[发明专利]一种基于知识蒸馏的隧道挖进机性能预测方法

权利要求书

1.一种基于知识蒸馏的隧道挖进机性能预测方法，其特征在于，包括以下步骤：

步骤S1、获得一个数据库，计算数据库数据中不同特征的皮尔森系数，剔除掉数据中相关性较高的特征；

步骤S2、将处理后的数据库划分为训练集和测试集；

步骤S3、搭建LSTM网络模型，该网络作为知识蒸馏的学生网络；

步骤S4、搭建Bi-LSTM网络及注意力机制网络模型，该网络作为知识蒸馏的教师网络；

步骤S5、构建用于训练教师网络和学生网络的联合损失函数；

步骤S6、利用Z-score算法对训练集数据进行归一化，并利用归一化数据对网络模型进行训练，Z-score算法归一化公式如下：

其中，X_st是由Z-Score归一化处理得到的数据,x_mean和x_σ分别为总体数据的均值和标准差，x是归一化之前的原始数据；

步骤S7、对测试集数据进行归一化并输入LSTM学生网络进行预测，经过反归一化处理得到最终预测结果。

2.根据权利要求1所述的一种基于知识蒸馏的隧道挖进机性能预测方法，其特征在于，所述步骤S1具体包括以下步骤：

步骤S11、计算数据库中不同特征间的皮尔森系数，公式如下：

式中corr(X,Y)为2个不同特征X,Y的皮尔森相关系数，σ_Xσ_Y为特征X,Y的标准差，x_i,y_i分别为特征X,Y的第i个数值，分别为特征X,Y数据的平均值。

步骤S12、设定阈值τ，当两个特征的皮尔森相关系数高于阈值τ时，从数据库中剔除其中一个特征。

3.根据权利要求1所述的一种基于知识蒸馏的隧道挖进机性能预测方法，其特征在于，所述步骤S3中LSTM网络计算公式如下：

f_t＝sigmoid(W_f·[h_t-1,x_t]+b_f)

i_t＝sigmoid(W_i·[h_t-1,x_t]+b_i)

c_t＝i_tranh(W_c·[h_t-1,x_t]+b_c)+f_tc_t-1

s_t＝sigmoid(W_o·[h_t-1,x_t]+b_o)

h_t＝o_ttanh(c_t)

式中字母sigmoid和tanh分别代表sigmoid激活函数和tanh激活函数，W_f和b_f分别为遗忘门的权重系数矩阵和偏置向量，h_t-1为前一时刻上一个单元输出，x_t为当前单元的输入，W_i和W_c分别为输入门中经过激活函数处理的权重系数矩阵，b_i和b_c为输入门中的偏置向量，W_o为输出门的权重系数矩阵，b_o为输出门的偏置向量，s_t为t时刻的输出。