[发明专利]基于跨阶段局部特征融合策略的残差网络模型与模型的训练方法

权利要求书

1.一种基于跨阶段局部特征融合策略的残差网络模型，用于预测数控机床中刀具的磨损状态，其特征在于，包括：

信号输入层，用于输入刀具监测信号；

卷积层，用于对刀具监测信号进行卷积计算以获取信号特征向量；

批归一化层，用于对信号特征向量进行批归一化；

激活层，用于对批归一化后的信号特征向量进行非线性运算，以获取信号激活特征向量；

残差层，其包括残差块，残差块中设置有左运算通道、右运算通道与合并单元，其中，左运算通道用于对信号激活特征向量进行特征运算以得到残差左特征向量并输出；右运算通道用于对信号激活特征向量进行下采样以得到残差右特征向量并输出；合并单元，用于合并输出的残差左特征向量与残差右特征向量以得到残差特征合并向量；

局部残差模块，其包括至少一个局部残差块，所述局部残差块用于对合并向量进行拆分以得到右特征向量与左特征向量，并通过局部残差块中的右侧梯度运算通道对右特征向量进行残差运算，通过局部残差块中的左侧梯度运算通道对左特征向量进行特征运算，并将残差运算与特征运算后得到的特征向量进行融合以得到特征融合向量；所述合并向量包括残差特征合并向量与特征融合向量；

Flatten层，用于展开特征融合向量；第二批归一化层，用于对展开后的特征融合向量进行归一化；第二激活层，用于对归一化后的特征融合向量进行激活；全连接层，用于对激活后特征融合向量进行非线性变化以得到模型预测的刀具磨损状态。

2.根据权利要求1所述的一种基于跨阶段局部特征融合策略的残差网络模型，其特征在于，所述残差层中残差块的左运算通道包括依次连接的：

第一卷积层,用于对信号激活特征向量进行卷积计算以得到特征学习向量；

批归一化层,用于对特征学习向量进行批归一化；

激活层,用于对批归一化后的特征学习向量进行非线性运算以得到重激活特征向量；

第二卷积层,用于对重激活特征向量进行卷积计算以得到残差左特征向量。

3.根据权利要求2所述的一种基于跨阶段局部特征融合策略的残差网络模型，其特征在于，所述残差层中残差块的右运算通道包括：

最大池化层，用于对信号激活特征向量进行下采样以得到残差右特征向量。

4.根据权利要求1所述的一种基于跨阶段局部特征融合策略的残差网络模型，其特征在于，所述局部残差模块中局部残差块包括：

拆分层，用于对合并向量进行拆分以得到右特征向量与左特征向量；

左侧梯度运算通道，其包括依次连接的批归一化层、激活层、卷积层与最大池化层，其中：批归一化层，用于对左特征向量进行批归一化；激活层，用于对批归一化后的左特征向量进行非线性运算以得到左激活特征向量；卷积层，用于对左激活特征向量进行卷积计算，以得到左学习特征向量；最大池化层，用于对左学习特征向量进行下采样以得到左梯度特征向量；

右侧梯度运算通道，其包括至少一个基本残差块，用于对右特征向量进行残差运算，以得到右梯度特征向量；

融合层，用于对左梯度特征向量与右梯度特征向量进行融合以得到特征融合向量。

5.根据权利要求4所述的一种基于跨阶段局部特征融合策略的残差网络模型，其特征在于，所述基本残差块包括：

左运算通道，其包括依次连接的第一批归一化层、第一激活层、第一卷积层、第二批归一化层、第二激活层与第二卷积层，其中：

第一批归一化层，用于对右特征向量进行批归一化；

第一激活层，用于对批归一化后的右特征向量进行非线性运算以得到左通道激活特征向量；

第一卷积层，用于对左通道激活特征向量进行卷积计算，以得到左通道学习特征向量；

第二批归一化层，用于对左通道学习特征向量进行批归一化；

第二激活层，用于对批归一化后的左通道学习特征向量进行非线性运算以得到左通道重激活特征向量；

第二卷积层，用于对左通道重激活特征向量进行卷积计算，以得到左通道重学习特征向量；

右运算通道，其包括最大池化层，用于对右特征向量进行下采样以得到右通道池化特征向量；

合并单元，用于合并左通道重学习特征向量与右通道池化特征向量以得到右梯度特征向量。