深度学习算法建筑物抗震能力评价模型毕业论文【matlab】

一、核心思路

从大范围单体建筑物地震灾害风险精细化评估应用需求出发，基于遥感等空间大数据与地面详细调查资料，深入挖掘与房屋建筑抗震性能影响因子相关的特征，研究建立基于深度学习的准确性较高且迁移性较强的建筑物抗震性能评估模型，为地震灾害风险评估与隐患排查提供技术支撑。主要研究内容如下：
（1）广泛阅读国内外的相关文献，调研建筑物抗震能力评价技术方法，对比常用的语义分割网络模型，确定广泛应用于建筑物信息提取的神经网络模型，为了满足研究的目标需求，以U-Net++网络为骨干框架，构建了适用于多特征融合的建筑物抗震能力评价模型。

（2）收集遥感空间大数据和地面详细调查资料，从这些多源信息中提取出有关建筑物抗震性能的信息，包括高分辨率遥感影像、建筑物建造年代、高度、用途和结构类型信息等。
（3）设计多特征的不同组合方式实验方案，构建一系列多种模型，对比分析不同模型的精度，探究不同特征对建筑物抗震能力的影响程度，评估本研究所搭建的神经网络模型的可适用性。

二、过程与仿真

创新点：

码器-解码器（Encoder-Decoder）的概念最早源于电路领域，其中编码器负责将模拟信号转换为数字信号，而解码器则将编码器输出的数字信号还原为原始的模拟信号。然而在人工智能领域，这一网络架构被广泛用于构建各类模型。具体而言，编码器的任务是将输入向量转换为固定维度的稠密向量，这一过程可以理解为将现实世界的问题抽象为数学形式。然后，解码器将编码器输出的特征向量解码为目标任务状态，这一步骤相当于解决数学问题，并进一步将解决方案转换为对应实际任务的策略。该网络架构的主要目标是将现实问题转化为可以求解和优化的数学问题，然后利用现有的或新设计的算法解决这些数学问题，最终将解决方案应用于现实问题，从而实现问题的解决。
编码器-解码器（Encoder-Decoder）框架在当前的语义分割算法中被广泛采用。例如，UNet、DeepLab 系列网络以及当前领先的 Transformer 络等都使用了这一架构。在这种结构中，前段是编码器，后段是解码器。以下将深入解析图像语义分割算法中常见的编码器与解码器的组成及其运作机制。

建立的U-Net++建筑物抗震能力评价模型中，根据建筑物的抗震能力将输出分为抗震能力达标、抗震能力不足、抗震能力严重不足以及背景值四类。由于模型所需的数据集中除了建筑物区域以外还存在大量的背景区域，而这些背景区域可能对模型的学习和预测产生干扰，所以将其视为一个单独的类别来降低影响。即本模型的输出形状为（512，512，4）。

损失函数是评价模型预测效果的重要工具，能够反映预测值与实际值之间的误差。通常来说，损失函数的值越小，表明模型的预测性能越出色。在语义分割任务中，常见的损失函数包括交叉熵损失（Cross-Entropy Loss）、Dice 损失（Dice Loss）、IoU 损失（Intersection over Union Loss）等。本文使用了Dice 损失和交叉熵损失组合的损失函数。Dice 系数适用于样本极度不均的情况。与交叉熵相比较而言，Dice Loss 损失函数更注重于图像的前景区域，建筑物在遥感影像中就属于前景区域。但 Dice 系数容易在反向传播过程中使训练变得不稳定，所以为了保留交叉熵收敛效能，将交叉熵和 Dice Loss 进行加权组合，使两者产生互补。

博主简介：本人擅长数据处理、建模仿真、程序设计、论文写作与指导，项目与课题经验交流。