近年來,天然氣管道微小孔徑泄漏已成為威脅管道運行的重要因素,若能準確地識別泄漏孔徑的大小,將有助于安全運營部門準確估算泄漏的危害程度并做出相應的措施來降低損失,因此對天然氣管道泄漏孔徑識別研究具有重要意義。本文以管道泄漏孔徑為研究對象,提出了基于一維卷積神經網絡對天然氣管道泄漏孔徑識別的方法。首先,論述了天然氣管道泄漏的研究背景,說明了對管道泄漏孔徑研究的重要意義;然后列舉了國內外對天然氣管道泄漏檢測方面的研究現狀,分析了泄漏檢測所面臨的挑戰(zhàn)和機遇;接著闡述了卷積神經網絡的結構和特性,并對深度卷積神經網絡的構建和訓練過程進行了詳細的分析;最后對深度神經網絡訓練過程中防止過擬合處理進行了總結。針對管道泄漏孔徑識別面臨原始數據冗余量大、特征提取及分類過度依賴先驗知識和系統(tǒng)實時性要求高等問題,提出了一種將壓縮感知與深度卷積神經網絡相結合的泄漏孔徑識別方法。首先利用隨機高斯矩陣對原始泄漏信號進行壓縮采集,以較少的壓縮感知域數據獲取絕大部分泄漏信息;然后構建出深度一維卷積神經網絡,將壓縮采集數據送入網絡中實現自適應特征提取及高準確度的泄漏孔徑識別;最后對影響網絡性能的主要參數進行了深入的分析。實... 

【文章來源】：燕山大學河北省

【文章頁數】：61 頁

【學位級別】：碩士

【部分圖文】：

卷積層運算過程圖

第2章一維卷積神經網絡基本原理-9-況下降低網絡輸出的維度，加速網絡擬合過程，池化運算過程如圖2-2所示。圖2-2池化運算過程圖如上圖所示，將輸入數據根據窗長和步長切分成若干個數組，數組之間通常是不重疊的，然后對每個數組內數據進行池化操作，其池化計算過程如式(2-2)所示：()(p1)(x,x...)iipilllzg（2-2）式中()xipl表示第l層第i個數組區(qū)域中第p個數值，g是表示最大池化函數或者均值池化函數，ilz表示第l層第i個數組池化后輸出結果。2.2.3全連接層在深度卷積神經網絡中，使用多個卷積層和池化層進行層級式提取，然后將將最后卷積層或池化層輸出的特征向量展平（Flatten）為一維，使用全連接層將上層輸出的特征連接在一起，其中全連接也是一種特殊的卷積運算[45]。全連接層示意圖如圖2-3所示。圖2-3全連接層示意圖全連接層每個節(jié)點與上一層所有節(jié)點進行連接，然后通過激活函數softmax對輸入數據進行分類。全連接層計算過程如式(2-3)所示：

第2章一維卷積神經網絡基本原理-9-況下降低網絡輸出的維度，加速網絡擬合過程，池化運算過程如圖2-2所示。圖2-2池化運算過程圖如上圖所示，將輸入數據根據窗長和步長切分成若干個數組，數組之間通常是不重疊的，然后對每個數組內數據進行池化操作，其池化計算過程如式(2-2)所示：()(p1)(x,x...)iipilllzg（2-2）式中()xipl表示第l層第i個數組區(qū)域中第p個數值，g是表示最大池化函數或者均值池化函數，ilz表示第l層第i個數組池化后輸出結果。2.2.3全連接層在深度卷積神經網絡中，使用多個卷積層和池化層進行層級式提取，然后將將最后卷積層或池化層輸出的特征向量展平（Flatten）為一維，使用全連接層將上層輸出的特征連接在一起，其中全連接也是一種特殊的卷積運算[45]。全連接層示意圖如圖2-3所示。圖2-3全連接層示意圖全連接層每個節(jié)點與上一層所有節(jié)點進行連接，然后通過激活函數softmax對輸入數據進行分類。全連接層計算過程如式(2-3)所示：


本文編號：3549649