CN111370080B - 一种基于人工神经网络算法的辐射温度反演方法 - Google Patents
一种基于人工神经网络算法的辐射温度反演方法 Download PDFInfo
- Publication number
- CN111370080B CN111370080B CN202010146537.4A CN202010146537A CN111370080B CN 111370080 B CN111370080 B CN 111370080B CN 202010146537 A CN202010146537 A CN 202010146537A CN 111370080 B CN111370080 B CN 111370080B
- Authority
- CN
- China
- Prior art keywords
- neural network
- artificial neural
- network model
- sample
- target
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 72
- 230000005855 radiation Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 21
- 239000000523 sample Substances 0.000 claims abstract description 78
- 230000035939 shock Effects 0.000 claims abstract description 23
- 229910052751 metal Inorganic materials 0.000 claims abstract description 22
- 239000002184 metal Substances 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000004020 luminiscence type Methods 0.000 claims abstract description 13
- 238000002474 experimental method Methods 0.000 claims abstract description 8
- 230000008878 coupling Effects 0.000 claims abstract description 7
- 238000010168 coupling process Methods 0.000 claims abstract description 7
- 238000005859 coupling reaction Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000010410 layer Substances 0.000 claims description 62
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000001902 propagating effect Effects 0.000 claims description 4
- 239000002356 single layer Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 description 13
- 230000006870 function Effects 0.000 description 8
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 239000013077 target material Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000005457 Black-body radiation Effects 0.000 description 1
- 238000004616 Pyrometry Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001803 electron scattering Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000004861 thermometry Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000012780 transparent material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于人工神经网络算法的辐射温度反演方法,具体包括以下步骤：构建人工神经网络模型；利用一维激光靶耦合流体程序模拟生成样本数据集；对样本数据集进行预处理；利用预处理后的样本数据对人工神经网络模型进行训练，得到最优人工神经网络模型；对样品材料进行冲击波实验，获得样品材料受冲击后的靶背发光图像，根据靶背发光图像利用最优人工神经网络模型得到样品材料的辐射卸载温度演化。本发明利用人工神经网络反演金属冲击加载下的辐射温度，是一种推算冲击加载下金属冲击辐射温度的新方法，对于高压状态方程理论建模具有重要意义。
Description
技术领域
本发明涉及冲击辐射温度研究技术领域，特别是涉及一种基于人工神经网络算法的辐射温度反演方法。
背景技术
材料的状态方程(EOS)定义了平衡系统下状态量之间的函数关系，通常将温度等热力学变量与密度、压力和内能等力学变量联系起来。极端条件下材料的状态方程对天体物理、惯性约束聚变、高能量密度物理和基础材料等研究领域十分重要。冲击波通常被用于高压下材料状态方程的研究。在状态方程的所有物理量中，温度是表征物质热力学状态最重要的物理量之一，理论状态方程模型对超高压下的温度非常敏感。因此，实验中测量受冲击材料的冲击辐射温度对于表征该材料的状态方程是非常有价值的。
然而，由于极端条件下温度本身的复杂性和对仪器的高要求，精确测量冲击辐射温度还非常困难。基于高功率激光或气炮等冲击加载下的光学高温计(SOP)测温法已被广泛应用于瞬时冲击辐射温度测量实验。该方法通过测量冲击波阵面处高密度压缩层的辐射光谱，利用普朗克黑体辐射公式计算压缩层的温度。对于透明材料，测量时冲击压缩层的辐射可以通过未受冲击的材料透射出来而被探测到。对于不透明材料，如金属，其光学不透明性使得无法通过实验图像来确定材料内部温度如何演变。另外，在靶背发射率未知的情况下，很难测量靶背表面辐射温度，记录到的是冲击波突出靶背后靶背表面的发光。一些学者早就提出在靶材料后面加窗口来测量其表面温度，另有学者提出直接建立所测辐射亮度与实际温度之间的关系模型。然而，目前还没有一种通用而精确的方法来测量不透明材料的冲击辐射温度，更不用说推算冲击辐射温度随时间演化的过程了，而这些对于理论状态方程的建模都是非常重要的。
机器学习是实现金属冲击辐射温度反演的一种可能途径。机器学习是一门对计算机进行编程以便从数据中学习的科学。在过去的十年中，人工神经网络作为机器学习的一个分支，在图像识别、智能机器人、自动控制、预测等领域取得了长足的进展，表现出良好的智能特性。人工神经网络强大的映射能力也使其在物理学中得到了广泛的应用，如质子照相中磁场的反演、从宇宙微波背景中分离天体物理信号、在线粒子检测、通过动态电子散射来反演三维物体势以及多物理耦合问题中探索隐藏物理规律等。
基于人工神经网络的强泛化能力和学习能力，有必要寻找一种基于人工神经网络算法的辐射温度反演方法，它属于一种非机理的计算模型，特别适合解决诸如极端条件下复杂物理量推算等影响因素多样、机制复杂、难以直接精确测量的问题；而各种优化算法，如遗传算法、粒子群算法等的兴起也克服了人工神经网络计算收敛速度慢、容易陷入局部最小等缺点。因此，该方法有望从另一个角度解决金属等不透明材料极端条件下冲击辐射温度难以准确测量的难点，为理论状态方程模型参数的验证提供新路径。
发明内容
本发明的目的是克服现有上述现有技术的不足，设计出一种基于人工神经网络算法的辐射温度反演方法。
为达到上述目的，本发明所采用的技术方案是：
一种基于人工神经网络算法的辐射温度反演方法具体包括以下步骤：
S1，构建人工神经网络模型；
S2，利用一维激光靶耦合流体程序模拟生成样本数据集；
S3，对样本数据集进行预处理；
S4，利用预处理后的样本数据对人工神经网络模型进行训练，得到最优人工神经网络模型；
S5，对样品材料进行冲击波实验，获得样品材料受冲击后的靶背发光图像，根据靶背发光图像利用最优人工神经网络模型得到样品材料的辐射卸载温度演化。
优选地，所述步骤S2中利用一维激光靶耦合流体程序模拟生成样本数据集的具体步骤为：
首先，将某一激光功率密度的冲击波作用于某一金属平面靶上，记录冲击波在金属平面靶中传播的平均速度us，平面靶厚度d、第n时刻金属平面靶背面辐射发光强度Iνn、以及第n时刻金属平面靶背面的辐射卸载温度Tn，得到人工神经网络模型的输入层向量x＝(us,d,Iν0,Iν1,Iν2,…,Iνn)、输出层向量y＝(T0,T1,T2,…,Tn)；
然后，多次重复上述步骤，将不同激光功率密度的冲击波作用于不同厚度的金属平面靶上，从而得到样本数据集。
优选地，所述冲击波为一维平面冲击波。
优选地，步骤S3中对样本数据集进行预处理的具体步骤为：
将样品数据集中的每个输入层向量和每个输出层向量中的各个样本元素按照公式zi’＝(zi-min(z))/(max(z)-min(z))依次映射到区间[0,1]，求取得到其各自对应的样本特征值，zi为某个输入层向量x或输出层向量y中的某一个样本元素，z为与zi所属种类相同的所有样本元素所构成的数据集，max(z)为数据集z中数值最大的样本元素的值，min(z)为数据集z中数值最小的样本元素的值。
优选地，所述步骤S4中利用预处理后的样本数据对人工神经网络模型进行训练，得到最优人工神经网络模型的具体步骤为：
首先，将预处理后的样本数据分为训练集和验证集；
然后，将输出层与目标层的值之间的均方差作为损失函数，选择平均绝对误差作为训练时对人工神经网络模型的监督标准；
最后，利用训练集和验证集的数据对人工神经网络模型进行训练，训练时，利用反向传播和随机梯度下降优化算法不断迭代调整权重和偏差项，损失函数最小时，即得到最优人工神经网络模型。
优选地，所述人工神经网络模型具有一个输入层、若干个隐藏层和一个输出层，所述输入层、输出层和每个隐藏层均有若干个神经元，相邻两层之间的神经元均通过ReLU非线性激活函数连接。
优选地，所述人工神经网络模型为全连接的前馈神经网络。
优选地，所述样本材料为不透明且内部均匀的单层平面靶材。
本发明的积极有益效果：
本发明的方法基于人工神经网络的强泛化能力和学习能力，构建人工神经网络实现极端条件下金属等不透明材料冲击辐射温度反演，有望从另一个角度解决金属等不透明材料极端条件下冲击辐射温度难以准确测量的难点，对于高压状态方程理论建模具有重要意义。
附图说明
为了更清楚得说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所述的人工神经网络模型的拓扑结构。
图2为本发明所述实例中人工神经网络模型预测的冲击加载下靶表面辐射温度演化。
图中标号的含义为：1为输入层，2为输出层，3为隐藏层。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图中示出的具体实施例来描述本发明。但是应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
本发明的基于人工神经网络算法的辐射温度反演方法，具体包括以下步骤：
S1，构建人工神经网络模型。
所述人工神经网络模型具有一个输入层、若干个隐藏层和一个输出层，所述输入层、输出层和每个隐藏层均有若干个神经元，如图1所示。所述人工神经网络模型为全连接的前馈神经网络，人工神经网络模型中相邻两层之间的神经元均通过ReLU非线性激活函数连接。
S2，利用一维激光靶耦合流体程序模拟生成样本数据集。
具体地，首先，将某一激光功率密度的冲击波作用于某一金属平面靶上，记录冲击波在金属平面靶中传播的平均速度us，平面靶厚度d、第n时刻金属平面靶背面辐射发光强度Iνn、以及第n时刻金属平面靶背面的辐射卸载温度Tn，得到人工神经网络模型的输入层向量x＝(us,d,Iν0,Iν1,Iν2,…,Iνn)、输出层向量y＝(T0,T1,T2,…,Tn)，得到一组样本数据，所述冲击波为一维平面冲击波；
然后，多次重复上述步骤，将不同激光功率密度的冲击波作用于不同厚度的金属平面靶上，获得若干组样本数据，从而得到样本数据集。
S3，对样本数据集进行预处理。
具体地，将样品数据集中的每个输入层向量和每个输出层向量中的各个样本元素按照公式zi’＝(zi-min(z))/(max(z)-min(z))依次映射到区间[0,1]，求取得到其各自对应的样本特征值，zi为某个输入层向量x或输出层向量y中的某一个样本元素，z为与zi所属种类相同的所有样本元素所构成的数据集，max(z)为数据集z中数值最大的样本元素的值，min(z)为数据集z中数值最小的样本元素的值。
S4，利用预处理后的样本数据对人工神经网络模型进行训练，得到最优人工神经网络模型。
具体地，首先，将预处理后的样本数据分为训练集和验证集；
然后，将输出层与目标层的值之间的均方差作为损失函数，选择平均绝对误差作为训练时对人工神经网络模型的监督标准；
最后，利用训练集和验证集的数据对人工神经网络模型进行训练，训练时，利用反向传播和随机梯度下降优化算法不断迭代调整权重和偏差项，损失函数最小时，即得到最优人工神经网络模型。
S5，对样品材料进行冲击波实验，获得样品材料受冲击后的靶背发光图像，根据靶背发光图像利用最优人工神经网络模型得到样品材料的辐射卸载温度演化。
所述样本材料为不透明且内部均匀的单层平面靶材，所述冲击波是一维平面冲击波，没有考虑边侧稀疏对结果的影响。
下面通过举例，详细说明本发明的基于人工神经网络算法的辐射度反演方法的实施方式。
首先，构建人工神经网络模型。
然后，利用一维激光靶耦合流体程序模拟生成样本数据集，模拟时选择不同激光功率密度(0.7×1014w/cm-2–3.6×1014w/cm-2)产生的冲击波作用于不同厚度(15μm–45μm)的铝平面靶，共产生100组样本数据。激光脉冲波形近似为方波，其上升和下降沿为200ps，与冲击波实验中的激光脉冲波形相似。选择冲击波在平面靶中传播的平均速度us，平面靶厚度d以及时间t＝0、0.5、1、1.5和2ns时的靶背表面辐射发光强度Iν0、Iν1、Iν2、Iν3、Iν4作为输入层向量x＝(us,d,Iν0,Iν1,Iν2,Iν3,Iν4)，选择时间t＝0、0.5、1、1.5和2ns时的样品靶背面的辐射卸载温度T0、T1、T2、T3、T4作为输出层向量y＝(T0,T1,T2,T3,T4)，下标的数字表示时间序列，0表示冲击波到达靶背突出靶表面的时刻。
所述的靶材料是单层铝平面靶，内部均匀；所述冲击波是激光产生的一维平面冲击波，没有考虑边侧稀疏对结果的影响。
这样，便得到100组样本数据，分别为x1＝(us1,d1,Iν10,Iν11,Iν12,Iν13,Iν14)、y1＝(T10,T11,T12,T13,T14)；
X2＝(us2,d2,Iν20,Iν21,Iν22,Iν23,Iν24)、y2＝(T20,T21,T22,T23,T24)；
X100＝(u1002,d1002,Iν1000,Iν1001,Iν1002,Iν1003,Iν1004)、y2＝(T1000,T1001,T1002,T1003,T1004)。
然后，按照公式zi’＝(zi-min(z))/(max(z)-min(z))对样本数据集进行预处理和标准化缩放：
假如令Z为us1、us2…usn构成的数据集，则从该数据集中选取出最大值作为max(z)、最小值作为min(z)，然后令zi依次为us1、us2…usn，分别求出us1、us2…usn所对应的样本特征值zi’；
假如令Z为d1、d2…dn构成的数据集，则从该数据集中选取出最大值作为max(z)、最小值作为min(z)，然后令zi依次为d1、d2…dn，分别求出所对应的样本特征值zi’；
同理，可求取得到样品数据集中的每个输入层向量和每个输出层向量中的各个样本元素的样本特征值。
然后，利用四折交叉验证的方法训练网络，即将样本集分为三个训练集和一个验证集，使用四个未经训练的人工神经网络进行学习，四次验证的平均损失值被视为四折交叉验证的损失值。
为了避免欠拟合和过拟合，找到最优人工神经网络模型，首先构造一个小的神经网络，令隐藏层为1，神经元个数为6。然后通过监测网络的损失函数，逐步提高隐藏层数和每个隐藏层的神经元数，当隐藏层为3，每层256个神经元时，找到最优的网络结构，此时平均绝对误差MAE最小、损失函数最小。
最后，对样品材料进行冲击波实验，获得样品材料受冲击后的靶背发光图像，从靶背发光图像中获取冲击波在样品材料中的平均速度us，样品材料的厚度d，样品靶背表面辐射发光Iν的时间演化，形成输入层向量x＝(us,d,Iν0,Iν1,Iν2,Iν3,Iν4)；假设一发平面金属铝靶在激光加载的冲击波实验中得到的向量x＝(29.742,14.99,9.69e-6,6.72e-6,5.52e-6,4.80e-6,4.37e-6)，其中第一个值的单位为km/s，第二个值的单位为μm，第三个至第七个值的单位为J/m2，将向量X输入最优人工神经网络模型，最优人工神经网络模型预测的输出层向量y＝(T0,T1,T2,T3,T4)＝(97328.47172,68866.24734,64212.29905,58788.72833,48369.09271)，单位为K，即得到样品靶背面的辐射卸载温度演化。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解；依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换；而不脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (7)
1.一种基于人工神经网络算法的辐射温度反演方法,其特征在于，具体包括以下步骤：
S1，构建人工神经网络模型；
S2，利用一维激光靶耦合流体程序模拟生成样本数据集；
首先，将某一激光功率密度的冲击波作用于某一金属平面靶上，记录冲击波在金属平面靶中传播的平均速度us，平面靶厚度d、第n时刻金属平面靶背面辐射发光强度Iνn、以及第n时刻金属平面靶背面的辐射卸载温度Tn，得到人工神经网络模型的输入层向量x＝(us,d,Iν0,Iν1,Iν2,…,Iνn)、输出层向量y＝(T0,T1,T2,…,Tn)；
然后，多次重复上述步骤，将不同激光功率密度的冲击波作用于不同厚度的金属平面靶上，从而得到样本数据集；
S3，对样本数据集进行预处理；
S4，利用预处理后的样本数据对人工神经网络模型进行训练，得到最优人工神经网络模型；
S5，对样品材料进行冲击波实验，获得样品材料受冲击后的靶背发光图像，根据靶背发光图像利用最优人工神经网络模型得到样品材料的辐射卸载温度演化。
2.根据权利要求1所述的基于人工神经网络算法的辐射温度反演方法，其特征在于，所述冲击波为一维平面冲击波。
3.根据权利要求1所述的基于人工神经网络算法的辐射温度反演方法，其特征在于，步骤S3中对样本数据集进行预处理的具体步骤为：
将样品数据集中的每个输入层向量和每个输出层向量中的各个样本元素按照公式zi’＝(zi-min(z))/(max(z)-min(z))依次映射到区间[0,1]，求取得到其各自对应的样本特征值，zi为某个输入层向量x或输出层向量y中的某一个样本元素，z为与zi所属种类相同的所有样本元素所构成的数据集，max(z)为数据集z中数值最大的样本元素的值，min(z)为数据集z中数值最小的样本元素的值。
4.根据权利要求1所述的基于人工神经网络算法的辐射温度反演方法，其特征在于，所述步骤S4中利用预处理后的样本数据对人工神经网络模型进行训练，得到最优人工神经网络模型的具体步骤为：
首先，将预处理后的样本数据分为训练集和验证集；
然后，将输出层与目标层的值之间的均方差作为损失函数，选择平均绝对误差作为训练时对人工神经网络模型的监督标准；
最后，利用训练集和验证集的数据对人工神经网络模型进行训练，训练时，利用反向传播和随机梯度下降优化算法不断迭代调整权重和偏差项，损失函数最小时，即得到最优人工神经网络模型。
5.根据权利要求1所述的基于人工神经网络算法的辐射温度反演方法，其特征在于，所述人工神经网络模型具有一个输入层、若干个隐藏层和一个输出层，所述输入层、输出层和每个隐藏层均有若干个神经元，相邻两层之间的神经元均通过ReLU非线性激活函数连接。
6.根据权利要求5所述的基于人工神经网络算法的辐射温度反演方法，其特征在于，所述人工神经网络模型为全连接的前馈神经网络。
7.根据权利要求1所述的基于人工神经网络算法的辐射温度反演方法，其特征在于，所述样本材料为不透明且内部均匀的单层平面靶材。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010146537.4A CN111370080B (zh) | 2020-03-05 | 2020-03-05 | 一种基于人工神经网络算法的辐射温度反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010146537.4A CN111370080B (zh) | 2020-03-05 | 2020-03-05 | 一种基于人工神经网络算法的辐射温度反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111370080A CN111370080A (zh) | 2020-07-03 |
| CN111370080B true CN111370080B (zh) | 2023-12-08 |
Family
ID=71211710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010146537.4A Active CN111370080B (zh) | 2020-03-05 | 2020-03-05 | 一种基于人工神经网络算法的辐射温度反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111370080B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112417759B (zh) * | 2020-11-19 | 2022-09-23 | 天津大学 | 一种基于动态神经网络的导热反问题求解方法 |
| CN112926767A (zh) * | 2021-01-27 | 2021-06-08 | 天津大学 | 基于粒子群bp神经网络的环雾状流气相表观流速预测方法 |
| CN113012276B (zh) * | 2021-01-27 | 2021-09-24 | 中国科学院空天信息创新研究院 | 基于辐射度的地表高分辨率光谱信息遥感反演方法 |
| CN113514182B (zh) * | 2021-06-29 | 2022-12-27 | 西安航天动力测控技术研究所 | 基于高速摄影系统的冲击波超压场测量方法 |
| CN114088238B (zh) * | 2021-11-18 | 2023-08-01 | 中国工程物理研究院流体物理研究所 | 基于宽辐射谱的皮秒时间分辨冲击温度测量系统及方法 |
| CN115099275B (zh) * | 2022-06-29 | 2023-07-07 | 西南医科大学 | 一种基于人工神经网络的心律失常诊断模型的训练方法 |
| CN117313553B (zh) * | 2023-11-28 | 2024-02-06 | 四川物科光学精密机械有限公司 | 一种基于神经网络的多光谱辐射测温反演计算方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101476734A (zh) * | 2009-01-16 | 2009-07-08 | 陕西午禾科技有限责任公司 | 基于声波气体温度场测量技术的智能吹灰控制系统 |
| CN106197673A (zh) * | 2016-06-27 | 2016-12-07 | 湖北久之洋红外系统股份有限公司 | 一种自适应宽温度范围非均匀校正方法及系统 |
| CN109635932A (zh) * | 2018-12-16 | 2019-04-16 | 北京工业大学 | 一种部分连接多层感知器的图形化设计与实现方法 |
| CN110186570A (zh) * | 2019-05-16 | 2019-08-30 | 西安理工大学 | 一种增材制造激光3d打印温度梯度检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI637448B (zh) * | 2017-10-20 | 2018-10-01 | 行政院原子能委員會核能硏究所 | 薄膜厚度量測方法及其系統 |
-
2020
- 2020-03-05 CN CN202010146537.4A patent/CN111370080B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101476734A (zh) * | 2009-01-16 | 2009-07-08 | 陕西午禾科技有限责任公司 | 基于声波气体温度场测量技术的智能吹灰控制系统 |
| CN106197673A (zh) * | 2016-06-27 | 2016-12-07 | 湖北久之洋红外系统股份有限公司 | 一种自适应宽温度范围非均匀校正方法及系统 |
| CN109635932A (zh) * | 2018-12-16 | 2019-04-16 | 北京工业大学 | 一种部分连接多层感知器的图形化设计与实现方法 |
| CN110186570A (zh) * | 2019-05-16 | 2019-08-30 | 西安理工大学 | 一种增材制造激光3d打印温度梯度检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111370080A (zh) | 2020-07-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111370080B (zh) | 一种基于人工神经网络算法的辐射温度反演方法 | |
| Herriott et al. | Predicting microstructure-dependent mechanical properties in additively manufactured metals with machine-and deep-learning methods | |
| CN110321603B (zh) | 一种用于航空发动机气路故障诊断的深度计算模型 | |
| Woolley et al. | Modeling and prediction of chaotic systems with artificial neural networks | |
| Kumar et al. | Parametric studies of a simple direct expansion solar assisted heat pump using ANN and GA | |
| Saffari et al. | Fuzzy Grasshopper Optimization Algorithm: A Hybrid Technique for Tuning the Control Parameters of GOA Using Fuzzy System for Big Data Sonar Classification. | |
| Trunov | Realization of the paradigm of prescribed control of a nonlinear object as the problem on maximization of adequacy | |
| Durrant et al. | 3D convolutional and recurrent neural networks for reactor perturbation unfolding and anomaly detection | |
| Chhachhiya et al. | Designing optimal architecture of neural network with particle swarm optimization techniques specifically for educational dataset | |
| Li et al. | Deep learning method for fast prediction of film cooling performance | |
| CN106650918B (zh) | 构建系统模型的方法和装置 | |
| Pérez et al. | Physics-Informed Long-Short Term Memory Neural Network Performance on Holloman High-Speed Test Track Sled Study | |
| Liu et al. | Adaptive transfer learning for PINN | |
| Taj et al. | Design exploration and optimization of aerodynamics and radar cross section for a fighter aircraft | |
| CN110779477B (zh) | 一种用于实时识别物体形状的声学方法 | |
| CN114841892B (zh) | 一种基于全连接网络的稀疏导波数据恢复方法 | |
| Lee et al. | Deep residual neural network for predicting aerodynamic coefficient changes with ablation | |
| Oshima et al. | Development of a physics-informed neural network to enhance wind tunnel data for aerospace design | |
| Li et al. | The research of recognition of peep door open state of ethylene cracking furnace based on deep learning | |
| Rivero et al. | Thermal neutron classification in the hohlraum using artificial neural networks | |
| Quadros et al. | Base drag estimation in suddenly expanded supersonic flows using backpropagation genetic and recurrent neural networks | |
| US20220237347A1 (en) | Training Wave-Based Physical Systems as Recurrent Neural Networks | |
| Drikakis et al. | Physical consistency and invariance in machine learning of turbulent signals | |
| Sedov et al. | Approach to operational experimental estimation of static stresses of elements of mechanical structures | |
| Liu et al. | AL 1-constrained DNN acceleration algorithm with ADMM |
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 |