实度的各预应力孔道的样本数据，并将样本数据随机分为训练集和测试集；

对样本数据进行小波降噪预处理；

对预处理后的样本数据进行特征提取，得到已知压浆密实度的各预应力孔道对应的各特征数据；

根据所述训练集的各特征数据对GA-BP神经网络模型进行训练；

采用所述测试集对训练完成的GA-BP神经网络模型进行性能测试；

若测试结果合格，则得到训练合格的GA-BP神经网络模型。

4.根据权利要求3所述的基于GA-BP神经网络的压浆密实度识别方法，其特征在于，所述采用所述测试集对训练完成的GA-BP神经网络模型进行性能测试的步骤，包括：

根据所述测试集数据对应的已知压浆密实度与通过GA-BP神经网络模型得到的预测压浆密实度进行拟合优度和均方误差计算，计算公式如下：

y^actual和y^predictive分别为已知压浆密实度和预测压浆密实度，为已知压浆密实度的平均值，n为测试集的样本容量。

5.根据权利要求3所述的基于GA-BP神经网络的压浆密实度识别方法，其特征在于，所述对预处理后的样本数据进行特征提取的步骤，包括：

根据样本数据的时域分别提取对应的波速和能量衰减系数；

根据样本数据的频域分别提取对应的频移值；

根据样本数据的小波域分别提取对应的高频能量变化系数。

6.根据权利要求3所述的基于GA-BP神经网络的压浆密实度识别方法，其特征在于，所述根据所述训练集的各特征数据对GA-BP神经网络模型进行训练的步骤，包括：

根据GA对BP神经网络的初始值进行优化。

7.根据权利要求3所述的基于GA-BP神经网络的压浆密实度识别方法，其特征在于，所述进行小波降噪预处理的步骤，包括：

确定选定小波分解的母小波和降解阶数；

采用Mallat(马拉特)算法对未知压浆密实度的基于GA-BP神经网络的的数据进行小波分解，得到各细节分量与近似分量；

对各细节分量进行阈值处理；

将处理后的的细节分量和对应的近似分量进行重构。

8.根据权利要求6所述的基于GA-BP神经网络的压浆密实度识别方法，其特征在于，所述根据GA对BP神经网络的初始值进行优化的步骤，包括：

根据BP神经网络结构确定GA算法个体长度；

通过GA优化BP神经网络的初始权值和阈值，并得到最优权值和阈值；

将所述最优权值和阈值赋值为BP神经网络的初始权值和阈值。