CN115311530A - 一种基于深度卷积自编码器的流场特征提取方法 - Google Patents

一种基于深度卷积自编码器的流场特征提取方法 Download PDF

Info

Publication number
CN115311530A
CN115311530A CN202210833886.2A CN202210833886A CN115311530A CN 115311530 A CN115311530 A CN 115311530A CN 202210833886 A CN202210833886 A CN 202210833886A CN 115311530 A CN115311530 A CN 115311530A
Authority
CN
China
Prior art keywords
flow field
encoder
convolution self
training
convolution
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
Application number
CN202210833886.2A
Other languages
English (en)
Other versions
CN115311530B (zh
Inventor
赖马树金
周旭曦
金晓威
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202210833886.2A priority Critical patent/CN115311530B/zh
Publication of CN115311530A publication Critical patent/CN115311530A/zh
Application granted granted Critical
Publication of CN115311530B publication Critical patent/CN115311530B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Monitoring And Testing Of Transmission In General (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提出一种基于深度卷积自编码器的流场特征提取方法。所述方法具体包括：步骤一：获得流场数据，根据流场数据构建数据集；步骤二：搭建深度卷积自编码器模型；步骤三：将数据集随机按比例划分为训练集、验证集和测试集；利用训练集对深度卷积自编码器模型进行训练，利用验证集对深度卷积自编码器模型进行验证；步骤四：利用测试集对验证后的深度卷积自编码器模型进行测试，对比输入和输出流场差异。相比于POD等线性方法，本发明所述方法能够将流场压缩到更低的维度，流场重构精度也优于POD方法。

Description

一种基于深度卷积自编码器的流场特征提取方法
技术领域
本发明属于桥梁风工程技术领域，特别是涉及一种基于深度卷积自编码器的流场特征提取方法。
背景技术
获取具有高时间分辨率和高空间分辨率的流场特征对于深入理解非定常流动的物理机制和有效捕捉相干结构至关重要。目前，对于流场的特征提取常采用本征正交分解(POD)等线性方法，将流场投影到POD模态空间，同时获得时间系数，此时用只与空间相关的模态和只与时间相关的时间系数的线性组合即可描述整个流场。对于简单流动来说，可利用前几阶能量较高的模态对流场的主要特征进行重构，但对于复杂流动，如湍流，则需要大量模态才能确保流场的重构精度。这种局限性限制了本征正交分解方法对各种流场的适用范围，不能捕捉到流场的非线性特征。
发明内容
本发明目的是为了解决现有的技术问题，提出了一种基于深度卷积自编码器的流场特征提取方法。本发明所述方法是一种非线性降维方法，能够捕捉流场的非线性特征，将流场压缩到更低的维度。
本发明是通过以下技术方案实现的，本发明提出一种基于深度卷积自编码器的流场特征提取方法，所述方法具体包括：
步骤一：获得流场数据，根据流场数据构建数据集；
步骤二：搭建深度卷积自编码器模型；
步骤三：将数据集随机按比例划分为训练集、验证集和测试集；利用训练集对深度卷积自编码器模型进行训练，利用验证集对深度卷积自编码器模型进行验证；
步骤四：利用测试集对验证后的深度卷积自编码器模型进行测试，对比输入和输出流场差异。
进一步地，在步骤一中，采用数值模拟方式和风洞试验方式获取流场数据；数值模拟采用OpenFOAM开源计算流体软件计算；风洞试验采用粒子图像测速技术测量流场。
进一步地，数值模拟的工况为雷诺数Re＝200和Re＝500的不可压缩圆柱绕流，采用Smagorinsky-Lilly湍流模型，压力速度耦合方程求解采用PISO求解器；风洞试验的工况为雷诺数Re＝2.7×104，PIV采样频率为10Hz。
进一步地，在步骤三中，按6：2：2的比例将数据集划分为训练集、验证集和测试集。
进一步地，所述深度卷积自编码器模型采用对称结构，编码器由三个卷积层加三个池化层组成，解码器由三个上采样层加三个卷积层以及中间的隐向量层组成；上采样层选用最邻近插值替代反卷积层。
进一步地，卷积核大小均选取为3×3，池化层选用平均池化，所有的激活函数均采用ReLU函数，如式(1)：
f(x)＝max(0,x) (1)
卷积层的操作过程如式(2)：
Figure BDA0003749375510000021
式中,
Figure BDA0003749375510000022
为第l层的输出,σ为激活函数，K为卷积核的数量，H为卷积核尺寸，w为权重，b为偏置。
进一步地，将训练集和验证集的流场图像输入深度卷积自编码器模型中，通过编码器运算得到隐向量q，然后通过解码器运算得到输出
Figure BDA0003749375510000023
构建模型的损失函数：
Figure BDA0003749375510000024
训练过程中采用Early stopping方法避免过拟合，当验证集误差连续在10个周期内增长的时候，说明此时发生了过拟合，训练提前中止。
进一步地，在步骤四中，定义相对误差ε(t)，利用式(5)来刻画时间域上的误差，定义相对重构误差
Figure BDA0003749375510000025
利用式(6)来刻画空间域上的误差：
Figure BDA0003749375510000026
Figure BDA0003749375510000027
式中,ε(t)为x位置处速度在时间域内的相对误差，
Figure BDA0003749375510000028
为x位置处t时刻速度的真实值，
Figure BDA0003749375510000029
为x位置处t时刻速度的重构值，
Figure BDA00037493755100000210
为整个流场在时间域内相对误差的平均值，n为时间总数；
Figure BDA0003749375510000031
式中,
Figure BDA0003749375510000032
为整个流场在空间域内的相对重构误差，
Figure BDA0003749375510000033
为ti时刻x位置处速度的真实值，
Figure BDA0003749375510000034
为ti时刻x位置处速度的重构值，N为位置总数。
本发明提出一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述一种基于深度卷积自编码器的流场特征提取方法的步骤。
本发明提出一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现所述一种基于深度卷积自编码器的流场特征提取方法的步骤。
本发明的有益效果为：
本发明针对基于本征正交分解的传统流场特征提取方法存在的局限性问题，建立了深度卷积自编码器进行流场特征提取，实现了多种雷诺数下的流场特征提取。相比于POD方法，本发明所述方法能够捕捉流场的非线性特征，将流场压缩到更低的维度，流场重构精度也高于POD方法。
附图说明
图1为基于深度卷积自编码器流场特征提取方法流场图；
图2为数值模拟Re＝200重构结果图；其中，(a)为重构值，(b)为真实值，(c)为空间上的误差分布；
图3为数值模拟Re＝500重构结果图；其中，(a)为重构值，(b)为真实值，(c)为空间上的误差分布；
图4为风洞试验Re＝2.7×104重构结果图；其中，(a)为重构值，(b)为真实值，(c)为空间上的误差分布；
图5为POD方法和深度卷积自编码器方法重构结果对比图；其中，(a)为真实值，(b)为POD重构值，(c)为CAE重构值。
具体实施方式
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，所描述的实施例仅仅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。
实施例一：
结合图1-图4，本发明提出一种基于深度卷积自编码器的流场特征提取方法，所述方法具体包括：
步骤一：获得流场数据，根据流场数据构建数据集；在步骤一中，采用数值模拟方式和风洞试验方式获取流场数据；数值模拟采用OpenFOAM开源计算流体软件计算；风洞试验采用粒子图像测速技术(PIV)测量流场。
数值模拟的工况为雷诺数Re＝200和Re＝500的不可压缩圆柱绕流，采用Smagorinsky-Lilly湍流模型，压力速度耦合方程求解采用PISO求解器；风洞试验的工况为雷诺数Re＝2.7×104，PIV采样频率为10Hz。
步骤二：搭建深度卷积自编码器模型；所述深度卷积自编码器模型采用对称结构，编码器由三个卷积层加三个池化层组成，解码器由三个上采样层加三个卷积层以及中间的隐向量层组成；上采样层选用最邻近插值替代反卷积层，这样可以有效避免出现“棋盘效应”。
卷积核大小均选取为3×3，池化层选用平均池化，所有的激活函数均采用ReLU函数，如式(1)：
f(x)＝max(0,x) (1)
卷积层的操作过程如式(2)：
Figure BDA0003749375510000041
式中,
Figure BDA0003749375510000042
为第l层的输出,σ为激活函数，K为卷积核的数量，H为卷积核尺寸，w为权重，b为偏置。
步骤三：将数据集随机按比例划分为训练集、验证集和测试集；利用训练集对深度卷积自编码器模型进行训练，利用验证集对深度卷积自编码器模型进行验证，避免过拟合；在步骤三中，按6：2：2的比例将数据集划分为训练集、验证集和测试集。
将训练集和验证集的流场图像输入深度卷积自编码器模型中，通过编码器运算得到隐向量(latent vector)q，然后通过解码器运算得到输出
Figure BDA0003749375510000043
构建模型的损失函数：
Figure BDA0003749375510000044
训练过程中采用Early stopping方法避免过拟合，当验证集误差连续在10个周期内增长的时候，说明此时发生了过拟合，训练提前中止。
步骤四：利用测试集对验证后的深度卷积自编码器模型进行测试，对比输入和输出流场差异。
在步骤四中，定义相对误差ε(t)，利用式(5)来刻画时间域上的误差，定义相对重构误差
Figure BDA0003749375510000051
利用式(6)来刻画空间域上的误差：
Figure BDA0003749375510000052
Figure BDA0003749375510000053
式中,ε(t)为x位置处速度在时间域内的相对误差，
Figure BDA0003749375510000054
为x位置处t时刻速度的真实值，
Figure BDA0003749375510000055
为x位置处t时刻速度的重构值，
Figure BDA0003749375510000056
为整个流场在时间域内相对误差的平均值，n为时间总数；
Figure BDA0003749375510000057
式中,
Figure BDA0003749375510000058
为整个流场在空间域内的相对重构误差，
Figure BDA0003749375510000059
为ti时刻x位置处速度的真实值，
Figure BDA00037493755100000510
为ti时刻x位置处速度的重构值，N为位置总数。
实施例二：
如图1所示，本发明提出一种基于深度卷积自编码器的流场特征提取方法，所述方法具体包括：
第一步，获得卷积自编码器的输入数据，这通过数值模拟和风洞试验开展。
第二步，将得到的流场数据输入卷积自编码器中，构造一个13层的深度卷积自编码器模型，编码器由三个卷积层加三个池化层组成，解码器由三个上采样层加三个卷积层组成，以及中间的隐向量层。整个模型卷积层的卷积核大小均选取为3×3，池化层选用平均池化，所有的激活函数均采用ReLU函数。按照公式(3)所采用的损失函数对模型进行训练。
第三步，当模型的重构结果和真实流场之间的相对误差(公式(4)、(5))和相对重构误差(公式(6))达到最小时，流场的特征可以认为已经较好地被提取在卷积自编码器的中间隐藏层中，该维数小于POD模态分解数目，根据图5可以看出，基于卷积自编码器提取的流场特征优于基于本征正交分解提取到的特征，卷积自编码器能够更好地提取到高雷诺数下的脉动特征。
本发明使用tensorflow深度学习框架搭建模型，可用于进行流场特征提取，其输入直接是流场快照，可由数值模拟或风洞试验得到，卷积自编码器能够较好地提取到流场的特征，尤其是在复杂流动下，能够捕捉到流场的非线性特征，将流场压缩到更低的维度。
本发明提出了一种基于深度卷积自编码器的流场特征提取方法，卷积自编码器(CAE)是一种非线性降阶方法，相比于本征正交分解(POD)等线性方法，卷积自编码器可以有效的从输入中学习到数据的隐含特征，并重构出原始输入数据，对于复杂流动，如湍流，卷积自编码器可以有效捕捉到流场的非线性特征。本发明搭建了一个深度卷积自编码器，有效提取了两组数值模拟计算结果的流场特征以及一组风洞试验的流场特征。结果表明，相比于POD等线性方法，本发明所述方法能够将流场压缩到更低的维度，流场重构精度也优于POD方法。
本发明提出一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述一种基于深度卷积自编码器的流场特征提取方法的步骤。
本发明提出一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时实现所述一种基于深度卷积自编码器的流场特征提取方法的步骤。
本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read only memory，ROM)、可编程只读存储器(programmable ROM，PROM)、可擦除可编程只读存储器(erasablePROM，EPROM)、电可擦除可编程只读存储器(electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM，SRAM)、动态随机存取存储器(dynamic RAM，DRAM)、同步动态随机存取存储器(synchronousDRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(direct rambusRAM，DR RAM)。应注意，本发明描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，高密度数字视频光盘(digital video disc，DVD))、或者半导体介质(例如，固态硬盘(solid state disc，SSD))等。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
应注意，本申请实施例中的处理器可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
以上对本发明所提出的一种基于深度卷积自编码器的流场特征提取方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于深度卷积自编码器的流场特征提取方法，其特征在于，所述方法具体包括：
步骤一：获得流场数据，根据流场数据构建数据集；
步骤二：搭建深度卷积自编码器模型；
步骤三：将数据集随机按比例划分为训练集、验证集和测试集；利用训练集对深度卷积自编码器模型进行训练，利用验证集对深度卷积自编码器模型进行验证；
步骤四：利用测试集对验证后的深度卷积自编码器模型进行测试，对比输入和输出流场差异。
2.根据权利要求1所述的方法，其特征在于，在步骤一中，采用数值模拟方式和风洞试验方式获取流场数据；数值模拟采用OpenFOAM开源计算流体软件计算；风洞试验采用粒子图像测速技术测量流场。
3.根据权利要求2所述的方法，其特征在于，数值模拟的工况为雷诺数Re＝200和Re＝500的不可压缩圆柱绕流，采用Smagorinsky-Lilly湍流模型，压力速度耦合方程求解采用PISO求解器；风洞试验的工况为雷诺数Re＝2.7×104，PIV采样频率为10Hz。
4.根据权利要求1所述的方法，其特征在于，在步骤三中，按6：2：2的比例将数据集划分为训练集、验证集和测试集。
5.根据权利要求4所述的方法，其特征在于，所述深度卷积自编码器模型采用对称结构，编码器由三个卷积层加三个池化层组成，解码器由三个上采样层加三个卷积层以及中间的隐向量层组成；上采样层选用最邻近插值替代反卷积层。
6.根据权利要求5所述的方法，其特征在于，卷积核大小均选取为3×3，池化层选用平均池化，所有的激活函数均采用ReLU函数，如式(1)：
f(x)＝max(0,x)(1)
卷积层的操作过程如式(2)：
Figure FDA0003749375500000011
式中,
Figure FDA0003749375500000012
为第l层的输出,σ为激活函数，K为卷积核的数量，H为卷积核尺寸，w为权重，b为偏置。
7.根据权利要求6所述的方法，其特征在于，将训练集和验证集的流场图像输入深度卷积自编码器模型中，通过编码器运算得到隐向量q，然后通过解码器运算得到输出
Figure FDA00037493755000000212
构建模型的损失函数：
Figure FDA0003749375500000021
训练过程中采用Earlystopping方法避免过拟合，当验证集误差连续在10个周期内增长的时候，说明此时发生了过拟合，训练提前中止。
8.根据权利要求7所述的方法，其特征在于，在步骤四中，定义相对误差ε(t)，利用式(5)来刻画时间域上的误差，定义相对重构误差
Figure FDA0003749375500000022
利用式(6)来刻画空间域上的误差：
Figure FDA0003749375500000023
Figure FDA0003749375500000024
式中,ε(t)为x位置处速度在时间域内的相对误差，
Figure FDA0003749375500000025
为x位置处t时刻速度的真实值，
Figure FDA0003749375500000026
为x位置处t时刻速度的重构值，
Figure FDA0003749375500000027
为整个流场在时间域内相对误差的平均值，n为时间总数；
Figure FDA0003749375500000028
式中,
Figure FDA0003749375500000029
为整个流场在空间域内的相对重构误差，
Figure FDA00037493755000000210
为ti时刻x位置处速度的真实值，
Figure FDA00037493755000000211
为ti时刻x位置处速度的重构值，N为位置总数。
9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-8任一项所述方法的步骤。
10.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1-8任一项所述方法的步骤。
CN202210833886.2A 2022-07-15 2022-07-15 一种基于深度卷积自编码器的流场特征提取方法 Active CN115311530B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210833886.2A CN115311530B (zh) 2022-07-15 2022-07-15 一种基于深度卷积自编码器的流场特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210833886.2A CN115311530B (zh) 2022-07-15 2022-07-15 一种基于深度卷积自编码器的流场特征提取方法

Publications (2)

Publication Number Publication Date
CN115311530A true CN115311530A (zh) 2022-11-08
CN115311530B CN115311530B (zh) 2023-08-29

Family

ID=83856411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210833886.2A Active CN115311530B (zh) 2022-07-15 2022-07-15 一种基于深度卷积自编码器的流场特征提取方法

Country Status (1)

Country Link
CN (1) CN115311530B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6707760B1 (en) * 2002-11-22 2004-03-16 Bbnt Solutions Llc Projectile sonar
CN106779055A (zh) * 2017-01-10 2017-05-31 北京邮电大学 图像特征提取方法和装置
CN111027626A (zh) * 2019-12-11 2020-04-17 西安电子科技大学 基于可变形卷积网络的流场识别方法
CN111325794A (zh) * 2020-02-23 2020-06-23 哈尔滨工业大学 一种基于深度卷积自编码器的视觉同时定位与地图构建方法
US20210021866A1 (en) * 2018-05-16 2021-01-21 Isize Limited Encoding and decoding image data
CN113537152A (zh) * 2021-08-19 2021-10-22 南京航空航天大学 一种基于深度神经网络的流场状态故障检测方法
CN114581733A (zh) * 2022-03-07 2022-06-03 中国电子信息产业集团有限公司第六研究所 一种cfd数据湍流特征分析方法及设备

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6707760B1 (en) * 2002-11-22 2004-03-16 Bbnt Solutions Llc Projectile sonar
CN106779055A (zh) * 2017-01-10 2017-05-31 北京邮电大学 图像特征提取方法和装置
US20210021866A1 (en) * 2018-05-16 2021-01-21 Isize Limited Encoding and decoding image data
CN111027626A (zh) * 2019-12-11 2020-04-17 西安电子科技大学 基于可变形卷积网络的流场识别方法
CN111325794A (zh) * 2020-02-23 2020-06-23 哈尔滨工业大学 一种基于深度卷积自编码器的视觉同时定位与地图构建方法
CN113537152A (zh) * 2021-08-19 2021-10-22 南京航空航天大学 一种基于深度神经网络的流场状态故障检测方法
CN114581733A (zh) * 2022-03-07 2022-06-03 中国电子信息产业集团有限公司第六研究所 一种cfd数据湍流特征分析方法及设备

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
叶舒然 等: "自动编码器在流场降阶中的应用", vol. 37, no. 3, pages 498 - 504 *
李荣雨;徐宏宇;: "平行堆栈式自编码器及其在过程建模中的应用", 电子测量与仪器学报, no. 02, pages 112 - 119 *
武频 等: "基于自编码器和LSTM的模型降阶方法", vol. 39, no. 1, pages 74 - 78 *
肖若冶 等: "卷积自编码器在非定常可压缩流动降阶模型中的适用性", pages 3 - 5 *

Also Published As

Publication number Publication date
CN115311530B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
Fan et al. Lost data recovery for structural health monitoring based on convolutional neural networks
Robbins et al. Mean shift testing in correlated data
CN109643397A (zh) 时间序列数据特征量提取装置、时间序列数据特征量提取方法和时间序列数据特征量提取程序
CN114022788B (zh) 遥感图像变化检测方法、装置、计算机设备和存储介质
Wang et al. TRC‐YOLO: A real‐time detection method for lightweight targets based on mobile devices
Li et al. Few-Shot Learning with Generative Adversarial Networks Based on WOA13 Data.
CN111062324A (zh) 人脸检测方法、装置、计算机设备和存储介质
CN114067389A (zh) 一种面部表情的分类方法和电子设备
Ovadia et al. Vito: Vision transformer-operator
CN113674172B (zh) 一种图像处理方法、系统、装置及存储介质
CN111797678A (zh) 基于复合神经网络的相位解包裹方法和装置
Poguluri et al. CFD investigation of pitch-type wave energy converter-rotor based on RANS simulations
CN115311530A (zh) 一种基于深度卷积自编码器的流场特征提取方法
Lin et al. Two-stage covariance-based multisensing damage detection method
CN113535912A (zh) 基于图卷积网络和注意力机制的文本关联方法及相关设备
Wong et al. Adaptive learning feature pyramid for object detection
CN110631499B (zh) 基于无网格方法的数字图像变形测量方法及电子设备
CN112397086A (zh) 语音关键词检测方法、装置、终端设备和存储介质
CN115114859B (zh) 一种基于双向门控循环单元的高时间分辨率流场重构方法
CN115310176A (zh) 基于OpenFOAM和导数矩变换的二维流场气动力重构方法
CN112989106B (zh) 音频分类方法、电子设备以及存储介质
CN112329925B (zh) 模型生成方法、特征提取方法、装置及电子设备
CN115757386B (zh) 海洋空间观测数据的异常检测方法、系统、设备与介质
CN113705770B (zh) 一种神经网络系统、叠前弹性阻抗反演方法及存储介质
CN115344819B (zh) 基于状态方程的显式欧拉法符号网络常微分方程识别方法

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