CN110533065A - 基于自编码特征和深度学习回归模型的盾构姿态预测方法 - Google Patents

Abstract

本发明公开了一种基于自编码特征和深度学习回归模型的盾构姿态预测方法，其主要步骤是：(1)采集数据；(2)预处理；(3)生成训练样本和测试样本；(4)构建自编码器和构建深度学习回归模型；(5)提取额数据特征；(6)训练深度学习回归模型；(7)预测盾构姿态。本发明结合了盾构机掘进过程中设备参数信息，能够利用参数信息来体现盾构姿态，并且避免了繁琐的求解过程，提高了对盾构姿态变化的反应时间，具有高效的数据分析能力，可以为施工操作人员提供参考和调整依据，保障施工质量。

Description

基于自编码特征和深度学习回归模型的盾构姿态预测方法

技术领域

本发明属于机械技术领域，更进一步涉及盾构机测量技术领域中的一种基于自编码特征和深度学习回归模型的盾构姿态预测方法。本发明可用于盾构施工过程中，预测盾构轴线的真实行进线与设计轴线不完全重合的姿态。

背景技术

盾构机在推进过程中，有时会穿越复杂的地质层，刀盘刀具会发生磨损，会引起受力的不均，进而导致盾构姿态发生变化，即引起实际盾构轴线的真实行进线与设计轴线不完全重合。目前，在盾构施工过程中主要靠自动导向方法计算盾构掘进轴线与隧道设计轴线的偏差，进而指导盾构的掘进，盾构机的轴线可以靠计算盾尾和盾首的中心坐标确定。由于盾构集测量技术、激光传感技术、计算机技术、无线通信技术、机械电子技术于一体的综合***，而且由多种不同类型的精密传感器组成，这些设备会产生海量的数据，故利用这些数据进行挖掘分析，建立预测模型对盾构掘进轴线与隧道设计轴线偏差进行预测。

合肥引力波数据科技有限公司在其申请的专利文献“一种盾构机盾构姿态的测量装置及其测量方法”(专利申请号：2017105682180，公开号：CN107192372A)中提出了一种盾构机盾构姿态的测量方法。该方法首先将距离传感器与激光源连接到盾构机的上位机，距离传感器测量与激光源之间距离X，激光源测量其与接收管之间距离R，输入上位机，然后依据几何公式计算距离传感器、测量其与激光源之间夹角上位机根据与盾构机处于正常姿态的数据进行比对，得到盾构姿态。该方法虽然使用传感器对夹角进行测量，即使盾构机自动导向***发生故障，使用该方法计算夹角仍能保证夹角准确度，但是，该方法仍然存在的不足之处是，夹角的计算公式是在理想几何关系基础上推导而来的，盾构恶劣的施工环境对几何关系影响较大，细小的位置变动都会造成计算误差，并且该方法是在掘进后，通过测量计算确定盾构的具***置，对盾构姿态的跟随具有一定的滞后时间。

肖涛在其发表的论文“盾构姿态测量中倾角仪和陀螺仪的组合应用研究”(华中科技大学硕士论文，2013年1月18日)中提出了一种利用光纤陀螺仪与倾角仪融合的盾构姿态测量方法。该方法首先利用在稳定环境下倾角仪输出具有较高的精度，通过卡尔曼融合对陀螺仪零漂进行较高精度的估计，最后利用陀螺仪在振动环境下零漂补偿后具有很好的测量倾角的性能，实现对姿态角度的测量，进而体现盾构的姿态。该方法虽然具有很好的测量倾角的性能，能保证在振动环境下静态时和动态时陀螺仪角度输出误差，基本上能满足盾构施工中的姿态测量精度要求。但是，该方法仍然存在的不足之处是，由于陀螺仪和倾斜仪组成的测量***复杂，使得求解姿态角的过程过于繁琐，而且陀螺仪感知方位的静定精度较低，在动态环境下会产生更大的漂移，只能起到有限的作用，造成***不能长时间工作，并且面对复杂的施工环境，并不能对盾构进行状态趋势分析。

发明内容

本发明的目的在于针对上述已有技术的不足，提出了一种基于自编码特征和深度学习回归模型的盾构姿态预测方法。本发明结合了盾构机掘进过程中设备参数信息，能够利用参数信息来体现盾构姿态，提高了对盾构姿态变化的反应时间。

实现本发明目的的思路是，先对施工过程中产生工况数据和盾构姿态数据进行预处理，对预处理后的数据选取标签数据、无标签数据、训练样本集、测试样本集，利用训练样本集训练自编码器，调整网络参数，得到训练样本集的数据特征，再利用数据特征训练深度学习模型，得到训练好的自编码器和深度学习回归模型，将测试样本集输入到训练好的自编码器和深度学习回归模型中，得到最终预测结果并计算准确率。

实现本发明目的的具体步骤如下：

(1)采集数据：

采集盾构在施工过程中产生工况数据和盾构姿态数据；

(2)预处理：

(2a)采用分箱法，判断工况数据和盾构姿态数据的异常值，删除异常值，得到不包含异常值的工况数据和盾构姿态数据；

(2b)在[0,1]范围内，采用线性函数归一化算法，对不包含异常值的工况数据和盾构姿态数据进行处理，得到归一化后的工况数据和盾构姿态数据；

(2c)计算归一化后的工况数据和盾构姿态数据中的均值，用该均值填充归一化后的工况数据和盾构姿态数据中缺失数据，得到预处理后数据；

(3)生成训练样本集和测试样本集：

(3a)将预处理后数据中的盾首水平偏差、盾首垂直偏差、盾尾水平偏差、盾尾垂直偏差组成标签数据，将预处理后数据中的剩余数据组成无标签数据；

(3b)将标签数据和无标签数据合并为数据集，将数据集按照80％，20％划分为训练样本集和测试样本集；

(4)构建自编码器：

(4a)搭建一个3层的编码器，其结构依次为输入层、隐藏层、输出层；

(4b)搭建一个3层的解码器，其结构依次为输入层、隐藏层、输出层；

(4c)将编码器的输出层与解码器的输入层相连，组成自编码器；

(4d)将自编码器每层的激活函数设置为tanh；采用标准正态分布函数随机生成自编码器的权重值和偏差值；

(5)构建深度学习回归模型：

(5a)搭建一个3层的深度学习回归模型，其结构依次为输入层、隐藏层、输出层；

(5b)深度学习回归模型的每层激活函数设置为relu，采用标准正态分布函数随机生成自深度学习回归模型的权重值和偏差值，得到深度学习回归模型；

(6)提取数据特征：

(6a)将训练样本集的数据输入到自编码器中，采用均方差衰减公式，计算训练样本集中的数据与自编码器输出的均方差衰减值；

(6b)采用梯度下降法，依据均方差衰减值对自编码器隐藏层中的神经元权重值和偏差值的进行迭代更新，直到神经元权重值和偏差值满足不会导致自编码器出现过拟合或出现欠拟合条件时，将停止迭代时的神经元权重值和偏差值，作为自编码器参数，得到训练好的自编码器；

(6c)将训练样本集的数据输入到训练好的自编码器中，得到训练样本集的数据特征；

(7)训练深度学习回归模型

(7a)将训练样本集的数据特征输入到深度学习回归模型中，采用均方差衰减公式，计算训练样本集中的数据与深度学习回归模型输出的均方差衰减值；

(7b)采用梯度下降法，依据均方差衰减值对深度学习回归模型隐藏层中的神经元权重值和偏差值的进行迭代更新，直到神经元权重值和偏差值满足不会导致深度学习回归模型出现过拟合或出现欠拟合条件时，将停止迭代时的神经元权重值和偏差值，作为深度学习回归模型的参数，得到训练好的深度学习回归模型；

(8)预测盾构姿态：

将测试样本集的数据输入到训练好的自编码器中，得到测试样本集的数据特征，将测试样本集的数据特征输入到深度学习回归模型中，输出预测后的盾构姿态。

本发明与现有技术相比，具有以下优点：

第一，由于本发明通过构建和训练自编码器，利用训练好的自编码器中的编码器和解码器提取输入数据的融合特征，考虑到了工况数据的全部信息，学习到更高级的特征，克服了现有技术中依赖理想几何关系造成的计算误差和施工环境对几何关系影响大的问题，使得本发明提高了盾构姿态的预测准确率。

第二，由于本发明通过构建和训练深度学习回归模型，利用训练好的深度学习回归模型对输入数据进行预测，利用了深度学习回归模型良好的拟合性质，克服了现有技术中求解姿态角的过程过于繁琐，且在复杂的施工环境中不能正常工作，导致计算准确率低的问题，使得本发明比现有技术具有简单的计算过程，提高了计算速度，缩短了对盾构姿态预测的反应时间，提高了实时预测盾构姿态的效率。

附图说明

图1是本发明的流程图。

具体实施方式

下面结合附图1，对本发明的具体实施步骤做进一步的详细描述。

步骤1,采集数据。

采集盾构在施工过程中产生工况数据和盾构姿态数据，所采集的数据来源为宁波地铁三号线明楼至体育馆段的数据。

工况数据包括：刀盘扭矩、刀盘转速、内圈温度、外圈温度、上土压、右土压、下土压、左土压、回转角前筒、俯仰角前筒、总推力、总油压、推进速度、千斤顶行程上、千斤顶行程右、千斤顶行程下、千斤顶行程左、千斤顶速度上、千斤顶速度右、千斤顶速度下、千斤顶速度左、千斤顶推力上、千斤顶推力右、千斤顶推力下、千斤顶推力左、螺旋机扭矩、螺旋机转速、螺旋机压力、前闸门开度、铰接油压、右上注浆压力、右下注浆压力、左下注浆压力、左上注浆压力、右上注浆量、右下注浆量、左下注浆量、左上注浆量、注浆累计、油温、铰接水平偏差、铰接垂直偏差、盾构机前端大地坐标X坐标、盾构机前端大地坐标Y坐标、盾构机前端大地坐标Z坐标、盾尾间隙右,盾构机后端大地坐标X坐标、盾构机后端大地坐标Y坐标、盾构机后端大地坐标Z坐标。

所述的盾构姿态数据包括：切口水平偏差、切口垂直偏差、盾尾水平偏差、盾尾垂直偏差。

步骤2,预处理。

采用分箱法，判断工况数据和盾构姿态数据的异常值，删除异常值，得到不包含异常值的工况数据和盾构姿态数据。

分箱法具体步骤如下：

第1步，对每个工况数据或每个盾构姿态数据进行统计量计算，具体包括下四分位数、中位数、上四分位数、四分位间距。

第2步，按照下式，判断工况数据或盾构姿态数据的异常值：

value＞QU+1.5IQR or value＜QL-1.5IQR

其中，value表示每个工况数据或每个盾构姿态数据中大于QU+1.5IQR或小于QL-1.5IQR的数据，QU表示每个工况数据或每个盾构姿态数据中的上四分位数，QL表示每个工况数据或每个盾构姿态数据中的下四分位数，IQR表示每个工况数据或每个盾构姿态数据中的四分位间距。

在[0,1]范围内，采用线性函数归一化算法，对不包含异常值的工况数据和盾构姿态数据进行处理，得到归一化后的工况数据和盾构姿态数据。

计算归一化后的工况数据和盾构姿态数据中的均值，用该均值填充归一化后的工况数据和盾构姿态数据中缺失数据，得到预处理后数据。

步骤3,生成训练样本集和测试样本集。

将预处理后数据中的盾首水平偏差、盾首垂直偏差、盾尾水平偏差、盾尾垂直偏差组成标签数据，将预处理后数据中的剩余数据组成无标签数据。

将标签数据和无标签数据合并为数据集，将数据集按照80％，20％划分为训练样本集和测试样本集。

步骤4,构建自编码器。

搭建一个3层的编码器，其结构依次为输入层、隐藏层、输出层；

搭建一个3层的解码器，其结构依次为输入层、隐藏层、输出层；

将编码器的输出层与解码器的输入层相连，组成自编码器；

将自编码器每层的激活函数设置为tanh；采用标准正态分布函数随机生成自编码器的权重值和偏差值。

步骤5,构建深度学习回归模型。

搭建一个3层的深度学习回归模型，其结构依次为输入层、隐藏层、输出层；

深度学习回归模型的每层激活函数设置为relu，采用标准正态分布函数随机生成自深度学习回归模型的权重值和偏差值，得到深度学习回归模型。

步骤6,提取数据特征。

将训练样本集的数据输入到自编码器中，采用均方差衰减公式，计算训练样本集中的数据与自编码器输出的均方差衰减值。

所述的均方差衰减公式如下：

J(w_j,b_j)＝J(x_i,y_ji)+J(w_j)

其中，J(W_j,b_j)表示输入训练样本集的数据经过自编码器隐藏层中第j个神经元后自编码器输出的均方差衰减值，W_j表示自编码器隐藏层中第j个神经元的权重值，b_j表示随机生成的自编码器隐藏层中第j个神经元的偏差值，J(x_i,y_ji)表示训练样本集中的第i个数据x_i与自编码器隐藏层中的第j个神经元的输出y_ji之间的误差值，J(W_j)表示输入训练样本集的数据经过自编码隐藏层第j个神经元权重值的衰减值。

采用梯度下降法，依据均方差衰减值对自编码器隐藏层中的神经元权重值和偏差值的进行迭代更新，直到神经元权重值和偏差值满足不会导致自编码器出现过拟合或出现欠拟合条件时，将停止迭代时的神经元权重值和偏差值，作为自编码器参数，得到训练好的自编码器。

所述梯度下降法的具体步骤如下：

第1步，按照下式，更新权重值：

其中，W_n+1表示第n+1次迭代时更新后自编码器隐藏层中神经元的权重值，W_n表示第n次迭代时更新后自编码器隐藏层中神经元的权重值，α表示自编码器隐藏层中神经元权重值的学习速率，0＜α＜1，表示求偏导操作，J(W_n,b_n)表示迭代更新n次后输入训练样本集的数据经过自编码器输出的均方差衰减值，b_n表示第n次迭代时自编码器隐藏层中神经元的偏差值。

第2步，按照下式，更新偏差值：

其中，b_n+1表示第n+1次迭代更新后自编码器隐藏层中神经元的偏差值，b_n表示第n次迭代时更新后自编码器隐藏层中神经元的偏差值，β表示自编码器隐藏层中神经元偏差值的学习速率，β的取值范围为0＜β＜1，J(W_n,b_n)表示迭代更新n次后输入训练样本集的数据经过自编码器输出的均方差衰减值，W_n表示第n次迭代时自编码器隐藏层中神经元的权重值。

将训练样本集的数据输入到训练好的自编码器中，得到训练样本集的数据特征。

步骤7,训练深度学习回归模型。

将训练样本集的数据特征输入到深度学习回归模型中，采用均方差衰减公式，计算训练样本集中的数据与深度学习回归模型输出的均方差衰减值。

所述的均方差衰减公式如下：

J(w_j,b_j)＝J(x_i,y_ji)+J(w_j)

其中，J(W_j,b_j)表示输入训练样本集的数据经过深度学习回归模型隐藏层中第j个神经元后深度学习回归模型输出的均方差衰减值，W_j表示深度学习回归模型隐藏层中第j个神经元的权重值，b_j表示随机生成的深度学习回归模型隐藏层中第j个神经元的偏差值，J(x_i,y_ji)表示训练样本集中的第i个数据x_i与深度学习回归模型隐藏层中的第j个神经元的输出y_ji之间的误差值，J(W_j)表示输入训练样本集的数据经过深度学习回归模型隐藏层第j个神经元权重值的衰减值。

采用梯度下降法，依据均方差衰减值对深度学习回归模型隐藏层中的神经元权重值和偏差值的进行迭代更新，直到神经元权重值和偏差值满足不会导致深度学习回归模型出现过拟合或出现欠拟合条件时，将停止迭代时的神经元权重值和偏差值，作为深度学习回归模型的参数，得到训练好的深度学习回归模型。

所述梯度下降法的具体步骤如下：

第1步，按照下式，更新权重值：

其中，W_n+1表示第n+1次迭代时更新后深度学习回归模型隐藏层中神经元的权重值，W_n表示第n次迭代时更新后深度学习回归模型隐藏层中神经元的权重值，α表示深度学习回归模型隐藏层中神经元权重值的学习速率，0＜α＜1，表示求偏导操作，J(W_n,b_n)表示迭代更新n次后输入训练样本集的数据经过深度学习回归模型的均方差衰减值，b_n表示第n次迭代时深度学习回归模型隐藏层中神经元的偏差值。

第2步，按照下式，更新偏差值：

其中，b_n+1表示第n+1次迭代更新后深度学习回归模型隐藏层中神经元的偏差值，b_n表示第n次迭代时更新后深度学习回归模型隐藏层中神经元的偏差值，β表示深度学习回归模型隐藏层中神经元偏差值的学习速率，β的取值范围为0＜β＜1，J(W_n,b_n)表示迭代更新n次后输入训练样本集的数据经过深度学习回归模型的均方差衰减值，W_n表示第n次迭代时深度学习回归模型隐藏层中神经元的权重值。

步骤8,预测盾构姿态

将测试样本集的数据输入到训练好的自编码器中，得到测试样本集的数据特征，将测试样本集的数据特征输入到深度学习回归模型中，输出预测后的盾构姿态。

Claims (8)

1.一种基于自编码特征和深度学习回归模型的盾构姿态预测方法，其特征在于，构造自编码器，提取数据特征，训练深度学习回归模型，得到盾构姿态预测模型，该方法的具体步骤如下：

(1)采集数据：

采集盾构在施工过程中产生工况数据和盾构姿态数据；

(2)预处理：

(2a)采用分箱法，判断工况数据和盾构姿态数据的异常值，删除异常值，得到不包含异常值的工况数据和盾构姿态数据；

(2b)在[0,1]范围内，采用线性函数归一化算法，对不包含异常值的工况数据和盾构姿态数据进行处理，得到归一化后的工况数据和盾构姿态数据；

(2c)计算归一化后的工况数据和盾构姿态数据中的均值，用该均值填充归一化后的工况数据和盾构姿态数据中缺失数据，得到预处理后数据；

(3)生成训练样本集和测试样本集：

(3a)将预处理后数据中的盾首水平偏差、盾首垂直偏差、盾尾水平偏差、盾尾垂直偏差组成标签数据，将预处理后数据中的剩余数据组成无标签数据；

(3b)将标签数据和无标签数据合并为数据集，将数据集按照80％，20％划分为训练样本集和测试样本集；

(4)构建自编码器：

(4a)搭建一个3层的编码器，其结构依次为输入层、隐藏层、输出层；

(4b)搭建一个3层的解码器，其结构依次为输入层、隐藏层、输出层；

(4c)将编码器的输出层与解码器的输入层相连，组成自编码器；

(4d)将自编码器每层的激活函数设置为tanh；采用标准正态分布函数随机生成自编码器的权重值和偏差值；

(5)构建深度学习回归模型：

(5a)搭建一个3层的深度学习回归模型，其结构依次为输入层、隐藏层、输出层；

(5b)深度学习回归模型的每层激活函数设置为relu，采用标准正态分布函数随机生成自深度学习回归模型的权重值和偏差值，得到深度学习回归模型；

(6)提取数据特征：

(6a)将训练样本集的数据输入到自编码器中，采用均方差衰减公式，计算训练样本集中的数据与自编码器输出的均方差衰减值；

(6b)采用梯度下降法，依据均方差衰减值对自编码器隐藏层中的神经元权重值和偏差值的进行迭代更新，直到神经元权重值和偏差值满足不会导致自编码器出现过拟合或出现欠拟合条件时，停止迭代更新，将停止迭代更新时的神经元权重值和偏差值，作为自编码器参数，得到训练好的自编码器；

(6c)将训练样本集的数据输入到训练好的自编码器中，得到训练样本集的数据特征；

(7)训练深度学习回归模型

(7a)将训练样本集的数据特征输入到深度学习回归模型中，采用均方差衰减公式，计算训练样本集中的数据与深度学习回归模型输出的均方差衰减值；

(7b)采用梯度下降法，依据均方差衰减值对深度学习回归模型隐藏层中的神经元权重值和偏差值的进行迭代更新，直到神经元权重值和偏差值满足不会导致深度学习回归模型出现过拟合或出现欠拟合条件时，停止迭代更新，将停止迭代更新时的神经元权重值和偏差值，作为深度学习回归模型的参数，得到训练好的深度学习回归模型；

(8)预测盾构姿态：

将测试样本集的数据输入到训练好的自编码器中，得到测试样本集的数据特征，将测试样本集的数据特征输入到深度学习回归模型中，输出预测后的盾构姿态。

2.根据权利要求1所述的基于自编码特征和深度学***偏差、铰接垂直偏差、盾构机前端大地坐标X坐标、盾构机前端大地坐标Y坐标、盾构机前端大地坐标Z坐标、盾尾间隙右,盾构机后端大地坐标X坐标、盾构机后端大地坐标Y坐标、盾构机后端大地坐标Z坐标。

3.根据权利要求1所述的基于自编码特征和深度学***偏差、切口垂直偏差、盾尾水平偏差、盾尾垂直偏差。

4.根据权利要求1所述的基于自编码特征和深度学习回归模型的盾构姿态预测方法，其特征在于，步骤(2a)中所述的分箱法具体步骤如下：

第一步，对每个工况数据或每个盾构姿态数据进行统计量计算，具体包括下四分位数、中位数、上四分位数、四分位间距；

第二步：按照下式，判断工况数据或盾构姿态数据的异常值：

value＞QU+1.5IQR or value＜QL-1.5IQR

其中，value表示每个工况数据或每个盾构姿态数据中大于QU+1.5IQR或小于QL-1.5IQR的数据，QU表示每个工况数据或每个盾构姿态数据中的上四分位数，QL表示每个工况数据或每个盾构姿态数据中的下四分位数，IQR表示每个工况数据或每个盾构姿态数据中的四分位间距。

5.根据权利要求1所述的基于自编码特征和深度学习回归模型的盾构姿态预测方法，其特征在于，步骤(2b)中所述的缺失数据是指，归一化后的工况数据和盾构姿态数据为0的数据，或由于数据采集器故障导致保存失败的缺失数据。

6.根据权利要求1所述的基于自编码特征和深度学习回归模型的盾构姿态预测方法，其特征在于，步骤(6a)中所述的均方差衰减公式如下：

J(w_j,b_j)＝J(x_i,y_ji)+J(w_j)

其中，J(W_j,b_j)表示输入训练样本集的数据经过自编码器隐藏层中第j个神经元后自编码器输出的均方差衰减值，W_j表示自编码器隐藏层中第j个神经元的权重值，b_j表示随机生成的自编码器隐藏层中第j个神经元的偏差值，J(x_i,y_ji)表示训练样本集中的第i个数据x_i与自编码器隐藏层中的第j个神经元的输出y_ji之间的误差值，J(W_j)表示输入训练样本集的数据经过自编码隐藏层第j个神经元权重值的衰减值。

7.根据权利要求1所述的基于自编码特征和深度学习回归模型的盾构姿态预测方法，其特征在于，步骤(6b)、步骤(7b)中所述梯度下降法的具体步骤如下：

第一步，按照下式，更新权重值：

其中，W_n+1表示第n+1次迭代时更新后的权重值，W_n表示第n次迭代时更新后的权重值，α表示学习速率，步骤(6b)中该学习速率为自编码器隐藏层中神经元权重值的学习速率，步骤(7b)中该学习速率为深度学习回归模型隐藏层中神经元权重值的学习速率，0＜α＜1，表示求偏导操作，J(W_n,b_n)表示迭代更新n次后的均方差衰减值，步骤(6b)中该均方差衰减值为输入训练样本集的数据经过自编码器输出的均方差衰减值，步骤(7b)中该均方差衰减值为输入训练样本集的数据经过深度学习回归模型的均方差衰减值，b_n表示第n次迭代时的偏差值，步骤(6b)中所述权重值为自编码器隐藏层中神经元的偏差值，步骤(7b)中所述权重值为深度学习回归模型隐藏层中神经元的偏差值；

第二步，按照下式，更新偏差值：

其中，b_n+1表示第n+1次迭代更新后的偏差值，b_n表示第n次迭代时更新后的偏差值，β表示学习速率，步骤(6b)中该学习速率为自编码器隐藏层中神经元偏差值的学习速率，步骤(7b)中该学习速率为深度学习回归模型隐藏层中神经元偏差值的学习速率，β的取值范围为0＜β＜1，J(W_n,b_n)表示迭代更新n次后的的均方差衰减值，步骤(6b)中该均方差衰减值为输入训练样本集的数据经过自编码器输出的均方差衰减值，步骤(7b)中该均方差衰减值为输入训练样本集的数据经过深度学习回归模型的均方差衰减值，W_n表示第n次迭代时的权重值，步骤(6b)中所述权重值为自编码器隐藏层中神经元的权重值，步骤(7b)中所述权重值为深度学习回归模型隐藏层中神经元的权重值。

8.根据权利要求1所述的基于自编码特征和深度学习回归模型的盾构姿态预测方法，其特征在于，步骤(7a)中所述的均方差衰减公式如下：

J(w_j,b_j)＝J(x_i,y_ji)+J(w_j)

其中，J(W_j,b_j)表示输入训练样本集的数据经过深度学习回归模型隐藏层中第j个神经元后深度学习回归模型输出的均方差衰减值，W_j表示深度学习回归模型隐藏层中第j个神经元的权重值，b_j表示随机生成的深度学习回归模型隐藏层中第j个神经元的偏差值，J(x_i,y_ji)表示训练样本集中的第i个数据x_i与深度学习回归模型隐藏层中的第j个神经元的输出y_ji之间的误差值，J(W_j)表示输入训练样本集的数据经过深度学习回归模型隐藏层第j个神经元权重值的衰减值。