(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202110660941.8 (22)申请日 2021.06.15 (71)申请人 中国计量大 学 地址 310018 浙江省杭州市学源街258号中 国计量大 学 (72)发明人 石汇灵　李旸晖　黄泽钿　李润坤　 洪博闻　何云峰　 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于神经网络的半环点扩散函数的计 算方法 (57)摘要 本发明公开了一种基于神经网络的半环点 扩散函数的计算方法， 其中神经网络为基于 ResNet改进后的卷积神经网络。 该方法可利用神 经网络算法实现对半环点扩散函数进行快速计 算并生成对应的半环点扩散函数图像， 并且在原 有计算方法的基础上引入弧长， 间距 等计算参数 使所述计算方法的应用范围较原计算方法更加 广泛。 权利要求书2页 说明书4页 附图2页 CN 115481561 A 2022.12.16 CN 115481561 A 1.一种基于神经网络的半环点扩散函数的计算方法， 其特 征在于， 包括以下步骤： 步骤一： 计算并生成多组半环点扩散函数参数对应的半环点扩散函数图像， 并对图像 进行半环点扩散函数参数 标注后形成神经网络的训练对； 步骤二： 构建基于ResNet改进后的卷积神经网络； 利用神经网络的训练对对基于 ResNet改进后的卷积神经网络进 行训练和神经网络的参数优化， 构建半环 点扩散函数参数 和其对应的半环点扩散函数的图像之间的映射关系； 步骤三： 将待测试的半环点扩散函数参数输入到步骤二中所述的训练好的神经网络 中， 利用神经网络模型计算并绘制 每组参数对应的半环点扩散函数图像， 并将得到的所述 半环点扩散函数图像输出， 建立半环点扩散函数的参数与半环点扩散函数的图像之 间的映 射关系。 2.根据权利要求1所述的一种基于神经网络的半环点扩散函数的计算方法， 其特征在 于： 步骤一中所述半环点扩散函数的参数包括半环数目、 半径、 偏移量、 弧长和相邻半环的 间距。 3.根据权利要求1所述的一种基于神经网络的半环点扩散函数的计算方法， 其特征在 于： 步骤一中所述计算并生成多组半环点扩散函数参数对应的半环点扩散函数图像可以在 MATLAB仿真软件中进行计算。 4.根据权利要求1所述的一种基于神经网络的半环点扩散函数的计算方法， 其特征在 于： 步骤一中所述对半环点扩散函数图像进 行参数标注指将图像对应的半环点扩散函数的 半环数目、 半径、 偏移 量、 弧长、 间距等参数标注在图像下方空白处； 标注后图片参与构成训 练对， 并作为该参数 下的标准图像成为后续的计算的参 考。 5.根据权利要求4所述的一种基于神经网络的半环点扩散函数的计算方法， 其特征在 于： 步骤一中所述对半环点扩散函数图像进行 标注使用MATLAB仿真软件实现。 6.根据权利要求1所述的一种基于神经网络的半环点扩散函数的计算方法， 其特征在 于： 步骤二中所述的基于ResNet改进后的卷积神经网络包括三层卷积层， 三层池化层、 六个 残差块、 三层反卷积层和三层反池化层， 采用Adam  算法优化梯度下降法作为优化函数， 采 用均方差函数作为损失函数， 采用LeakReLU函数作为激活函数， 三层卷积层和三层池化层 组成所述的基于ResNet改进后的卷积神经网络的深度自编码 器， 三层反卷积层和三层反池 化层组成所述的基于ResNet改进后的卷积神经网络的深度解码器。 7.根据权利 要求6所述的基于ResNet改进后的卷积神经网络， 其特征在于： 步骤二中所 述的所有卷积层和反卷积层的卷积核大小均为3 *3。 8.根据权利 要求6所述的基于ResNet改进后的卷积神经网络， 其特征在于： 步骤二中所 述的六个残差块均包括带压 激活模块。 9.根据权利 要求6所述的基于ResNet改进后的卷积神经网络， 其特征在于： 步骤二中所 述的基于ResNet改进后的卷积神经网络的参数优化指对基于ResNet改进后的卷积神经网 络中过滤器的个数、 大小和 步长， 神经元 的权重和网络的偏差因子等卷积神经网络参数进 行修改和调整。 10.根据权利要求1所述的一种基于神经网络的半环点扩散函数的计算方法， 其特征在 于： 步骤二中所述对所述的基于ResNet改进后的卷积神经网络进行训练的具体步骤为： 选 取1000个以上步骤一中所述训练样本集中包括的非关联数据对， 分为10小组， 以100对训练权　利　要　求　书 1/2 页 2 CN 115481561 A 2样本为一组， 分批次作为神经网络的原始输入， 输入所述的神经网咯中， 构建半环点扩散函 数参数和其对应的半环点扩散函数的图像之间的映射关系， 获得训练好的所述的基于 ResNet改进后的卷积神经网络 。权　利　要　求　书 2/2 页 3 CN 115481561 A 3