(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 202211158599.2 (22)申请日 2022.09.22 (71)申请人 华南理工大 学 地址 510640 广东省广州市天河区五山路 381号 (72)发明人 刘发贵　吴鑫杰　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 江裕强 (51)Int.Cl. G06Q 10/06(2012.01) G06N 20/00(2019.01) G06F 16/35(2019.01) G06F 40/284(2020.01) G06Q 50/08(2012.01) (54)发明名称 一种基于宽度学习网络的建筑施工过程风 险分类方法 (57)摘要 本发明公开了一种基于宽度学习网络的建 筑施工过程风险分类方法。 所述方法包括以下步 骤： 建立关键词到词向量的转化模型； 构建宽度 特征提取模块； 构建特征节点组切片并定义切片 运算过程； 使用集成层对多个切片运算结果进行 校正和统合； 进行建筑施工过程风险分类。 本发 明用以解决现有机器学习算法依赖专家经验， 需 要大量人工设计工作， 亦或是深度算法耗时的训 练阶段等问题， 本发明方法能够运行在普通的 CPU边缘设备上。 权利要求书5页 说明书11页 附图5页 CN 115249133 A 2022.10.28 CN 115249133 A 1.一种基于 宽度学习网络的建筑施工过程 风险分类方法， 其特 征在于， 包括以下步骤： S1： 建立关键词到词向量的转 化模型； S2： 构建宽度特 征提取模块； S3： 构建特 征节点组切片并定义切片运 算过程； S4： 使用集成层对多个切片运 算结果进行 校正和统合； S5： 进行建筑施工过程 风险分类。 2.根据权利要求1所述的一种基于宽度学习网络的建筑施工过程风险分类方法， 其特 征在于， 步骤S1 中， 关键词包括多个建筑工地的属性， 建筑工地的属性包括建筑工地的现场 环境条件、 工人的操作手法和其它的人为因素； 通过有限个建筑工地的属性， 表示各种各样 的建筑工地情况， 暗示即将出现的伤害和风险。 3.根据权利要求2所述的一种基于宽度学习网络的建筑施工过程风险分类方法， 其特 征在于， 步骤S1 中， 采用word2v ect构建关键词到词向量的转化模型， word2vect属于监督学 习， 转化模型包括输入层， 隐藏层和输出层； 每个关键词在词典 中都会有自己的编号以及对 应的one‑hot向量， one ‑hot向量作为输入层的输入； 输入层与一个第一矩阵 相乘得到 隐藏层， 隐藏层 继而跟一个第二矩阵 相乘得到输出层； 目标函数旨在拉近输入层和输 出层之间的距离， 使两者尽可能相近； 转化模型将输入的one ‑hot向量乘第一矩阵 的结 果作为关键词的词向量， 第一矩阵 的每一列都是训练好 的词向量； 通过已有的文本数 据对转化模型进行训练， 得到训练完成的转 化模型， 进 而获得各个关键词所对应的词向量。 4.根据权利要求1所述的一种基于宽度学习网络的建筑施工过程风险分类方法， 其特 征在于， 步骤S2中， 采用扁平的宽度结构构建宽度特征提取模块， 旨在提取出关键词中包括 的重要特征以及关键词间的复杂联系； 宽度特征提取模块以关键词转化的词向量作为输 入， 宽度特 征提取模块的构建过程包括以下步骤： S2.1、 定义宽度特征提取模块的数据输入格式， 定义单个样本数据为只包括关键词的 文本， 宽度特 征提取模块的输入规格将受样本数量， 样本 长度影响； S2.2、 构建宽度特 征提取模块的特 征层， 具体如下： 通过将词向量一一映射到新的子空间的形式， 来获取单个关键词的特征表示； 子空间 由小到大分别为特征节点、 特征节点组和特征层； 其中， 特征层只有一个且包括多个特征节 点组， 每个特征节点组包括多个特 征节点； S2.3、 构建宽度特 征提取模块的全局 增强层。 5.根据权利要求4所述的一种基于宽度学习网络的建筑施工过程风险分类方法， 其特 征在于， 步骤S2.1中， 具体如下： 对于一组训练的数据 ， ， 表示样本数量， 表示第i个样本数 据， 包括多个反映建筑工地情景的关键词； 表示第i个样本数据的样本标签； 表示输权　利　要　求　书 1/5 页 2 CN 115249133 A 2入到宽度特征提取模块的样本数据， ， ， 表示域， 表示一 个样本数据中关键词的最大数量， 表示词向量的大小； ， ， 表示 样本数据的输出矩阵， 又称为目标空间， 表示标签类别； 在建筑工地风险分析场景中， 代表着建筑工地施工情景的风险等级， 包括物体打击、 机 械伤害、 触电、 高处坠 落和坍塌。 6.根据权利要求5所述的一种基于宽度学习网络的建筑施工过程风险分类方法， 其特 征在于， 步骤S2.2中， 具体如下： 定义特征层 为 ， ，M表示特征节点组的数量； 单个特 征节点组与特征节点的关系表示为 ， ， 表示第m个特征节点 组， 表示第m个特征节点组中第j个特征节点， J为每个特征节点组内特征节点的数量； 第m个特征节点组中第 j个特征节点表示为 ， 第m个特征词汇的表 示向量， 第m个特征节点 和 分别为随机生成的第m个特征节点组中第 j个特征节点 的权重和偏置， Xm为X对应的第m列数据， 特征节点组和X的列维度是一一对应的； 为第一 激活函数， 第一激活函数 采用tanh 。 7.根据权利要求6所述的一种基于宽度学习网络的建筑施工过程风险分类方法， 其特 征在于， 步骤S2.3中， 具体如下： 在已获得的宽度特征提取模块的特征层的基础上， 构造第一随机矩阵 和第二随机 矩阵 参与计算， 得到具有全局信息的增强节点 ， 为第二激活 函数， 第二激活函数 采用sigmod函数； 全局增强层 表示为多个特征节点合并， 即 ； 其中， 表示第 个增强节点， 由特征层 、 第一随机矩阵 和第二随机矩阵 计算得到 。 8.根据权利要求7所述的一种基于宽度学习网络的建筑施工过程风险分类方法， 其特 征在于， 步骤S3中， 所述特征节点组切片， 通过将大尺寸的矩阵分成多个小矩阵， 达到减少 计算复杂度， 加快计算速度的作用； 构建特 征节点组切片包括以下步骤： S3.1、 定义特 征节点选择 策略， 具体如下： 在特征层的所有特征节点组中， 通过特征节点选择策略选取部分特征节点， 即进行特 征节点选择； 定义在第 轮特征节点选择中， 每个特征节点组激活的特征节点的数量为 ；权　利　要　求　书 2/5 页 3 CN 115249133 A 3