CN110033038B - 气动热试验数据的智能选取算法 - Google Patents
气动热试验数据的智能选取算法 Download PDFInfo
- Publication number
- CN110033038B CN110033038B CN201910279782.XA CN201910279782A CN110033038B CN 110033038 B CN110033038 B CN 110033038B CN 201910279782 A CN201910279782 A CN 201910279782A CN 110033038 B CN110033038 B CN 110033038B
- Authority
- CN
- China
- Prior art keywords
- data
- cnn
- layer
- segment
- test data
- 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.)
- Expired - Fee Related
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 5
- 238000003786 synthesis reaction Methods 0.000 claims description 5
- 238000013526 transfer learning Methods 0.000 claims description 3
- 238000007664 blowing Methods 0.000 claims 2
- 238000005096 rolling process Methods 0.000 claims 2
- 238000013461 design Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000002372 labelling Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
目前气动热试验有效数据段的选取主要是依靠人工判读标注,工作量大,耗时耗力。本发明提出一种自动选取数据段的方法。具体步骤如下:步骤一、收集测热试验数据;步骤二、通过CNN对测热试验数据分类,输出有效的数据;步骤三、滑动窗口截取数据;步骤四、利用CNN网络判定数据;步骤五、输出有效数据段的正确概率;步骤六、确定初始标注位置。本发明提出的方法具有自适应能力,可有效提升测热试验数据的提取效率,对防热结构的设计和高超声速飞行器的飞行安全有十分重要的意义。
Description
技术领域
本发明是一种气动热试验数据处理领域的技术,具体是一种新型的试验数据的自动标注方法。
背景技术
目前高超声速飞行器是各国军事航天领域研究的重点,如航天飞机、载人飞船、第四代第五代战机, 对于高超声速飞行器的研究和设计来讲,高超声速飞行条件下飞行器的热防护问题一直是高超声速飞行器 研制的关键技术。作为热防护结构设计和材料选取的设计依据,高超声速飞行器表面的气动热问题一直是 高超声速技术研究的重点和关键技术。因此,对气动热试验数据准确有效自动标注是气动热领域的重要基 础工作,这对防热结构设计的合理性和高超声速飞行器的飞行安全有着十分重要的意义。
卷积神经网络(Convolution neural network,CNN)已广泛地应用在图像分类中,其主要原理是基 于大量的原始样本数据,对其进行训练使隐藏层能逐层深入地学习图像信息,它比传统的人工神经网络 能更全面地获取图像特征、更好地表达图像的类别信息,从而达到高正确率地图像分类。目前代表性的卷 积神经网络有:VGG卷积神经网络,它使用VGG的卷积层(convolutional layer),该层具有同样大小 的卷积滤波器(convolutionalfilter),大小为3x 3,所以它的深度比较容易扩展,同时结构也比较 简单。GoogLeNet卷积神经网络,它在不同层增加loss,同时提出inception结构,不仅加深了网络, 同时也加宽了网络,并且减少了参数个数。ResNet卷积神经网络,它引入了残差网络结构(residualnetwork),改变神经网络的连接方式,将前一层(输入)直接连接到后一层(输出),这样实现残差的学 习。将不同层的组件与身份映射关联起来。在imagenet图像识别大赛中图像识别率高达95%以上。目前, 学术界和工业界已出现大量应用在不同领域的CNN,并取得很好的应用效果,但在气动热领域的应用还较 少,甚至没有。
传统的气动热试验数据的标注方法主要是通过人工标注的方法进行,标注的准确性主要取决于人员对 试验数据标注的经验,不同人员标注的差异性,导致标注误差大;测热试验数据的不断增加,需要对大批 数据进行标注,人工进行标注需要大量的时间,耗时耗力,因此,传统的气动热试验数据标注方法具有很 大的局限性。测热试验数据在不同情况下采集的数据不同,对同一模型由于传感器所处位置不同接收数据 的时间不同,对不同模型同一位置传感器接收的数据不同,造成波形的时间长度不确定。
将卷积神经网络应用到测热试验数据处理中,可以代替传统的人工判读数据的方法,做到实时处理收 到的每一条数据,极大的节省了人工判读的时间,可以有效提高测热试验数据处理效率,同时由于人工判 读偶然性大,采用深度学习可以有效提高精度;本发明能快速、高效地选择出完成热测试验数据的标注问 题,对我国空气动力学领域的发展具有十分重要的意义。
发明内容
本发明要解决的问题在于:热测试验数据具有种类多、数据量大、人工标注效率低、误差大的特点。
为解决上述问题,本发明使用分类CNN处理采集的测热试验数据,分离异常数据,把正常数据截断成 数据段,输入到数据段判定CNN,输出数据段的正确概率,通过概率反推出标注位置。具体方案如下:
第一方面,本发明对所有车次试验数据集,利用分类卷积神经网络(CNN),将正常数据段与异常数 段进行分类,生成正常试验数据集,存储在服务器上。本发明设计的分类CNN结构如图2,包括:
三个模块和两个网络层,三个模块分别是初级特征提取模块,特征综合模块和分类模块;两个网络层 分别是输入层和输出层;根据数据处理的先后次序,其网络架构由底向上分别是输入层、初级特征提取模 块、特征综合模块、分类模块、输出层;
第二方面,利用第一滑动窗口对正常试验数据集中的每一条数据进行截断处理,得到截断后的数据段。
第三方面,将截断后的数据段输入到判定CNN网络中,输出数据段的正确概率,本发明使用判定CNN 是迁移学习MobileNet V2网络,其结构如图3,包括:
由上到下分别输入层、7个Bottlenecks、1x1卷积层、7x7平均池化层、1x1卷积层和输出层构成。 其中7个Bottlenecks的结构是由3x3的卷积层、池化层、ReLU运算层、1x1的卷积层、池化层和ReLU 运算层组成。
第四方面,结合第三方面所得到的数据段的正确概率,通过本发明提出的位置判定算法如图得到标注 的起始与结束时间点,完成自动选取。
从以上技术方案以及实验结果发现,本发明实施例具有以下优点:
对气动热测热试验数据进行预先的分类处理可以有效地分离出异常数据,从而排除异常数据对最终标 注的影响,通过滑动窗口对试验数据进行处理后,使用判定卷积网络CNN对数据段处理输出数据段的正确 概率,最终输出有效数据段的标注位置,而且训练好后的判定CNN网络模型具有自适应性,可以实时对网 络进行训练来处理新的试验数据。在数据处理速度上和标注的效率上取得了突破性的成果,节约了大量的 时间和人工成本。
附图说明:
图1:气动热试验数据有效数据段标注流程图
图2:分类CNN结构图
图3:判定CNN网络结构图
图4:实施方案气动热试验硬件系统图
图5:气动热试验软件功能图
图6:实施方案气动热试验数据自动分选流程图
图7:正常数据图
图8:异常数据图
图9:有效数据段和无效数据段图
图10:位置判定算法流程图
图11:试验数据有效数据段标注结果
具体实施方式
发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式 和具体的操作过程,气动热试验硬件系统图如图5所示,气动热试验软件功能图如图6所示,但本发明的 保护范围不限于下述的实施例。
如图6所示,本实施例的主要步骤包括:第一步,获取风洞试验数据;第二步,数据段分类CNN,获取正 常数据;第三步,截断正常数据;第四步,构造判定CNN;第五步,训练后的判定CNN对试验数据进行 处理;第六步,输出标注位置。
具体实施步骤如下:
步骤1,获取激波风洞8个车次的试验数据;
步骤1.1:将飞行器模型固定在风洞中,模型表面装载传感器,数采系统采集的传感器原始电压数据。
步骤2,把气动热试验数据输入到数据分类CNN;
步骤2.1:构造分类CNN,其组成结构如图2所示,CNN网络结构包括:初级特征提取模块、特征综合模块、 分类模块,下面对三个模块分别介绍:初级特征提取模块由多个第五基本构造块堆叠组成,其中第五基本 构造块配置是多层卷积层和一个池化层。特征综合模块的模块由第一子模块和第二子模块组成,对相同输 入提取不同的特征。以上所述基本构造块分别提取不同抽象程度的细节,从而有利于后续分类。分类模块 采用本领域的技术人员熟知的感知器模型和Softmax层完成分类结果。
步骤2.2:将试验数据输入到分类CNN中,把正常数据和异常数据分离,把正常数据存储在服务器上,正 常数据如图6所示,异常数据如图7所示。
步骤3,将正常数据截断:
步骤3.1:利用第一滑动窗口把正常数据截断成数据段,滑窗长度为人工选取的所有有效测热数据段中的 最小时间长度。
步骤4,构造数据段判定CNN;
步骤4.1:判定CNN的参数是迁移学习MobileNet V2参数所确定的,其主要组成由上到下分别输入层、7 个Bottlenecks、1x1卷积层、7x7平均池化层、1x1卷积层和输出层构成。采用随机梯度下降法来更新卷 积与全连接层的权值,初始学习率为0.01。
步骤4.2:通过气动热试验数据对判定CNN进行训练,过程如下:
获取激波风洞已标注的8个车次的试验数据,对8个车次试验数据进行处理分出有效和无效数据段, 有效数据和无效数据如图8所示,前四幅图为有效数据段,后四幅为无效数据段。样本为前述的全部图片, 将其乱序排序,训练集和测试集数据从中随机产生,比例为7:3。对网络进行训练和测试。训练正确率99.5%, 测试正确率95%。
步骤5,将正常数据截断后的数据段输入到训练后的判定CNN中,输出每个数据段的正确概率,得到概率 最大数据段的中点所对应的时间点;
步骤6,利用本发明所提出的位置判定算法,输出标注位置,如图11所示:
步骤6.1:位置判定算法是由概率最大数据段获得时间点,第二滑动窗口以时间点所在位置分别向左向右 截取数据,截取后的数据段再由判定CNN得到正确概率,将各段数据的概率与所给定的置信度阈值进行比 较,找出高于阈值和低于阈值的临界点,两个临界点即最终的标注位置。
Claims (9)
1.一种气动热试验数据的有效数据段的自动选取方法,其特征在于,
从一个车次试验数据集中,利用分类卷积神经网络(CNN),将正常数据段与异常数据段进行分类,生成正常试验数据集;
利用第一滑动窗口对正常试验数据集中的每一条数据进行截断,根据概率最大数据段的起始和终止位置确定中点位置,再使用第二滑动窗口以中点位置分别向左向右截取数据,输入到有效测热数据段判定CNN网络中,输出数据段的正确概率,通过位置判定算法,将各段数据的概率与所给定的置信度阈值进行比较,找出阈值区域以外的临界点,得到标注的起始与结束的时间点,完成自动选取。
2.根据权利要求1所述的方法,其特征在于,
一个车次的试验数据是通过不同的传感器所获取的,传感器所处的位置不同获取的数据不同。
3.根据权利要求1所述的方法,其特征在于,
所用的分类CNN是利用正常数据与异常数据进行训练,其主要组成包括三个模块和两个网络层,三个模块分别是初级特征提取模块,特征综合模块和分类模块;两个网络层分别是输入层和输出层;根据数据处理的先后次序,其网络架构由底向上分别是输入层、初级特征提取模块、特征综合模块、分类模块、输出层。
4.根据权利要求1所述的方法,其特征在于,
截断正常数据时,选取的滑窗长度为人工选取的所有有效测热数据段中的最小时间长度。
5.根据权利要求1所述的方法,其特征在于,
对于一个传感器所获得的数据,其组成包括:未吹风时传感器的初始热流值、吹风过程中温度上升至平稳所获取的数据、传感器表面温度稳定时收集的数据、停止吹风后传感器所接收的数据,有效测热数据段为传感器表面温度稳定时收集的数据。
6.根据权利要求1所述的方法,其特征在于,
把截断后的n个数据段,输入到判定CNN中,输出每个数据段的正确概率后,得到概率最大数据段的起始和终止位置;
根据概率最大数据段的起始和终止位置确定中点位置,第二滑动窗口以中点位置分别向左向右截取数据,截取后的数据再由判定CNN得到正确概率,将各段数据的概率与所给定的置信度阈值进行比较,找出高于阈值和低于阈值的临界点,两个临界点即最终的标注位置,最后输出标注位置。
7.根据权利要求1所述的方法,其特征在于,
所用的判定CNN是对正常数据进行判断,得出每段数据的正确概率,利用迁移学习MobileNet V2的参数确定判定CNN的参数,再通过气动热试验数据对判定CNN进行训练,改正参数后得到新的判定CNN,其主要组成由上到下分别输入层、7个Bottlenecks、1x1卷积层、7x7平均池化层、1x1卷积层和输出层构成。
8.根据权利要求6所述的方法,其特征在于,
第二滑动窗口的大小取决于每一个正常数据所对应的有效测热数据段的时间长度,不同的正常数据的第二滑动窗口大小是不同的。
9.根据权利要求7所述的方法,其特征在于,
Bottlenecks是由3x3的卷积层、池化层、ReLU运算层、1x1的卷积层、池化层和ReLU运算层组成 。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910279782.XA CN110033038B (zh) | 2019-04-09 | 2019-04-09 | 气动热试验数据的智能选取算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910279782.XA CN110033038B (zh) | 2019-04-09 | 2019-04-09 | 气动热试验数据的智能选取算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110033038A CN110033038A (zh) | 2019-07-19 |
CN110033038B true CN110033038B (zh) | 2022-08-05 |
Family
ID=67237679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910279782.XA Expired - Fee Related CN110033038B (zh) | 2019-04-09 | 2019-04-09 | 气动热试验数据的智能选取算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110033038B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112362292B (zh) * | 2020-10-30 | 2021-12-14 | 北京交通大学 | 对风洞试验数据进行异常检测的方法 |
CN116296239A (zh) * | 2023-05-26 | 2023-06-23 | 中国空气动力研究与发展中心计算空气动力研究所 | 基于卷积神经网络的风洞试验方法、装置、设备和介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106772417A (zh) * | 2016-12-31 | 2017-05-31 | 华中科技大学 | 一种动目标多维度多尺度红外光谱特征测量方法及系统 |
CN107085733A (zh) * | 2017-05-15 | 2017-08-22 | 山东工商学院 | 基于cnn深度学习的近岸红外舰船识别方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10387740B2 (en) * | 2016-10-10 | 2019-08-20 | Gyrfalcon Technology Inc. | Object detection and recognition apparatus based on CNN based integrated circuits |
CN108921110A (zh) * | 2018-07-06 | 2018-11-30 | 电子科技大学 | 新型卷积神经网络与Wigner-Ville分布结合的雷达信号分类方法 |
CN109086678B (zh) * | 2018-07-09 | 2022-02-25 | 天津大学 | 一种基于深度监督学习提取图像多级特征的行人检测方法 |
CN108985236B (zh) * | 2018-07-20 | 2021-08-17 | 南京开为网络科技有限公司 | 一种基于深度化可分离卷积模型的人脸识别方法 |
CN109259784A (zh) * | 2018-08-27 | 2019-01-25 | 上海铱硙医疗科技有限公司 | 脑梗塞的ai预测方法、装置、设备及存储介质 |
-
2019
- 2019-04-09 CN CN201910279782.XA patent/CN110033038B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106772417A (zh) * | 2016-12-31 | 2017-05-31 | 华中科技大学 | 一种动目标多维度多尺度红外光谱特征测量方法及系统 |
CN107085733A (zh) * | 2017-05-15 | 2017-08-22 | 山东工商学院 | 基于cnn深度学习的近岸红外舰船识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110033038A (zh) | 2019-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609525B (zh) | 基于剪枝策略构建卷积神经网络的遥感图像目标检测方法 | |
CN104850845B (zh) | 一种基于非对称卷积神经网络的交通标志识别方法 | |
CN109740676B (zh) | 基于相似目标的物体检测迁移方法 | |
CN108399435B (zh) | 一种基于动静特征的视频分类方法 | |
CN104102929A (zh) | 基于深度学习的高光谱遥感数据分类方法 | |
CN108021947A (zh) | 一种基于视觉的分层极限学习机目标识别方法 | |
CN112381060B (zh) | 一种基于深度学习的建筑物地震破坏等级分类方法 | |
CN104463196A (zh) | 一种基于视频的天气现象识别方法 | |
CN108171175B (zh) | 一种深度学习样本增强系统及其运行方法 | |
CN110033038B (zh) | 气动热试验数据的智能选取算法 | |
CN111985325B (zh) | 特高压环境评价中的航拍小目标快速识别方法 | |
CN111652835A (zh) | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 | |
CN113139594B (zh) | 一种机载图像无人机目标自适应检测方法 | |
CN112528934A (zh) | 一种基于多尺度特征层的改进型YOLOv3的交通标志检测方法 | |
CN112766170B (zh) | 基于簇类无人机图像的自适应分割检测方法及装置 | |
CN111860570A (zh) | 一种云微粒子图像提取及分类方法 | |
CN110569780A (zh) | 一种基于深度迁移学习的高精度人脸识别方法 | |
CN111143567A (zh) | 一种基于改进神经网络的评论情感分析方法 | |
CN111652846B (zh) | 一种基于特征金字塔卷积神经网络的半导体缺陷识别方法 | |
CN112364791A (zh) | 一种基于生成对抗网络的行人重识别方法和系统 | |
CN111798417A (zh) | 一种基于ssd遥感图像目标检测的方法及装置 | |
Wang et al. | Deep learning model for target detection in remote sensing images fusing multilevel features | |
CN112966555A (zh) | 一种基于深度学习和部件先验的遥感影像飞机识别方法 | |
CN115797808A (zh) | 一种无人机巡检缺陷图像的识别方法、系统、装置及介质 | |
CN116129219A (zh) | 一种基于知识稳健-重平衡网络的sar目标类增量识别方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220805 |
|
CF01 | Termination of patent right due to non-payment of annual fee |