CN108305300A - 液体表面形貌的重建方法及系统 - Google Patents
液体表面形貌的重建方法及系统 Download PDFInfo
- Publication number
- CN108305300A CN108305300A CN201711437509.2A CN201711437509A CN108305300A CN 108305300 A CN108305300 A CN 108305300A CN 201711437509 A CN201711437509 A CN 201711437509A CN 108305300 A CN108305300 A CN 108305300A
- Authority
- CN
- China
- Prior art keywords
- individual
- function
- random
- gradient
- ripple
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Abstract
本发明公开了一种液体表面形貌的重建方法及系统,通过综合应用时间连续性模型以及连续测量不同时间的梯度数据信息,通过群智能算法进行液体表面波纹分布的更新、择优、迭代和逼近,寻找一个在时间连续性模型和不同时间测量梯度数据上都非常温和的一个曲面作为重建波面;本发明液体表面形貌的重建方法及系统,通过迭代逼近逐步压缩测量梯度误差的影响,避免仅由单一时刻测量梯度重建波纹形貌时、测量误差对重建结果的巨大影响,从而达到了提高液体波纹形貌重建精度的目的。
Description
技术领域
本发明涉及液体形貌重建技术领域,特别涉及一种液体表面形貌的重建方法及系统。
背景技术
一直以来,水和其它液体的表面形貌测量与重建吸引了大量研究者的兴趣。水和液体的表面波纹形貌测量与重建在许多领域具有重要的应用,例如海洋遥感、舰船尾流研究、液体测量、液体流动成像等。水面波纹的形貌测量与重建的一般方法为:采用特定的光电成像或者光电测量设备获取水面波纹分布的某些特征分量,然后从这些特征分量中按照特定算法重建波纹分布。其中一种比较常用的特征分量为:水面波纹分布的梯度(也称为“陡度”)。
目前,从梯度分布中重建液体表面形貌分布的方法主要采用的是:简单积分法、傅里叶变换法和二阶差分法。简单积分法就是对梯度数据进行积分,这种方法操作比较简单,但是累积误差较大。傅里叶变换法是指:梯度数据按照一定方式组合,与波纹形貌函数互为傅里叶变换,对梯度组合数据进行傅里叶变换即可获得波纹形貌。二阶差分法是目前应用最多的重建算法,该算法通过二阶差分建立波纹分布与梯度的超定方程组,然后利用最小二乘法进行求解得到波纹分布。上述简单积分法、傅里叶变换法以及二阶差分法,均采用单一时刻的测量信息进行波面重建,而采用单一时刻的测量信息进行波面重建时,测量梯度误差的影响不可避免,波纹重建精度都依赖于梯度测量精度,在实际操作中,测量波面梯度并不容易,所以,测量梯度误差往往较大,这必将导致波纹曲面重建误差较大,难以实现高精度波纹重建。
发明内容
本发明提供一种液体表面形貌的重建方法及系统,旨在通过综合应用时间连续性模型以及梯度数据时间序列,通过迭代逼近逐步压缩测量梯度误差的影响,达到提高液体波纹形貌重建精度的目的。
本发明提供了一种液体表面形貌的重建方法,所述液体表面形貌的重建方法包括:
按照连续时间序列测量液体波纹形貌的梯度数据,得到对应的连续测量时间的梯度序列数据;
基于得到的所述梯度序列数据,从初始时刻的测量梯度数据重建初始液体表面波纹形貌分布,得到初始波纹形貌分布函数;
从所述初始波纹形貌分布函数中产生随机变异,生成随机个体函数;
加入下一时刻测量的梯度序列数据,针对随机变异得到的随机个体函数,计算随机个体函数对应的评价参数,并根据得到的评价参数,对不同的随机个体函数进行个体评价;
根据得到的随机个体函数对应的个体评价结果,对随机个体函数进行筛选、淘汰、变异和更新,得到更新后的新生个体函数;
新加入下一时刻测量的梯度序列数据,针对更新后得到的新生个体函数,计算新生个体函数的评价参数,并根据得到的评价参数,对不同的新生个体函数进行个体评价,直至得到的个体评价值小于预设阈值;
将个体评价值小于预设阈值所对应的新生个体函数作为最终重建的液体表面波纹形貌分布曲面函数。
优选地,所述按照连续时间序列测量液体波纹形貌的梯度数据,得到对应的连续测量时间的梯度序列数据,包括:
设t时刻液体表面波纹分布函数为h(x,y,t),液体表面波纹在三维空间的梯度分布数据为u(x,y,t)、v(x,y,t)、w(x,y,t);
利用光学成像或者光电传感法,按照连续时间序列测量采样点的液体波纹形貌,得到采样点对应的连续测量时间的梯度序列数据:
u(xij,yij,t0+kΔt),v(xij,yij,t0+kΔt),w(xij,yij,t0+kΔt)k=0,1,2,3...;
其中,Δt为测量时间间隔;测量的采样点满足矩形栅格分布;梯度分布数据的三个分量满足u2+v2+w2=1。
优选地,所述基于得到的所述梯度序列数据,从初始时刻的测量梯度数据重建初始液体表面波纹形貌分布,得到初始波纹形貌分布函数;包括:
基于测量得到的梯度序列数据,从初始时刻的测量梯度数据u(xij,yij,t0),v(xij,yij,t0),w(xij,yij,t0),采用二阶差分格式构造操作矩阵G:
GH=ξ;
令ξ=(u,v),其中u、v分别表示u,v排列的列向量;H表示h排列的列向量;所述u、v的表达式如下:
采用最小二乘法求解:
H0=min||GH-ξ||2;
根据求解的结果,得到初始波纹形貌分布函数h(xij,yij,t0)。
优选地,所述从初始波纹形貌分布函数中产生随机变异,生成随机个体函数;包括:
从初始波纹形貌分布函数h(xij,yij,t0)中,随机生成Q个光滑连续曲面hsq(xij,yij)q=1,2...Q;
设初始波纹形貌分布函数h(xij,yij,t0)的变化幅值为f,令||hsq(xij,yij)||≤f,并定义P个累加权重向量wpp=1,2...P,每个权重向量包含Q个元素wpq,分别对应于该累加向量中第q个曲面的累加权重,则利用如下数学表达式,即可得到随机生成的P个不同的随机个体函数hvp(xij,yij,t0):
其中,||wpq||≤1。
优选地,所述加入下一时刻测量的梯度序列数据,针对随机变异得到的随机个体函数,计算随机个体函数对应的评价参数,并根据得到的评价参数,对不同的随机个体函数进行个体评价;包括:
加入下一时刻t1测量的梯度序列数据u(xij,yij,t1),v(xij,yij,t1),w(xij,yij,t1),按照如下数学表达式计算随机个体hvp(xij,yij,t0)的评价参数rh(x,y,t):
根据得到的所述评价参数,对不同随机个体hvp(xij,yij,t0)按照如下数学表达式进行个体评价,得到随机个体分别对应的个体评价值Assessment[hvp(x,y,t0)]:
Assessment[hvp(x,y,t0)]=||rh(x,y,t)/ruv(x,y,t)-1||2+λ||▽2hvp(x,y,t)||2
h∈[h1,h2],x∈[x1,x2],y∈[y1,y2];
其中,所述λ||▽2hvp(x,y,t)||2为光滑约束惩罚项,以保证求解的曲面是空间光滑连续的。
优选地,所述根据得到的随机个体函数对应的个体评价结果,对随机个体函数进行筛选、淘汰、变异和更新,得到更新后的新生个体函数;包括:
根据得到的随机个体函数对应的个体评价值Assessment[hvp(x,y,t0)],利用群智能算法,加强个体评价值Assessment[hvp(x,y,t0)]低于预设低值的个体的作用,压缩个体评价值Assessment[hvp(x,y,t0)]高于预设高值的作用,使得整个随机个体函数对应的群体组合向个体评价值Assessment[hvp(x,y,t0)]高的个体聚集靠拢并产生对应的个体变异,得到对应的新生个体函数。
对应于以上实施例所提供的一种液体表面形貌的重建方法,本发明还提供了一种液体表面形貌的重建系统,所述液体表面形貌的重建系统包括:
数据采集模块,用于按照连续时间序列测量液体波纹形貌的梯度数据,得到对应的连续测量时间的梯度序列数据;
函数重建模块,用于基于得到的所述梯度序列数据,从初始时刻的测量梯度数据重建初始液体表面波纹形貌分布,得到初始波纹形貌分布函数;
函数生成模块,用于从所述初始波纹形貌分布函数中产生随机变异,生成随机个体函数;
个体评价模块,用于加入下一时刻测量的梯度序列数据,针对随机变异得到的随机个体函数,计算随机个体函数对应的评价参数,并根据得到的评价参数,对不同的随机个体函数进行个体评价;
函数更新模块,用于根据得到的随机个体函数对应的个体评价结果,对随机个体函数进行筛选、淘汰、变异和更新,得到更新后的新生个体函数;
所述个体评价模块还用于:新加入下一时刻测量的梯度序列数据,针对更新后得到的新生个体函数,计算新生个体函数的评价参数,并根据得到的评价参数,对不同的新生个体函数进行个体评价,直至得到的个体评价值小于预设阈值;
形貌重建模块,用于将个体评价值小于预设阈值所对应的新生个体函数作为最终重建的液体表面波纹形貌分布曲面函数。
优选地,所述数据采集模块用于:
设t时刻液体表面波纹分布函数为h(x,y,t),液体表面波纹在三维空间的梯度分布数据为u(x,y,t),v(x,y,t),w(x,y,t);
利用光学成像或者光电传感法,按照连续时间序列测量采样点的液体波纹形貌,得到采样点对应的连续测量时间的梯度序列数据:
u(xij,yij,t0+kΔt),v(xij,yij,t0+kΔt),w(xij,yij,t0+kΔt)k=0,1,2,3...;
其中,Δt为测量时间间隔;测量的采样点满足矩形栅格分布;梯度分布数据的三个分量满足u2+v2+w2=1。
优选地,所述函数重建模块用于:
基于测量得到的梯度序列数据,从初始时刻的测量梯度数据u(xij,yij,t0),v(xij,yij,t0),w(xij,yij,t0),采用二阶差分格式构造操作矩阵G:
GH=ξ;
令ξ=(u,v),其中u、v分别表示u,v排列的列向量;H表示h排列的列向量;所述u、v的表达式如下:
采用最小二乘法求解:
H0=min||GH-ξ||2;
根据求解的结果,得到初始波纹形貌分布函数h(xij,yij,t0)。
优选地,所述函数生成模块用于:
从初始波纹形貌分布函数h(xij,yij,t0)中,随机生成Q个光滑连续曲面hsq(xij,yij)q=1,2...Q;
设初始波纹形貌分布函数h(xij,yij,t0)的变化幅值为f,令||hsq(xij,yij)||≤f,并定义P个累加权重向量wpp=1,2...P,每个权重向量包含Q个元素wpq,分别对应于该累加向量中第q个曲面的累加权重,则利用如下数学表达式,即可得到随机生成的P个不同的随机个体函数hvp(xij,yij,t0):
其中,||wpq||≤1。
优选地,所述个体评价模块用于:
加入下一时刻t1测量的梯度序列数据u(xij,yij,t1),v(xij,yij,t1),w(xij,yij,t1),按照如下数学表达式计算随机个体hvp(xij,yij,t0)的评价参数rh(x,y,t):
根据得到的所述评价参数,对不同随机个体hvp(xij,yij,t0)按照如下数学表达式进行个体评价,得到随机个体分别对应的个体评价值Assessment[hvp(x,y,t0)]:
Assessment[hvp(x,y,t0)]=||rh(x,y,t)/ruv(x,y,t)-1||2+λ||▽2hvp(x,y,t)||2
h∈[h1,h2],x∈[x1,x2],y∈[y1,y2];
其中,所述λ||▽2hvp(x,y,t)||2为光滑约束惩罚项,以保证求解的曲面是空间光滑连续的。
优选地,所述函数更新模块用于:
根据得到的随机个体函数对应的个体评价值Assessment[hvp(x,y,t0)],利用群智能算法,加强个体评价值Assessment[hvp(x,y,t0)]低于预设低值的个体的作用,压缩个体评价值Assessment[hvp(x,y,t0)]高于预设高值的作用,使得整个随机个体函数对应的群体组合向个体评价值Assessment[hvp(x,y,t0)]高的个体聚集靠拢并产生对应的个体变异,得到对应的新生个体函数。
本发明一种液体表面形貌的重建方法及系统可以达到如下有益效果:
通过综合应用时间连续性模型以及连续测量不同时间的梯度数据信息,通过群智能算法进行液体表面波纹分布的更新、择优、迭代和逼近,寻找一个在时间连续性模型和不同时间测量梯度数据上都非常温和的一个曲面作为重建波面;本发明液体表面形貌的重建方法及系统,通过迭代逼近逐步压缩测量梯度误差的影响,避免仅由单一时刻测量梯度重建波纹形貌时、测量误差对重建结果的巨大影响,从而达到了提高液体波纹形貌重建精度的目的。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所指出的内容来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种液体表面形貌的重建方法的一种实施方式的流程示意图;
图2是本发明一种液体表面形貌的重建方法及系统中水面波纹与梯度向量的一种实施方式的关系模拟示意图;
图3是本发明一种液体表面形貌的重建系统的一种实施方式的功能模块示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明提供一种液体表面形貌的重建方法及系统,旨在通过综合应用时间连续性模型以及梯度数据时间序列,通过迭代逼近逐步压缩测量梯度误差的影响,避免仅由单一时刻测量梯度重建波纹形貌时测量误差对重建结果的巨大影响,从而达到提高液体波纹形貌重建精度的目的。本发明液体表面形貌的重建方法及系统的下述实施方式中,本领域的技术人员可以理解,由于水这种液体的代表性较强且应用范围较广,因此在下述实施例中,为节约宝贵的审查资源,仅以水这种液体作为具体液体的实例代表,进行本发明液体表面形貌的重建方法及系统的核心思想的解释和说明,但不能以此作为本发明液体表面形貌的重建方法及系统的保护范围的限定依据。
如图1所示,图1是本发明一种液体表面形貌的重建方法的一种实施方式的流程示意图;本发明一种液体表面形貌的重建方法可以实施为如下描述的步骤S10-S70:
步骤S10、按照连续时间序列测量液体波纹形貌的梯度数据,得到对应的连续测量时间的梯度序列数据;
本发明实施例中,液体表面形貌的重建系统(以下简称“重建系统”)通过光学成像或者光电传感测量的方法,能够获取水面波纹形貌的某一点处的梯度信息,也称为陡度信息;并通过获取的上述梯度信息来表征水面波纹在该点处的倾斜程度。同时数学上计算也表明,重建系统所测量得到的梯度向量实际上也是波纹曲面在该点处的法向量。
如图2所示例的水面波纹与梯度向量的示意图,假设某时刻水面波纹分布函数为h(x,y,t),水面面波纹在三维空间的梯度分布数据为u(x,y,t),v(x,y,t),w(x,y,t);则重建系统利用光学成像或者光电传感法,按照连续时间序列测量采样点的液体波纹形貌,得到采样点对应的连续测量时间的梯度序列数据:
u(xij,yij,t0+kΔt),v(xij,yij,t0+kΔt),w(xij,yij,t0+kΔt)k=0,1,2,3...;
得到的上述梯度序列数据中,Δt为测量时间间隔;且重建系统测量时所选取的采样点为矩形栅格分布(xij,yij)i=1,2...M,j=1,2...N。另外,梯度分布数据所对应的三个分量满足如下数学表达式:
u2+v2+w2=1。
步骤S20、基于得到的所述梯度序列数据,从初始时刻的测量梯度数据重建初始液体表面波纹形貌分布,得到初始波纹形貌分布函数;
根据步骤S10中得到的梯度序列数据:
u(xij,yij,t0+kΔt),v(xij,yij,t0+kΔt),w(xij,yij,t0+kΔt)k=0,1,2,3...,重建系统从初始时刻t0得到的测量梯度数据u(xij,yij,t0),v(xij,yij,t0),w(xij,yij,t0),对初始水面波纹形貌分布进行重建。重建系统所采用的重建方法包括但不限于:简单积分法、傅里叶变换法和二阶差分法以及其他的波纹重建算法。
在本发明一优选的实施例中,采用二阶差法进行初始水面波纹形貌的重建。利用二阶差分格式构造操作矩阵G:
GH=ξ;
令ξ=(u,v),其中u、v分别表示u,v排列的列向量;H表示h排列的列向量;所述u、v的表达式如下:
上述方程组中包含了2MN个方程和MN个未知数,所以,该方程组为超定方程组,故采用最小二乘法求解:
H0=min||GH-ξ||2;
根据求解的结果,得到初始波纹形貌分布函数h(xij,yij,t0)。
步骤S30、从所述初始波纹形貌分布函数中产生随机变异,生成随机个体函数;
从初始波纹形貌分布函数h(xij,yij,t0)中产生随机变异,生成P个不同的随机个体函数;在本发明一优选的实施例中,重建系统产生随机变异可以采用如下方法:
从初始波纹形貌分布函数h(xij,yij,t0)中,随机生成Q个光滑连续曲面hsq(xij,yij)q=1,2...Q;设初始波纹形貌分布函数h(xij,yij,t0)的变化幅值为f,令||hsq(xij,yij)||≤f,并定义P个累加权重向量wpp=1,2...P,每个权重向量包含Q个元素wpq,分别对应于该累加向量中第q个曲面的累加权重,则利用如下数学表达式,即可得到随机生成的P个不同的随机个体函数hvp(xij,yij,t0):
其中,||wpq||≤1。
步骤S40、加入下一时刻测量的梯度序列数据,针对随机变异得到的随机个体函数,计算随机个体函数对应的评价参数,并根据得到的评价参数,对不同的随机个体函数进行个体评价;
加入下一时刻t1测量的梯度序列数据u(xij,yij,t1),v(xij,yij,t1),w(xij,yij,t1),按照如下数学表达式计算随机个体hvp(xij,yij,t0)的评价参数rh(x,y,t):
根据得到的所述评价参数,对不同随机个体hvp(xij,yij,t0)按照如下数学表达式进行个体评价,得到随机个体分别对应的个体评价值Assessment[hvp(x,y,t0)]:
Assessment[hvp(x,y,t0)]=||rh(x,y,t)/ruv(x,y,t)-1||2+λ||▽2hvp(x,y,t)||2
h∈[h1,h2],x∈[x1,x2],y∈[y1,y2];
其中,所述λ||▽2hvp(x,y,t)||2为光滑约束惩罚项,以保证求解的曲面是空间光滑连续的。理论上,Assessment[hvp(x,y,t0)]的值越小,对该随机生成的随机个体的评价越高。
步骤S50、根据得到的随机个体函数对应的个体评价结果,对随机个体函数进行筛选、淘汰、变异和更新,得到更新后的新生个体函数;
重建系统根据得到的随机个体函数对应的个体评价值Assessment[hvp(x,y,t0)],利用群智能算法进行评价、淘汰和更新,以生成新的个体hvp(x,y,t1)。重建系统对上述随机个体函数的评价、淘汰和更新所采用的具体的方法,根据该重建系统所选取的群智能算法不同而在具体的操作细节上有所差别;但不同的群智能算法的核心思想都是根据不同hvp(x,y,t0)的评价高低,即Assessment[hvp(x,y,t0)]的大小,加强个体评价值Assessment[hvp(x,y,t0)]低于预设低值的个体的作用,压缩个体评价值Assessment[hvp(x,y,t0)]高于预设高值的作用,使得整个随机个体函数对应的群体组合向个体评价值Assessment[hvp(x,y,t0)]高的个体聚集靠拢并产生对应的个体变异,得到对应的新生个体函数。
也就是说,重建系统根据Assessment[hvp(x,y,t0)]的大小,加强Assessment[hvp(x,y,t0)]中数值比较小的随机个体函数的作用,压缩Assessment[hvp(x,y,t0)]中数值比较大的随机个体函数的作用,使整个随机个体函数群体组合向评价高的个体聚集、靠拢并产生一定的个体变异,这些变异包含了产生更高评价个体的可能性。通过不断加入新的测量信息和评价、淘汰、更新,使得整个群体不断向评价更高的中心聚集、靠拢,最终收敛到一个最优解。本发明实施例中所描述的群智能算法包括但不限于:遗传算法、粒子群算法、蚁群算法、萤火虫算法等。
步骤S60、新加入下一时刻测量的梯度序列数据,针对更新后得到的新生个体函数,计算新生个体函数的评价参数,并根据得到的评价参数,对不同的新生个体函数进行个体评价,直至得到的个体评价值小于预设阈值;
步骤S70、将个体评价值小于预设阈值所对应的新生个体函数作为最终重建的液体表面波纹形貌分布曲面函数。
按照步骤S40和步骤S50的思想,对更新后得到的新生个体函数进行评价参数的计算,并根据得到的上述评价参数,利用群智能算法进行评价、淘汰和更新,以继续生成新的个体;并对每次生成的个体进行评价,直至某次评价中某个个体的个体评价值小于预先设定的阈值,即满足:
Assessment[hvpf(x,y,t)]<T;
则整个重复过程结束,将个体评价值小于预设阈值所对应的新生个体函数hvpf(x,y,t)作为最终重建的液体表面波纹形貌分布曲面函数。
本发明一种液体表面形貌的重建方法通过综合应用时间连续性模型以及连续测量不同时间的梯度数据信息,通过群智能算法进行液体表面波纹分布的更新、择优、迭代和逼近,寻找一个在时间连续性模型和不同时间测量梯度数据上都非常温和的一个曲面作为重建波面;本发明液体表面形貌的重建方法通过迭代逼近逐步压缩测量梯度误差的影响,避免仅由单一时刻测量梯度重建波纹形貌时、测量误差对重建结果的巨大影响,从而达到了提高液体波纹形貌重建精度的目的。
基于以上实施例所描述的一种液体表面形貌的重建方法,本发明还提供了一种液体表面形貌的重建系统;本发明所提供的一种液体表面形貌的重建系统可以实施图1和图2实施例所描述的一种液体表面形貌的重建方法;如图3所示,本发明一种液体表面形貌的重建系统包括:
数据采集模块101,用于按照连续时间序列测量液体波纹形貌的梯度数据,得到对应的连续测量时间的梯度序列数据;
函数重建模块102,用于基于得到的所述梯度序列数据,从初始时刻的测量梯度数据重建初始液体表面波纹形貌分布,得到初始波纹形貌分布函数;
函数生成模块103,用于从所述初始波纹形貌分布函数中产生随机变异,生成随机个体函数;
个体评价模块104,用于加入下一时刻测量的梯度序列数据,针对随机变异得到的随机个体函数,计算随机个体函数对应的评价参数,并根据得到的评价参数,对不同的随机个体函数进行个体评价;
函数更新模块105,用于根据得到的随机个体函数对应的个体评价结果,对随机个体函数进行筛选、淘汰、变异、更新,得到更新后的新生个体函数;
所述个体评价模块104还用于:新加入下一时刻测量的梯度序列数据,针对更新后得到的新生个体函数,计算新生个体函数的评价参数,并根据得到的评价参数,对不同的新生个体函数进行个体评价,直至得到的个体评价值小于预设阈值;
形貌重建模块106,用于将个体评价值小于预设阈值所对应的新生个体函数作为最终重建的液体表面波纹形貌分布曲面函数。
在本发明一优选的实施例中,所述数据采集模块101用于:
设t时刻液体表面波纹分布函数为h(x,y,t),液体表面波纹在三维空间的梯度分布数据为u(x,y,t),v(x,y,t),w(x,y,t);
利用光学成像或者光电传感法,按照连续时间序列测量采样点的液体波纹形貌,得到采样点对应的连续测量时间的梯度序列数据:
u(xij,yij,t0+kΔt),v(xij,yij,t0+kΔt),w(xij,yij,t0+kΔt)k=0,1,2,3...;
其中,Δt为测量时间间隔;测量的采样点满足矩形栅格分布;梯度分布数据的三个分量满足u2+v2+w2=1。
在本发明一优选的实施例中,所述函数重建模块102用于:
基于测量得到的梯度序列数据,从初始时刻的测量梯度数据u(xij,yij,t0),v(xij,yij,t0),w(xij,yij,t0),采用二阶差分格式构造操作矩阵G:
GH=ξ;
令ξ=(u,v),其中u、v分别表示u,v排列的列向量;H表示h排列的列向量;所述u、v的表达式如下:
采用最小二乘法求解:
H0=min||GH-ξ||2;
根据求解的结果,得到初始波纹形貌分布函数h(xij,yij,t0)。
在本发明一优选的实施例中,所述函数生成模块103用于:
从初始波纹形貌分布函数h(xij,yij,t0)中,随机生成Q个光滑连续曲面hsq(xij,yij)q=1,2...Q;
设初始波纹形貌分布函数h(xij,yij,t0)的变化幅值为f,令||hsq(xij,yij)||≤f,并定义P个累加权重向量wpp=1,2...P,每个权重向量包含Q个元素wpq,分别对应于该累加向量中第q个曲面的累加权重,则利用如下数学表达式,即可得到随机生成的P个不同的随机个体函数hvp(xij,yij,t0):
其中,||wpq||≤1。
在本发明一优选的实施例中,所述个体评价模块104用于:
加入下一时刻t1测量的梯度序列数据u(xij,yij,t1),v(xij,yij,t1),w(xij,yij,t1),按照如下数学表达式计算随机个体hvp(xij,yij,t0)的评价参数rh(x,y,t):
根据得到的所述评价参数,对不同随机个体hvp(xij,yij,t0)按照如下数学表达式进行个体评价,得到随机个体分别对应的个体评价值Assessment[hvp(x,y,t0)]:
Assessment[hvp(x,y,t0)]=||rh(x,y,t)/ruv(x,y,t)-1||2+λ||▽2hvp(x,y,t)||2
h∈[h1,h2],x∈[x1,x2],y∈[y1,y2];
其中,所述λ||▽2hvp(x,y,t)||2为光滑约束惩罚项,以保证求解的曲面是空间光滑连续的。
在本发明一优选的实施例中,所述函数更新模块105用于:
根据得到的随机个体函数对应的个体评价值Assessment[hvp(x,y,t0)],利用群智能算法,加强个体评价值Assessment[hvp(x,y,t0)]低于预设低值的个体的作用,压缩个体评价值Assessment[hvp(x,y,t0)]高于预设高值的作用,使得整个随机个体函数对应的群体组合向个体评价值Assessment[hvp(x,y,t0)]高的个体聚集靠拢并产生对应的个体变异,得到对应的新生个体函数。
本发明一种液体表面形貌的重建系统通过综合应用时间连续性模型以及连续测量不同时间的梯度数据信息,通过群智能算法进行液体表面波纹分布的更新、择优、迭代和逼近,寻找一个在时间连续性模型和不同时间测量梯度数据上都非常温和的一个曲面作为重建波面;本发明液体表面形貌的重建系统通过迭代逼近逐步压缩测量梯度误差的影响,避免仅由单一时刻测量梯度重建波纹形貌时、测量误差对重建结果的巨大影响,从而达到了提高液体波纹形貌重建精度的目的。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (12)
1.一种液体表面形貌的重建方法,其特征在于,所述液体表面形貌的重建方法包括:
按照连续时间序列测量液体波纹形貌的梯度数据,得到对应的连续测量时间的梯度序列数据;
基于得到的所述梯度序列数据,从初始时刻的测量梯度数据重建初始液体表面波纹形貌分布,得到初始波纹形貌分布函数;
从所述初始波纹形貌分布函数中产生随机变异,生成随机个体函数;
加入下一时刻测量的梯度序列数据,针对随机变异得到的随机个体函数,计算随机个体函数对应的评价参数,并根据得到的评价参数,对不同的随机个体函数进行个体评价;
根据得到的随机个体函数对应的个体评价结果,对随机个体函数进行筛选、淘汰、变异和更新,得到更新后的新生个体函数;
新加入下一时刻测量的梯度序列数据,针对更新后得到的新生个体函数,计算新生个体函数的评价参数,并根据得到的评价参数,对不同的新生个体函数进行个体评价,直至得到的个体评价值小于预设阈值;
将个体评价值小于预设阈值所对应的新生个体函数作为最终重建的液体表面波纹形貌分布曲面函数。
2.如权利要求1所述的重建方法,其特征在于,所述按照连续时间序列测量液体波纹形貌的梯度数据,得到对应的连续测量时间的梯度序列数据,包括:
设t时刻液体表面波纹分布函数为h(x,y,t),液体表面波纹在三维空间的梯度分布数据为u(x,y,t)、v(x,y,t)、w(x,y,t);
利用光学成像或者光电传感法,按照连续时间序列测量采样点的液体波纹形貌,得到采样点对应的连续测量时间的梯度序列数据:
u(xij,yij,t0+kΔt),v(xij,yij,t0+kΔt),w(xij,yij,t0+kΔt)k=0,1,2,3...;
其中,Δt为测量时间间隔;测量的采样点满足矩形栅格分布;梯度分布数据的三个分量满足u2+v2+w2=1。
3.如权利要求1或2所述的重建方法,其特征在于,所述基于得到的所述梯度序列数据,从初始时刻的测量梯度数据重建初始液体表面波纹形貌分布,得到初始波纹形貌分布函数;包括:
基于测量得到的梯度序列数据,从初始时刻的测量梯度数据u(xij,yij,t0),v(xij,yij,t0),w(xij,yij,t0),采用二阶差分格式构造操作矩阵G:
GH=ξ;
令ξ=(u,v),其中u、v分别表示u,v排列的列向量;H表示h排列的列向量;所述u、v的表达式如下:
采用最小二乘法求解:
H0=min||GH-ξ||2;
根据求解的结果,得到初始波纹形貌分布函数h(xij,yij,t0)。
4.如权利要求1或2所述的重建方法,其特征在于,所述从初始波纹形貌分布函数中产生随机变异,生成随机个体函数;包括:
从初始波纹形貌分布函数h(xij,yij,t0)中,随机生成Q个光滑连续曲面hsq(xij,yij)q=1,2...Q;
设初始波纹形貌分布函数h(xij,yij,t0)的变化幅值为f,令||hsq(xij,yij)||≤f,并定义P个累加权重向量wp p=1,2...P,每个权重向量包含Q个元素wpq,分别对应于该累加向量中第q个曲面的累加权重,则利用如下数学表达式,即可得到随机生成的P个不同的随机个体函数hvp(xij,yij,t0):
其中,||wpq||≤1。
5.如权利要求1或2所述的重建方法,其特征在于,所述加入下一时刻测量的梯度序列数据,针对随机变异得到的随机个体函数,计算随机个体函数对应的评价参数,并根据得到的评价参数,对不同的随机个体函数进行个体评价;包括:
加入下一时刻t1测量的梯度序列数据u(xij,yij,t1),v(xij,yij,t1),w(xij,yij,t1),按照如下数学表达式计算随机个体hvp(xij,yij,t0)的评价参数rh(x,y,t):
根据得到的所述评价参数,对不同随机个体hvp(xij,yij,t0)按照如下数学表达式进行个体评价,得到随机个体分别对应的个体评价值Assessment[hvp(x,y,t0)]:
h∈[h1,h2],x∈[x1,x2],y∈[y1,y2];
其中,所述为光滑约束惩罚项,以保证求解的曲面是空间光滑连续的。
6.如权利要求5所述的重建方法,其特征在于,所述根据得到的随机个体函数对应的个体评价结果,对随机个体函数进行筛选、淘汰、变异和更新,得到更新后的新生个体函数;包括:
根据得到的随机个体函数对应的个体评价值Assessment[hvp(x,y,t0)],利用群智能算法,加强个体评价值Assessment[hvp(x,y,t0)]低于预设低值的个体的作用,压缩个体评价值Assessment[hvp(x,y,t0)]高于预设高值的作用,使得整个随机个体函数对应的群体组合向个体评价值Assessment[hvp(x,y,t0)]高的个体聚集靠拢并产生对应的个体变异,得到对应的新生个体函数。
7.一种液体表面形貌的重建系统,其特征在于,所述液体表面形貌的重建系统包括:
数据采集模块,用于按照连续时间序列测量液体波纹形貌的梯度数据,得到对应的连续测量时间的梯度序列数据;
函数重建模块,用于基于得到的所述梯度序列数据,从初始时刻的测量梯度数据重建初始液体表面波纹形貌分布,得到初始波纹形貌分布函数;
函数生成模块,用于从所述初始波纹形貌分布函数中产生随机变异,生成随机个体函数;
个体评价模块,用于加入下一时刻测量的梯度序列数据,针对随机变异得到的随机个体函数,计算随机个体函数对应的评价参数,并根据得到的评价参数,对不同的随机个体函数进行个体评价;
函数更新模块,用于根据得到的随机个体函数对应的个体评价结果,对随机个体函数进行筛选、淘汰、变异和更新,得到更新后的新生个体函数;
所述个体评价模块还用于:新加入下一时刻测量的梯度序列数据,针对更新后得到的新生个体函数,计算新生个体函数的评价参数,并根据得到的评价参数,对不同的新生个体函数进行个体评价,直至得到的个体评价值小于预设阈值;
形貌重建模块,用于将个体评价值小于预设阈值所对应的新生个体函数作为最终重建的液体表面波纹形貌分布曲面函数。
8.如权利要求7所述的重建系统,其特征在于,所述数据采集模块用于:
设t时刻液体表面波纹分布函数为h(x,y,t),液体表面波纹在三维空间的梯度分布数据为u(x,y,t),v(x,y,t),w(x,y,t);
利用光学成像或者光电传感法,按照连续时间序列测量采样点的液体波纹形貌,得到采样点对应的连续测量时间的梯度序列数据:
u(xij,yij,t0+kΔt),v(xij,yij,t0+kΔt),w(xij,yij,t0+kΔt)k=0,1,2,3...;
其中,Δt为测量时间间隔;测量的采样点满足矩形栅格分布;梯度分布数据的三个分量满足u2+v2+w2=1。
9.如权利要求7或8所述的重建系统,其特征在于,所述函数重建模块用于:
基于测量得到的梯度序列数据,从初始时刻的测量梯度数据u(xij,yij,t0),v(xij,yij,t0),w(xij,yij,t0),采用二阶差分格式构造操作矩阵G:
GH=ξ;
令ξ=(u,v),其中u、v分别表示u,v排列的列向量;H表示h排列的列向量;所述u、v的表达式如下:
采用最小二乘法求解:
H0=min||GH-ξ||2;
根据求解的结果,得到初始波纹形貌分布函数h(xij,yij,t0)。
10.如权利要求7或8所述的重建系统,其特征在于,所述函数生成模块用于:
从初始波纹形貌分布函数h(xij,yij,t0)中,随机生成Q个光滑连续曲面hsq(xij,yij)q=1,2...Q;
设初始波纹形貌分布函数h(xij,yij,t0)的变化幅值为f,令||hsq(xij,yij)||≤f,并定义P个累加权重向量wpp=1,2...P,每个权重向量包含Q个元素wpq,分别对应于该累加向量中第q个曲面的累加权重,则利用如下数学表达式,即可得到随机生成的P个不同的随机个体函数hvp(xij,yij,t0):
其中,||wpq||≤1。
11.如权利要求7或8所述的重建系统,其特征在于,所述个体评价模块用于:
加入下一时刻t1测量的梯度序列数据u(xij,yij,t1),v(xij,yij,t1),w(xij,yij,t1),按照如下数学表达式计算随机个体hvp(xij,yij,t0)的评价参数rh(x,y,t):
根据得到的所述评价参数,对不同随机个体hvp(xij,yij,t0)按照如下数学表达式进行个体评价,得到随机个体分别对应的个体评价值Assessment[hvp(x,y,t0)]:
h∈[h1,h2],x∈[x1,x2],y∈[y1,y2];
其中,所述为光滑约束惩罚项,以保证求解的曲面是空间光滑连续的。
12.如权利要求11所述的重建系统,其特征在于,所述函数更新模块用于:
根据得到的随机个体函数对应的个体评价值Assessment[hvp(x,y,t0)],利用群智能算法,加强个体评价值Assessment[hvp(x,y,t0)]低于预设低值的个体的作用,压缩个体评价值Assessment[hvp(x,y,t0)]高于预设高值的作用,使得整个随机个体函数对应的群体组合向个体评价值Assessment[hvp(x,y,t0)]高的个体聚集靠拢并产生对应的个体变异,得到对应的新生个体函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711437509.2A CN108305300B (zh) | 2017-12-26 | 2017-12-26 | 液体表面形貌的重建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711437509.2A CN108305300B (zh) | 2017-12-26 | 2017-12-26 | 液体表面形貌的重建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108305300A true CN108305300A (zh) | 2018-07-20 |
CN108305300B CN108305300B (zh) | 2021-04-09 |
Family
ID=62867490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711437509.2A Active CN108305300B (zh) | 2017-12-26 | 2017-12-26 | 液体表面形貌的重建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108305300B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004020267A (ja) * | 2002-06-13 | 2004-01-22 | Fuji Photo Film Co Ltd | 測定装置および該測定装置の使用方法 |
CN105684044A (zh) * | 2013-08-28 | 2016-06-15 | 维斯塔斯风力系统有限公司 | 分析层压物体中的形变的方法及相应系统 |
-
2017
- 2017-12-26 CN CN201711437509.2A patent/CN108305300B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004020267A (ja) * | 2002-06-13 | 2004-01-22 | Fuji Photo Film Co Ltd | 測定装置および該測定装置の使用方法 |
CN105684044A (zh) * | 2013-08-28 | 2016-06-15 | 维斯塔斯风力系统有限公司 | 分析层压物体中的形变的方法及相应系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108305300B (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Iglesias | A regularizing iterative ensemble Kalman method for PDE-constrained inverse problems | |
Borsic et al. | A primal–dual interior-point framework for using the L1 or L2 norm on the data and regularization terms of inverse problems | |
Zhou et al. | Comparison of total variation algorithms for electrical impedance tomography | |
CN106093875B (zh) | 基于基追踪去噪的近场宽带rcs数据采集与压缩方法 | |
CN110119493A (zh) | 一种基于压缩pmu数据和局部离群因子的电力系统事件感知方法 | |
McCorquodale et al. | An adaptive multiblock high-order finite-volume method for solving the shallow-water equations on the sphere | |
Calvetti et al. | Dynamic updating of numerical model discrepancy using sequential sampling | |
CN107274028A (zh) | 一种基于混合Copula函数的多风场出力预测方法 | |
CN110852025A (zh) | 一种基于超收敛插值逼近的三维电磁慢扩散数值模拟方法 | |
CN111709350A (zh) | 基于fcm聚类的低频振荡模态参数识别方法及系统 | |
CN108734658A (zh) | 一种高分辨率图像的重建方法及系统 | |
CN107229774A (zh) | 一种基于广义正交匹配追踪的电能质量信号重构方法 | |
Martin et al. | On the influence of spread constant in radial basis networks for electrical impedance tomography | |
CN111291316B (zh) | 一种基于小波变换的多尺度电阻率反演方法及系统 | |
Hamilton et al. | Fast absolute 3D CGO-based electrical impedance tomography on experimental tank data | |
Rashid et al. | A dynamic oppositional biogeography-based optimization approach for time-varying electrical impedance tomography | |
CN108305300A (zh) | 液体表面形貌的重建方法及系统 | |
Dwivedi | Quantifying predictability of Indian summer monsoon intraseasonal oscillations using nonlinear time series analysis | |
Liao et al. | Sparse imaging of cortical electrical current densities via wavelet transforms | |
CN105572472B (zh) | 分布式电源环境的频率测量方法与系统 | |
CN107845119A (zh) | 一种电学层析成像混合方法 | |
CN107895387A (zh) | Mri图像重建方法及装置 | |
Zhang et al. | HybridDenseU-Net: learning a multi-scale convolution and dense connectivity CNN for inverse imaging problems | |
Grooms et al. | A framework for variational data assimilation with superparameterization | |
CN108009562B (zh) | 一种水文水资源特征空间变异性识别的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |