CN113901927A - 一种基于流场压力时程的水下物体外形识别方法 - Google Patents
一种基于流场压力时程的水下物体外形识别方法 Download PDFInfo
- Publication number
- CN113901927A CN113901927A CN202111188877.4A CN202111188877A CN113901927A CN 113901927 A CN113901927 A CN 113901927A CN 202111188877 A CN202111188877 A CN 202111188877A CN 113901927 A CN113901927 A CN 113901927A
- Authority
- CN
- China
- Prior art keywords
- flow field
- shape
- deep learning
- course
- network model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013135 deep learning Methods 0.000 claims abstract description 38
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000010998 test method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000004088 simulation Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 6
- 238000013136 deep learning model Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于流场压力时程的水下物体外形识别方法,包括:步骤1、采用压力传感器测量已知外形目标体的尾流压强时程样本,获得所有标签与样本外形一一对应的信号集合;步骤2、将步骤1中的信号集合输入第一深度学习网络模型并迭代收敛,将其参数迁移至第二深度学习网络模型并提取步骤1中所述的信号集合中特征,实现对所述的特征进行分类;步骤3、采集待识别外形的物体流场特征样本;步骤4、基于深度学习网络模型,计算对待识别样本的特征,完成物体识别。本发明采用流场压力作为外形识别的数据,是一种标量信号,其获取比速度等矢量信号更可靠;同时克服了主动声呐隐蔽性差的缺点,弥补了水中图像信号干扰大的缺陷。
Description
技术领域
本发明涉及水下目标物体外形识别领域,尤其涉及一种基于流场压力时程的水下物体外形识别方法。
背景技术
目前对流体中目标识别主要通过光信号或声信号进行,光信号在水中穿透能力有限,导致难以采集远距离光信号;低频的声信号具有良好的传播性,由于水下噪声来源十分复杂,同时受水体和地表反射的干扰较大,难以直接根据信号进行目标识别,必须要进行复杂的信号处理工作。
传统机器学习方法研究水下目标识别时,将信号分离理论与机器学习方法相结合,采用频谱分析、小波变换、希尔伯特黄变换、高阶谱估计等数学方法进行人工特征提取,这些特征工程的分析过程主要依靠人为的知识与经验,弱化了方法的泛化能力,也限制了传统机器学习方法在水下识别领域的进一步发展。
目前,针对流场特征的深度学习方法研究少,也尚未利用流场特征进行目标识别。当流体流经浸入其中的固体表面时,会受到物体的干扰而产生流动分离等现象。而且不同形状的物体对流场的干扰特征是不同的,因此会在流场中形成特征不同的压力场,这种压力场可以看作不同形状物体在流体中形成的特殊“指纹”,同时压力场是一种标量场,其测量手段及应用范围要比速度等矢量更加方便与可靠,因而可根据压力场进行物体外形的识别。然而,随着流场雷诺数变化,流动控制方程的非线性特征导致压力场的特征与状态高度复杂,难以通过传统数学方法进行推导描述,更难以实现特征提取与识别。
发明内容
本发明提供一种基于流场压力时程的水下物体外形识别方法,以克服以上问题。
本发明包括以下步骤:
步骤1、采用压力传感器测量已知外形目标体的尾流压强时程样本,获得所有标签与样本外形一一对应的流场压力时程信号集合;
步骤2、将步骤1中的信号集合输入第一深度学习网络模型,在所第一深度学习网络模型迭代收敛后,将第一深度学习网络模型的参数迁移至第二深度学习网络模型,通过第二深度学习网络模型,提取步骤1中所述的流场压力时程信号集合中时程信号的特征,并对所述时程信号的特征进行分类;
步骤3、采集待识别外形的物体流场特征样本;
步骤4、基于深度学习网络模型,计算对待识别样本的特征,完成物体识别。
进一步地,步骤1包括:
步骤1a、根据应用场景,确定识别外形的包含范围,确定范围内的外形集合J,所述包含范围根据经验设定;
步骤1b、采用风洞试验方法、水洞试验方法、数值模拟方法任选其一,获得绕流流场的压力时程数据;
步骤1c、外形集合J中选取一个目标外形,在所述目标外形的尾流区域采用压力传感器,获取所述目标外形的压力时程数据;
步骤1d、移动传感器位置,重复步骤c,获取更多位置处的目标外形的压力时程数据,得到所述目标外形的流场样本集;
步骤1e、重复步骤c-d,获取集合中所有目标外形的样本集,获得集合中的所有样本外形的流场压力时程信号集合,指定各集合的标签,所述标签由人为定义给出;获得所有标签与样本外形一一对应的流场压力时程信号集合。
进一步地,步骤2包括:
步骤2a、构建基于全卷积计算的FCN深度学习网络模型;
步骤2b、将流场压力信号集合作为输入样本传递给FCN深度学习神经网络模型中,进行模型拟合和训练;
步骤2c、设置深度学习神经网络模型的损失函数:
L=∑O-G(1)
其中,O为模型计算预测的目标外形标签,G为真实的外形标签;
步骤2d、使用损失函数,进行正向迭代,获得预测识别结果与真实值的差别;
使用损失函数,进行反向迭代,缩小预测识别结果与真实值的差别;
步骤2e、重复步骤2d,直至差别小于设定值,所述设定值根据经验设定;最后一次迭代获得的数值作为所述深度学习网络模型的模型参数。
进行迭代训练,减小损失函数数值,得到外形识别的网络模型参数;
通过反向迭代消除输出的误差,使得模型收敛。
进一步地,步骤3包括:
步骤3a、采用风洞试验方法、水洞试验方法、数值模拟方法中的任意一种,进行流场模拟;
步骤3b、对待识别目标外形的尾流区域,采用流场压力传感器获取待识别目标的压力时程。
进一步地,步骤4包括:
步骤4a、将步骤3中采集的样本时程作为FCN深度学习神经网络中的输入数据,采用FCN深度学习神经网络中的模型参数进行计算;
步骤4b、根据计算输出的结果向量,判定所述结果向量与集合中标签的相似程度,选择相似程度最高的标签,输出识别结果为所述标签的样本外形,完成目标外形的识别;若没有找到相似的标签,则发出报警,停止识别。
本发明采用流场压力作为外形识别的数据,与传统采用声信号、图像信号等方法具有根本的不同,由于本方法采用了全新的物理量进行外形识别,克服了传统声信号中主动声呐方法的隐蔽性差的缺点,也弥补了水中图像信号干扰大的缺陷,是一种隐蔽性高、数据获取便捷的新方法;本方法所采用的目标变量为流场中的压力,因此本方法的数据获取极为方便;本发明采用一维的时程信号进行外形识别,与传统图像识别方法针对图像数据开展外形识别不同,所需要的输入数据量小,所构建的深度学习网络参数少,识别计算速度快;本发明采用基于卷积的深度学习方法对时程数据进行特征提取与分类,保留了样本的时序信息,因此识别精度高,是一种高精度的新方法。
附图说明
为了更清楚地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,下面描述中的附图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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明具体实施方式中一种基于流场压力时程的水下物体外形识别的深度学习方法流程图;
图2为本发明实施例中包含的目标外形集;
图3为本发明实施例中流场的数值模拟模型;
图4为本发明实施例中流场的压力时程样本;
图5为本发明实施例中的流场压力测点布置示意图;
图6为本发明中深度学习模型结构示意图;
图7为本发明实施例中的识别结果精度结果。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明包括以下步骤:
步骤(1),采用压力传感器测量已知外形目标体的尾流压强时程样本;
(a)首先确定识别外形的包含范围,确定范围内的外形集合J;
具体而言,包含范围人为给定,例如几种潜艇型号。范围结合经验给定,如果出现未知的情况,将触发报警预测,同时结果可信度不高,请人工核实。
例如在例中,J中共包含2种待识别的目标外形,分别为圆柱和方柱,如图3所示;
(b)采用风洞试验方法、水洞试验方法或者数值模拟方法,绕流流场的模拟;
具体而言,这三个方法都具有可行性,目标为获得绕流流场中压力的时程数据,择优选择获取方法。
在本例中,采用了数值模拟方法来获取流场的压力时程(也可采用风洞试验、水洞试验、现场实测等方法获取流场的压力时程),本例中的数值模拟模型如图3所示;
(c)选取集合J中的目标外形1,在目标外形1的尾流区域采用压力传感器获取压力时程;
在本例中,获取的压力时程样本如图4所示;
(d)移动传感器位置,重复步骤c,获取更多位置处的压力时程,得到目标外形1的流场样本集1。
具体而言,重复步骤c至少100次。
本例中,具体的测点布置如图5所示,对于样本J中的单个外形案例,共布置了3600个传感器,
(e)重复步骤c-d,获取集合J中各目标外形的样本集,至此得到了集合J中的所有外形的流场压力时程信号集合,并指定各集合的标签,定义为信号集合X。
具体而言,信号几何的标签须人为给出,如图2所示,例如第一种外形标签是0,第二种标签外形是1。信号集合X为:带有两种标签的所有外形的流场压力时程信号集合。
本例中,J中共2个样本,每个样本中的流场信号3600个,因此本实施例中总的信号集X中包含7200条样本时程;
步骤(2),对步骤(1)中的信号集合X进行深度学习模型的训练,模型迭代收敛过程中,自动提取时程信号的特征并进行分类;
(a)首先构建基于全卷积计算的FCN深度学习网络;
具体而言,就是将一列数,放到一个模型中。模型的功能就是根据一列数就能判断是航空母舰还是核潜艇。
本实施例中的模型结构如图6所示;模型输入层为一维流场压力时程信号;对输入层的时程信号进行卷积运算,得到模型的卷积层1;对卷积层1的输出数据再次进行卷积计算,得到模型的卷积层2;对卷积层2的输出数据再次进行卷积计算,得到模型的卷积层3;对卷积层3的输出数据再次进行卷积计算,得到模型的卷积层3;对卷积层4的输出数据进行全局池化计算,得到模型的池化层1;对池化层的输出数据进行全连接层计算,得到模型的输出层;
(b)将流场压力信号集合X作为输入样本传递给FCN深度学习神经网络中;
本例中,将1-e步骤中的7200条样本中随机选取50%的样本作为训练集,作为模型的输入层变量;
(c)定义模型的损失函数L
L=∑|O-G| (1)
其中,O为模型计算预测的目标外形标签,G为真实的外形标签;
具体而言,损失函数是模型进行计算的目标,相当于FCN网络模型的目的,按照这个目的,才能进行识别。
在本实施例中,模型的初始标签均设定为标签0,真实的标签为0~1,分别对应集合J中的2中外形形状;
(d)迭代训练,使得c中的损失函数变小,得到用与应用范围内外形识别的网络模型参数;
通过反向迭代消除输出的误差,使得模型收敛;本例中,共进行了50次迭代,c步骤中的损失函数即足够小(1e-4),满足精度要求,至此完成了模型的训练;
具体而言,反向迭代是现有技术,具体就是将现有模型的误差向模型前端不断修正,来使得新的模型预测精度更好,不断重复,就能得到更好的模型,迭代需要反复进行。首先正向迭代,得到预测识别结果与真实值的差别,再反向迭代,来缩小这个现存的差别;反复迭代,直到差别足够小。一般100次迭代即可。模型包含两部分,一部分如图6所示,相当于一个框架;另一部分是这个框架中的参数,这些参数要根据具体的实例,通过上述的迭代获得。
这些参数的迭代获得是根据一组数据进行的,固定参数后,用图6的模型结合这些参数去预测未知的时程曲线所属外形的种类。
(a)采用风洞试验方法、水洞试验方法或者数值模拟方法,进行流场模拟;
具体而言,步骤1-b是用来训练模型的。例如在核潜艇后边采集数据A,在航空母舰后边采集数据B,然后训练模型。步骤3-a是实战中采集了一个数x,要判断是核潜艇还是航空母舰。
本例中,集合J的选择同步骤1-a,流场压力时程的获取方式同步骤1-b;
(b)对待识别目标外形的尾流区域采用流场压力传感器获取压力时程;
在本实施例中,传感器的测量变量与位置同步骤1-c和1-d;
步骤(4),基于2-d步骤中的深度学习模型进行待识别样本的特征计算;
(a)将3-2中的样本时程作为2-d模型中的输入数据,采用2-d中的模型参数进行计算;
在本实施例中,将步骤2-b中的其余50%的样本作为待识别的样本时程,由于待识别的样本位置与2-b中的样本位置不同,因此其时程是不一样的,可以用来代表新的样本(即深度学习没有学习过的样本),用来测试模型的精度;
(b)根据计算输出的结果向量,判定与集合X中标签的相似程度,找到最为接近的标签m,输出识别结果为集合J中的m样本外形,完成目标外形的识别;
具体而言,模型会告诉我们,这列数95%的可能性是航空母舰,3%的可能性是一个渔船,1%的可能性是一个核潜艇。这个时候模型中有一个标签相似度很高,就判断是航母。如果都是30%左右,则报警,判断不出来。初步可定位相似度大于80%就判定为接近标签。
将步骤a所得到计算结果与步骤a中待识别样本的真实标签相比较,模型所输出的是各条样本属于集合J中各外形的概率;本实施例中共2种外形,平均概率为50%,实际计算发现预测目标概率可达99%以上,见图7。说明对于六种不同形状的复杂为流场,采用本方法可以根据任一点位置处的流场压力时程,来识别物体的外形,且准确率高。
有益效果:
(1)本发明采用流场压力作为外形识别的数据,与传统采用声信号、图像信号等方法具有根本的不同,由于本方法采用了全新的物理量进行外形识别,克服了传统声信号中主动声呐方法的隐蔽性差的缺点,也弥补了水中图像信号干扰大的缺陷,是一种隐蔽性高、数据获取便捷的新方法;
(2)本方法所采用的目标变量为流场中的压力,相比于速度矢量更容易获取,是一种标量场的识别方法,因此本方法的数据获取极为方便;
(3)本发明采用一维的时程信号进行外形识别,与传统图像识别方法针对图像数据开展外形识别不同,所需要的输入数据量小,所构建的深度学习网络参数少,识别计算速度快;
(4)本发明采用基于卷积的深度学习方法对时程数据进行特征提取与分类,保留了样本的时序信息,因此识别精度高,是一种高精度的新方法。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种基于流场压力时程的水下物体外形识别方法,其特征在于,包括:
步骤1、采用压力传感器测量已知外形目标体的尾流压强时程样本,获得有标签的所有样本外形的流场压力时程信号集合;
步骤2、将步骤1中的信号集合输入第一深度学习网络模型,所述第一深度学习网络模型迭代收敛后,将第一深度学习网络模型的参数迁移至第二深度学习网络模型;
通过第二深度学习网络模型,提取步骤1中所述的流场压力时程信号集合中时程信号的特征,并对所述时程信号的特征进行分类;
步骤3、通过压力传感器,采集待识别外形的物体流场特征样本;
步骤4、通过第二深度学习网络模型,计算待识别样本的时程信号特征,完成物体识别。
2.根据权利要求1所述的一种基于流场压力时程的水下物体外形识别方法,其特征在于,所述步骤1包括:
步骤1a、根据应用场景,确定识别外形的包含范围,确定范围内的外形集合J,所述包含范围根据经验设定;
步骤1b、采用风洞试验方法、水洞试验方法、数值模拟方法任选其一,获得绕流流场的压力时程数据;
步骤1c、外形集合J中选取一个目标外形,在所述目标外形的尾流区域采用压力传感器,获取该目标外形的压力时程数据;
步骤1d、移动压力传感器位置,重复步骤c,获取压力传感器位于不同角度时,目标外形的压力时程数据,得到所述目标外形的流场样本集;
步骤1e、重复步骤c-d,获取集合中所有目标外形的样本集,获得集合中的所有样本外形的流场压力时程信号集合,指定各集合的标签类型,所述标签类型根据经验进行设定;获得所有标签与样本外形一一对应的流场压力时程信号集合。
3.根据权利要求1所述的一种基于流场压力时程的水下物体外形识别方法,其特征在于,所述步骤2包括:
步骤2a、构建基于全卷积计算的第一深度学习网络模型;
步骤2b、将流场压力信号集合作为输入样本传递给第一深度学习神经网络模型中,进行所述模型拟合和训练;
步骤2c、使用损失函数,通过正向迭代和反向迭代,使得第一深度学习网络模型收敛,获得新的深度学习网络模型,即第二深度学习网络模型;所述损失函数为:
L=∑|O-G| (1)
其中,O为模型计算预测的目标外形标签,G为真实的外形标签;
步骤2e、通过第二深度学习网络模型,提取步骤1中所述的流场压力时程信号集合中时程信号的特征,并对所述时程信号的特征进行分类。
4.根据权利要求1所述的一种基于流场压力时程的水下物体外形识别方法,其特征在于,所述步骤3包括:
步骤3a、采用风洞试验方法、水洞试验方法、数值模拟方法中的任意一种,进行流场模拟;
步骤3b、对待识别目标外形的尾流区域,采用流场压力传感器获取待识别目标的压力时程。
5.根据权利要求1所述的一种基于流场压力时程的水下物体外形识别方法,其特征在于,所述步骤4包括:
步骤4a、将步骤3中采集的样本时程作为FCN深度学习神经网络中的输入数据,采用FCN深度学习神经网络中的模型进行计算;
步骤4b、根据计算输出的结果向量,判定所述结果向量与集合中标签的相似程度,选择相似程度最高的标签,输出识别结果为所述标签的样本外形,完成目标外形的识别;若没有找到相似的标签,则发出报警,停止识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111188877.4A CN113901927B (zh) | 2021-10-12 | 2021-10-12 | 一种基于流场压力时程的水下物体外形识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111188877.4A CN113901927B (zh) | 2021-10-12 | 2021-10-12 | 一种基于流场压力时程的水下物体外形识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113901927A true CN113901927A (zh) | 2022-01-07 |
CN113901927B CN113901927B (zh) | 2023-02-03 |
Family
ID=79191695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111188877.4A Active CN113901927B (zh) | 2021-10-12 | 2021-10-12 | 一种基于流场压力时程的水下物体外形识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113901927B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115455838A (zh) * | 2022-09-26 | 2022-12-09 | 大连海事大学 | 一种面向时程数据的高空间分辨率流场重构方法 |
CN115546498A (zh) * | 2022-09-28 | 2022-12-30 | 大连海事大学 | 一种基于深度学习的流场时变数据的压缩存储方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107682216A (zh) * | 2017-09-01 | 2018-02-09 | 南京南瑞集团公司 | 一种基于深度学习的网络流量协议识别方法 |
CN109766627A (zh) * | 2019-01-08 | 2019-05-17 | 西南交通大学 | 一种基于滑板间距的受电弓非定常特性的分析方法 |
CN110458778A (zh) * | 2019-08-08 | 2019-11-15 | 深圳市灵明光子科技有限公司 | 一种深度图像去噪方法、装置及存储介质 |
CN110490230A (zh) * | 2019-07-16 | 2019-11-22 | 西北工业大学 | 基于深度卷积生成对抗网络的水声目标识别方法 |
-
2021
- 2021-10-12 CN CN202111188877.4A patent/CN113901927B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107682216A (zh) * | 2017-09-01 | 2018-02-09 | 南京南瑞集团公司 | 一种基于深度学习的网络流量协议识别方法 |
CN109766627A (zh) * | 2019-01-08 | 2019-05-17 | 西南交通大学 | 一种基于滑板间距的受电弓非定常特性的分析方法 |
CN110490230A (zh) * | 2019-07-16 | 2019-11-22 | 西北工业大学 | 基于深度卷积生成对抗网络的水声目标识别方法 |
CN110458778A (zh) * | 2019-08-08 | 2019-11-15 | 深圳市灵明光子科技有限公司 | 一种深度图像去噪方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
战庆亮等: "基于尾流时程目标识别的流场参数选择研究", 《力学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115455838A (zh) * | 2022-09-26 | 2022-12-09 | 大连海事大学 | 一种面向时程数据的高空间分辨率流场重构方法 |
CN115455838B (zh) * | 2022-09-26 | 2023-09-01 | 大连海事大学 | 一种面向时程数据的高空间分辨率流场重构方法 |
CN115546498A (zh) * | 2022-09-28 | 2022-12-30 | 大连海事大学 | 一种基于深度学习的流场时变数据的压缩存储方法 |
CN115546498B (zh) * | 2022-09-28 | 2023-10-17 | 大连海事大学 | 一种基于深度学习的流场时变数据的压缩存储方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113901927B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705457B (zh) | 一种遥感影像建筑物变化检测方法 | |
CN109285348B (zh) | 基于无人机与长短时记忆网络的车辆行为识别方法及系统 | |
CN109709603B (zh) | 地震层位识别与追踪方法、系统 | |
CN114693615A (zh) | 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法 | |
CN113901927B (zh) | 一种基于流场压力时程的水下物体外形识别方法 | |
CN106950276B (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
CN111639747B (zh) | 一种基于bp神经网络的gnss-r海面风速反演方法及系统 | |
CN113822201B (zh) | 基于流场速度分量时程的水下物体外形识别的深度学习方法 | |
CN110660083A (zh) | 一种结合视频场景特征感知的多目标跟踪方法 | |
CN107038713A (zh) | 一种融合光流法和神经网络的运动目标捕捉方法 | |
CN108304810B (zh) | 基于神经网络的水下仿生侧线水压与水流场信息探测方法 | |
CN111141653B (zh) | 一种基于神经网络的隧道渗漏速率预测方法 | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN115545334B (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
CN113687433A (zh) | 一种基于Bi-LSTM的大地电磁信号去噪方法及系统 | |
CN111401180A (zh) | 神经网络识别模型训练方法、装置、服务器及存储介质 | |
CN112347531B (zh) | 一种脆性大理石三维裂纹扩展路径预测方法及系统 | |
CN112215495B (zh) | 一种基于长短时记忆神经网络的污染源贡献度计算方法 | |
CN111815561B (zh) | 一种基于深度时空特征的管道缺陷及管道组件的检测方法 | |
CN112800934A (zh) | 一种多类别工程车的行为识别方法及装置 | |
CN115880505B (zh) | 一种目标边缘检测神经网络的低序级断层智能识别方法 | |
CN116364203A (zh) | 一种基于深度学习的水质预测方法、系统和装置 | |
CN115375925A (zh) | 一种基于相位信息和深度学习的水下声呐图像匹配算法 | |
CN114529815A (zh) | 一种基于深度学习的流量检测方法、装置、介质及终端 | |
CN115455838A (zh) | 一种面向时程数据的高空间分辨率流场重构方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220107 Assignee: Yuntong Transportation Technology (Dalian) Co.,Ltd. Assignor: Dalian Maritime University Contract record no.: X2023980049312 Denomination of invention: A method for underwater object shape recognition based on flow field pressure time history Granted publication date: 20230203 License type: Common License Record date: 20231130 |
|
EE01 | Entry into force of recordation of patent licensing contract |