【技术实现步骤摘要】
本专利技术一般地涉及基桩识别领域。更具体地，本专利技术涉及基于人工智能的基桩完整性识别方法。
技术介绍
1、根据国家有关部门的规定，基桩的完整性分为四类，ⅰ类桩桩身完整，ⅱ类桩桩身有轻微缺陷，不会影响桩身结构承载力的正常发挥，ⅲ类桩桩身有明显缺陷，对桩身结构承载力有影响，ⅳ类桩桩身存在严重缺陷。一般ⅰ类桩和ⅱ类桩表示桩没问题，ⅲ类桩是有问题，必须要进行处理之后才能进行下道工序施工，ⅳ类桩是必须要返工进行处理。
2、近年来，随着人工智能技术的快速发展，越来越多的领域应用的人工智能技术。基桩完整性识别是通过一些物理的方法获得基桩的一些信息，根据这些信息判断基桩的完整性，但这些方法受制于检测原理的限制，检测的结果或多或少会出现误判，检测结果较为准确的静载试验法虽然检测结果更为准确，但是其有时会存在试验本身会改变检测结果的情况，即多次试验的结果不一致。
3、授权公告号为cn111428297b的专利文件公开了基于bp神经网络的桩基p～s曲线确定方法，该方法通过bp神经网络确定桩基p～s曲线，再根据待测桩基的p～s曲线确定待测桩基极限承载力。目前的方法主要通过单一的技术原理检测基桩完整性，受制于检测原理的限制，检测的结果会出现误判。
技术实现思路
1、为解决上述一个或多个技术问题，本专利技术提出获取基桩完整性类别和基桩属性；基于线性判别分析将基桩属性降维，获得新基桩属性；基于预设算法对新基桩属性分类，计算未被分类的难负样本的难分类度；建立神经网络模型对难负样本进行基桩
2、基于人工智能的基桩完整性识别方法，包括步骤：获取基桩完整性类别和基桩属性；基于线性判别分析将所述基桩属性降维，获得新基桩属性；基于预设算法对所述新基桩属性分类；将未被分类的新基桩属性对应的基桩样本定义为难负样本，计算所述难负样本的难分类度；建立神经网络模型，根据所述难负样本和难分类度对模型进行训练，得到识别模型，输出基桩完整性识别结果，其中，模型训练中所述神经网络模型的损失函数满足关系式：
3、
4、其中，表示第个基桩样本的损失函数，表示神经网络模型的预测值，表示第个基桩样本的真实值，表示第个基桩样本的难分类度，表示基桩样本的基桩完整性预测错误的惩罚因子。
5、响应于待检测的桩基完整性类别及桩基属性，根据识别模型，生成基桩完整性识别结果。
6、在一个实施例中，基于线性判别分析将所述基桩属性降维包括步骤：设置降维的投影函数，所述投影函数满足关系式：
7、
8、其中，表示投影前的属性值，表示投影后的属性值，表示投影矩阵。
9、类别的原始中心点满足关系式：
10、
11、其中，表示类别的原始中心点，表示类别的基桩样本个数，表示类别的属性值集合，表示投影前的属性值。
12、根据投影函数，调整类别的原始中心点得到类别投影后中心点，类别投影后中心点满足关系式：
13、
14、其中，表示类别投影后中心点，表示投影矩阵，表示类别的原始中心点。
15、计算类别的分散程度，类别的分散程度满足关系式：
16、
17、其中，表示类别的分散程度，表示类别的基桩样本个数，表示属于投影后类别的样本，表示类别投影后中心点，表示投影后的属性值。
18、根据不同类别投影后中心点之间的距离以及分散程度设置线性判别的损失函数，线性判别的损失函数满足关系式：
19、
20、其中，表示线性判别的损失函数，表示类别投影后中心点，表示类别的分散程度，表示类别投影后中心点。
21、当线性判别的损失函数达到最小时的投影变化即是线性判别分析的投影矩阵；线性判别分析得到降维后的新基桩属性。
22、在一个实施例中，基于预设算法对所述新基桩属性分类包括：对新基桩属性进行阈值分割：属性值的基桩样本为ⅰ类桩；属性值的基桩样本为ⅱ类桩；属性值的基桩样本为ⅲ类桩；属性值的基桩样本为ⅳ类桩；其余属性值的基桩样本为难负样本。
23、在一个实施例中，所述难负样本的难分类度满足关系式：
24、
25、其中，表示第个基桩样本的难分类度，表示第个基桩样本的属性值，表示第个阈值，表示分类错误的基桩样本个数，表示难负样本的个数。
26、在一个实施例中，所述神经网络模型为反向传播神经网络，反向传播神经网络包括输入层、隐藏层和输出层；所述输入层用于接收难负样本的新基桩属性输入，所述隐藏层对输入信息进行特征提取后，将提取到的特征输入到所述输出层以输出基桩完整性类别的预测值。
27、本专利技术具有如下的有益效果：
28、1. 能够降低基桩完整性检测结果出现误判的概率，提高基桩完整性的识别准确率。
29、2.通过现有的检测基桩完整性的方法获得基桩的属性，根据基桩的属性和基桩完整性的类别使用线性判别分析对属性进行降维，降维完成后根据每个新的基桩属性对基桩完整性进行识别，将无法识别或识别不准确的难负样本提取出来，计算每个难负样本的难分类度，构建神经网络模型，使用难负样本训练神经网络模型，根据难负样本的难分类度构建模型的损失函数，使用梯度下降算法训练神经网络模型，模型训练完毕后，对新的难负样本进行基桩完整性识别。本专利技术与现有的方法相比可以在不改变基桩完整性的前提下，提高基桩完整性的识别准确率。
本文档来自技高网...【技术保护点】
1.基于人工智能的基桩完整性识别方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于人工智能的基桩完整性识别方法，其特征在于，基于线性判别分析将所述基桩属性降维包括步骤：
3.根据权利要求1所述的基于人工智能的基桩完整性识别方法，其特征在于，基于预设算法对所述新基桩属性分类包括：
4.根据权利要求1所述的基于人工智能的基桩完整性识别方法，其特征在于，所述难负样本的难分类度满足关系式：
5.根据权利要求1所述的基于人工智能的基桩完整性识别方法，其特征在于，所述神经网络模型为反向传播神经网络，反向传播神经网络包括输入层、隐藏层和输出层；所述输入层用于接收难负样本的新基桩属性输入，所述隐藏层对输入信息进行特征提取后，将提取到的特征输入到所述输出层以输出基桩完整性类别的预测值。
【技术特征摘要】
1.基于人工智能的基桩完整性识别方法，其特征在于，包括步骤：
2.根据权利要求1所述的基于人工智能的基桩完整性识别方法，其特征在于，基于线性判别分析将所述基桩属性降维包括步骤：
3.根据权利要求1所述的基于人工智能的基桩完整性识别方法，其特征在于，基于预设算法对所述新基桩属性分类包括：
4.根据权利要求1所述的基于人工智能的基桩...
【专利技术属性】
技术研发人员：艾启胜，王瑞杰，陈文德，李文乔，谭睿，舒雷明，张超超，吴涛，任旭，刘宇翔，周伟光，
申请(专利权)人：湖北神龙工程测试技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。