一种基于LeNet-5的大规模幕墙施工方法及系统

本发明涉及建筑工程，特别涉及一种基于lenet-5的大规模幕墙施工方法及系统。

背景技术：

1、幕墙是建筑外立面的一种结构体系，通常由非结构性的外围墙体构成，用于分隔室内外环境，同时提供隔热、隔音、防水和采光等功能。它通常包括玻璃、金属、石材等材料，形成一个整体的外观装饰。幕墙的设计旨在创造现代、美观、实用的建筑外观，同时考虑到能效和室内舒适度。

2、同时幕墙有需要承受各种荷载，包括风荷载、自重等。通过建立对应力的理论数据，可以评估和确保幕墙在各种外力作用下的结构稳定性。不同材料的强度机械性能不同。对应力的理论分析有助于选择适当的材料，确保幕墙具有足够的强度和刚度。对于设计人员而言，了解对应力的理论数据有助于进行幕墙结构设计。这包括选择适当的连接方式、支撑结构和剪力墙等。

3、传统对应力的理论数据建立方式通常涉及确定合适的目标值，而目标值的选取通常采用与工业标准相匹配的分段取值方法。其技术缺陷在于因传统目标值设计通常呈现线性和随机的特征。这种线性设计不足以捕捉复杂的非线性关系，而随机设计可能导致目标值不具备实际物理意义。这样的设计可能无法准确反映实际工程条件下的应力分布。

4、为此，提出一种基于lenet-5的大规模幕墙施工方法及系统。

技术实现思路

1、有鉴于此，本发明实施例希望提供一种基于lenet-5的大规模幕墙施工方法及系统，以解决或缓解现有技术中存在的技术问题，即线性设计的导致不足以捕捉复杂的非线性关系，并对此至少提供一种有益的选择；

2、本发明实施例的技术方案是这样实现的：

3、第一方面

4、一种基于lenet-5的大规模幕墙施工方法

5、p0、初始化：

6、在此阶段，首先获取幕墙结构参数s，其中每两相邻的幕墙被视为一组输入节点。这样的设计使得lenet-5神经网络能够学习并理解相邻幕墙结构之间的关系，为后续施工过程提供有力的支持。在所述p0中，所述幕墙结构参数s包括体积和强度，将每组两两相邻的幕墙结构作为一个输入节点，为(s1，s2)；

7、n组相邻的幕墙的输入层节点数为2n。

8、执行lenet-5神经网络学习：

9、p1、输入层：

10、建立输入层，共有6个输入节点。每两个节点表示一组相邻的幕墙结构参数，以确保网络能够有效地捕捉幕墙结构的相关性。对于每组两两相邻的幕墙结构，输入层包括：

11、输入节点1：第一个幕墙板的长度向量；

12、输入节点2：第一个幕墙板的宽度向量；

13、输入节点3：第一个幕墙板所用材料的强度向量；

14、输入节点4：第二个幕墙板的长度向量；

15、输入节点5：第二个幕墙板的宽度向量；

16、输入节点6：第二个幕墙板所用材料的强度向量。

17、p2、卷积层c1：

18、引入卷积层c1，其中过滤器大小为5x5，深度为6，步长为1。该层的设计旨在通过卷积操作提取幕墙结构的特征，以捕获结构中的空间信息。对于所述卷积层c1，输入s后，输出特征图o为：

19、o＝relu(s*k)

20、k是卷积核，*表示卷积运算。

21、p3、平均池化层s2：

22、接下来是平均池化层s2，具有2x2的过滤器大小和步长2。通过平均池化操作，降低了特征图的维度，同时保留了关键的信息，有助于加速网络训练和提高鲁棒性。对于所述平均池化层s2，输入s后，输出特征图o为：

23、

24、s是步长，f是过滤器大小；o[i,j]表示输出特征图的第i行和第j列的元素；m和n表示过滤器在输入特征图上的位置索引；

25、对于每个元素o[i,j]，m和n的位置为：

26、m＝[0,f-1]

27、n＝[0,f-1]

28、通过对输入特征图中与过滤器重叠的区域进行求和，并除以过滤器大小，得到输出特征图中相应位置的值。

29、p4、卷积层c3：

30、再次引入卷积层c3，具有5x5的过滤器大小、深度为16，步长为1。这一层的设计旨在进一步提取和学习幕墙结构的更高级特征。对于所述卷积层c3，输入s后，输出特征图o为：

31、o＝relu(s*k)

32、k是卷积核，*表示卷积运算。

33、p5、平均池化层s4：

34、紧随其后的是平均池化层s4，具有2x2的过滤器大小和步长2。与前一池化层相似，该层的目的是降低维度，减少计算负担，并保留关键信息。

35、对于所述平均池化层s4，输入s后，输出特征图o为：

36、

37、s是步长，f是过滤器大小；o[i,j]表示输出特征图的第i行和第j列的元素；m和n表示过滤器在输入特征图上的位置索引；

38、对于每个元素o[i,j]，m和n的位置为：

39、m＝[0,f-1]

40、n＝[0,f-1]

41、通过对输入特征图中与过滤器重叠的区域进行求和，并除以过滤器大小，得到输出特征图中相应位置的值。

42、p6、全连接层fc5：

43、引入全连接层fc5，节点数调整为适应问题的复杂性的128个节点。全连接层的设计旨在将卷积层提取的特征映射到最终的抽象表示，为下一步的分类任务做准备。对于所述全连接层fc5，输出为：

44、o＝relu(w*x+b)

45、x为输入，w为权重，b为偏执项。

46、p7、输出层：

47、最后，建立输出层，执行softmax分类激活，输出幕墙结构向量dv。softmax激活确保输出是一个概率分布，其中每个元素表示相应类别的概率。dv提供了对幕墙结构的分类预测。对于所述输出层，设神经网络的输出为z，其中z[i]表示第i个神经元的原始输出值，经过softmax激活后的输出dv[i]:

48、

49、i表示输出层的每个神经元，j表示所有输出层神经元的索引；dv是一个概率分布向量，其元素的和等于1，表示每个类别的预测概率；每个神经元的输出dv[i]是其原始输出值z[i]的指数函数与所有神经元原始输出值的指数函数之和的比值。

50、在上述中，对于所述卷积层c1、所述卷积层c3和所述全连接层fc5，执行relu激活函数，调整输出大小。即对于输入x，所述relu激活函数的输出y为：

51、y＝max(0,x)

52、如果x大于零，则y＝x，否则y＝0；

53、所述relu激活函数的导数用于反向传播:

54、

55、对于正值，导数是1，对于负值，导数是0；所述relu激活函数的导数在反向传播中用于调整网络参数，以最小化损失函数。

56、第二方面

57、一种基于lenet-5的大规模幕墙施工系统

58、该系统采用了一种基于lenet-5的大规模幕墙施工方法，通过结合处理器、寄存器和程序指令，实现智能、高效的幕墙施工。以下是系统的主要组成部分：

59、(1)处理器：

60、系统配备了高性能的处理器，负责执行各种幕墙施工任务。处理器具有足够的计算能力和并行处理能力，以满足lenet-5神经网络模型的训练和推断要求。处理器是系统的核心执行单元，能够高效地处理复杂的神经网络计算。

61、(2)寄存器：

62、系统中集成了寄存器，用于存储程序指令和中间结果。寄存器在处理器执行过程中提供了快速、临时的数据存储，有助于加速计算过程。在幕墙施工系统中，寄存器中存储有lenet-5神经网络的权重、偏置以及其他必要的参数。

63、(3)程序指令：

64、寄存器中存储有精心设计的程序指令，这些指令指导处理器执行基于lenet-5的大规模幕墙施工方法。程序指令涵盖了lenet-5神经网络的初始化、输入处理、卷积、池化、全连接和输出层的所有操作。这些指令被处理器执行，实现了系统的功能。

65、与现有技术相比，传统技术常采用线性设计，但这在捕捉复杂的非线性关系方面存在不足。lenet-5神经网络通过引入非线性激活函数(如relu)以及多层卷积和池化层，弥补了传统线性设计的不足。具体来说，本发明的有益效果是：

66、(1)非线性关系捕捉：本发明的技术方案中的lenet-5通过深度学习的方式能够学习和捕捉幕墙结构之间的复杂非线性关系。这使得系统能够更全面地理解不同结构之间的差异，提高了模型的表达能力。

67、(2)高度抽象表示：本发明的技术方案通过多层卷积和池化层，lenet-5能够逐渐提取和抽象出幕墙结构的特征，从而更有效地表示结构间的复杂关系。这有助于提高系统的准确性和泛化能力。

68、(3)智能化施工：本发明的技术方案中lenet-5的应用使得幕墙施工过程更加智能化。系统能够学习和理解不同幕墙结构的特征，提供更具洞察力的施工方案，从而提高施工的效率和精度。

69、(4)适应性强：由于lenet-5的灵活性，本发明的技术方案能够适应不同类型和规模的幕墙工程。它可以根据具体任务的要求进行调整，使得技术方案更具通用性和适应性。基于lenet-5的方法通过对大量数据的学习，使得决策更为数据驱动。这有助于提高施工的科学性和可控性。