发明内容
[0007] 本发明的目的针对现有技术存在的不足,提出了一种基于短时傅里叶变换和卷积神经网络的液位预测方法。
[0008] 本发明包括以下步骤:
[0009] 步骤(1)获取数据集
[0010] 本发明使用的数据均通过声共振液位测量仪器(简称液位仪)采集得来,该套设备测量系统的扬声器发出1000到2500Hz正弦波,麦克风实时采集传回共振波并将其存储。从已测得液位数据库中选取完整、无扰动的声波数据,对应的测量长度作为数据标签。
[0011] 步骤(2)特征提取
[0012] 将采集到的5000组原始信号进行短时傅里叶变换,使得一维时域波形信号转换成二维数据的时频域的频谱图形式;短时傅里叶变换(STFT)的数学公式如下:
[0013]
[0014] 其中,y(n)为音频信号,g(n)为窗函数,f为频率,t为时间,e、π分别是自然对数底数和圆周率,二者均是常数。
[0015] 步骤(3)构建卷积神经网络
[0016] 本发明搭建了一个三层卷积神经网络回归模型;选用Adam作为优化算法,选用均方误差MSE作为损失函数。
[0017] 所建立的卷积神经网络模型中每一层网络都包含卷积层、池化层、非线性激活层。第一层卷积神经网络卷积层Conv1的卷积核大小为5×5,通道数为6,步长为1,最大值池化层核大小为2,步长为1;第二层卷积神经网络卷积层Conv2的卷积核大小为5×5,步长为1,通道数为16,最大值池化层核大小为2,步长为1;第三层卷积神经网络卷积层Conv3卷积核大小为5×5,步长为1,通道数为120,最大值池化层核大小为2×2,步长为1,全连接层Fc1隐藏节点个数为120;全连接层Fc2隐藏节点个数为84;全连接层Fc3隐藏结点个数为1。
[0018] 步骤(4)卷积神经网络的训练及评估
[0019] 将采集到的5000组数据集数据按8:1:1分成训练集、验证集、测试集。首先将训练集数据输入到然后步骤3建立的模型中,然后将测试集输入到已经训练好的卷积神经网络当中,输出预测到的液位高度。
[0020] Adam是优化算法是随机梯度下降法的扩展式,它能基于训练数据迭代地更新网络权重。近年来,该算法被广泛应用在深度学习领域,尤其是计算机视觉和自然语言处理等任务当中。因此,选用Adam算法作为本发明的优化算法。
[0021] 在机器学习中,损失函数(loss function)是用来估计模型的预测值和真实值的不一致程度,损失函数越小,一般就代表模型的鲁棒性越好,正是损失函数指导模型参数的学习。
[0022] 本发明选用均方误差作为损失函数,它是预测值与标签的差值的平方和的均值,其公式如下所示:
[0023]
[0024] 其中yi第i个样本的样本标签, 是预测值,n表示样本总量。
[0025] 根据上述评估结果,优选兼顾预测误差和网络复杂度(参数量和计算量)的卷积神经网络作为最终模型。
[0026] 本发明的有益效果:本发明采用固定频段的声共振液位预测方法,可扩大液位测量范围,通过短时傅里叶变换将每一个音频信号转换到二维频域作为卷积神经网络的输入;通过构建卷积神经网络回归模型,实现从原始数据到任务目标的映射过程;通过对模型参数迭代优化,提升卷积神经网络模型的泛化能力和预测结果的准确性。