CN115880497A - 基于自编码器结合多层感知机的翼型结冰冰形预测方法 - Google Patents

Abstract

一种基于自编码器结合多层感知机的翼型结冰冰形预测方法，采用包含自编码器和和多层感知机的自编码器结合多层感知机的网络模型，通过训练该网络模型将结冰图像转换为结冰特征向量后构建结冰条件到结冰特征向量间的映射关系，在在线阶段实现利用结冰条件预测结冰图像结果。本发明利用自编码器对复杂结冰图像实现特征向量提取，利用模型融合构建结冰条件和特征向量的映射关系，实现结冰冰形的快速预测。该方法所需计算资源少，不依赖于超算等高性能计算资源，仅需0.005s即可获得单个结冰结果图像，效率提升达到1000倍。

Description

基于自编码器结合多层感知机的翼型结冰冰形预测方法

技术领域

本发明涉及的是结冰冰形预测领域，具体是一种基于自编码器结合多层感知机的翼型结冰冰形预测方法。

背景技术

结冰问题是影响航空器飞行安全最重要的因素之一。飞机在云层中飞行，当云层中含有不稳定过冷水滴时，在飞机的表面、前缘等等位置可能会发生结冰现象，由此会改变流场，对机翼的气动性能产生影响。影响结冰量大小、结冰位置与范围和冰的形状的因素有很多。其中包括液态水含量、环境温度、水滴直径、云层范围等等气象条件。

目前用于飞机翼型结冰的方法主要有数值模拟、结冰风洞实验和飞行实验。风洞试验和飞行实验获得的数据更真实可信，但存在实验周期长、实验耗资巨大和实验所需条件不可控等缺点。数值模拟通过模拟流场、水滴碰撞和凝结等物理过程来生成结冰结果，是所有方法中应用最广泛的。但结冰冰形往往是高维复杂的，这导致探寻结冰规律和指导结冰实验需要大量结冰结果。

发明内容

本发明针对现有技术无法达到快速结冰预测的效果，在实际应用中存在计算量庞大的问题，提出一种基于自编码器结合多层感知机的翼型结冰冰形预测方法，旨在解决现有结冰算法计算资源消耗大、计算周期长导致的难以实现大规模结冰数据的计算分析的问题，利用自编码器对复杂结冰图像实现特征向量提取，利用模型融合构建结冰条件和特征向量的映射关系，实现结冰冰形的快速预测。该方法所需计算资源少，不依赖于超算等高性能计算资源，仅需0.005s即可获得单个结冰结果图像，效率提升达到1000倍。

本发明是通过以下技术方案实现的：

本发明涉及一种基于自编码器结合多层感知机的翼型结冰冰形预测方法，采用包含自编码器和和多层感知机的自编码器结合多层感知机的网络模型，通过训练该网络模型将结冰图像转换为结冰特征向量后构建结冰条件到结冰特征向量间的映射关系，在在线阶段实现利用结冰条件预测结冰图像结果。

技术效果

1.本发明利用自编码器对结冰图像进行无监督的学习实现将复杂冰形和翼型转化为抽象的特征向量，该方法简单易用且效果很好，人工所需的工作强度低；

2.本发明将自编码器和多层感知机两个模型分开进行训练，在最后再利用结冰特征向量将两个模型结合起来，这解决直接构建结冰条件和结冰图像映射过程中网络训练困难、容易陷入局部最小的问题，大大降低网络训练的难度，提高在处理高维结冰条件和结冰图像问题中的预测精度；

3.本发明中，针对翼型、冰形等复杂数据均由自编码器自主处理，因此此方法对不同翼型、不同冰形均会有良好的适用性。

附图说明

图1为本发明的基于自编码器结合多层感知机训练的流程示意图；

图2为本发明的自编码器的结构图；

图3为本发明的多层感知机的结构图；

图4为本发明利用训练完成后的解码器和多层感知机进行结冰预测的流程示意图；

图5为本发明得到的冰形结果和原始结果的对比。

具体实施方式

如图1所示，本实施例涉及一种基于自编码器结合多层感知机的翼型结冰冰形预测方法，具体步骤包括：

步骤1)图像预处理，具体包括：

步骤1.1)将待预测的结冰条件数据进行归一化，转化为落在[0,1]之间的数值，结冰条件包括来流速度v、飞行高度h、飞行攻角aoa、环境温度T、液态水含量LWC、过冷水滴平均直径MVD和结冰时间t；

步骤1.2)将结冰的结果以图像的方式生成，去除机翼后方部分，只截取前缘结冰部分图像；

步骤1.3)将截取的机翼前缘结冰图像转化为纯黑白图像，将机翼和结冰部分全部设置为黑，其他部分全部设置为白，处理后的图像像素点只有黑白两种结果；

步骤1.4)将图像的像素点进行归一化处理，即黑色像素点数值为0，白色像素点数值为1，具体为：X'＝(X-X_min)/(X_max-X_min)，其中：X'为转换后数值，X为转换前数值，Xmax为参数最大值，Xmin为参数最小值。

步骤1.5)将结冰图像和结冰条件划分为训练集和验证集，归一化的数据中90％划为训练集，10％划为验证集；

步骤2)网络模型构建，具体包括：构建如图2所示的自编码器，该自编码器包括编码层、编码结果层和解码层，其中：编码层根据结冰图片信息，进行压缩处理，得到结冰特征向量结果，解码层根据结冰特征向量信息，进行图像还原处理，得到结冰图片结果。

所述的编码层包括三组卷积单元和两组全连接单元，编码层的batch size设置为128，即每一次使用128张图像的结果来进行网络的权重偏置更新；结冰图像为黑白图像，因此图层数量为1，图像大小为126x126，因此，在一次权重偏置更新迭代中，使用的输入数据大小为128x1x126x126，网络的输出大小也为128x1x126x126。

所述的卷积单元包括四层卷积层，每一层使用的卷积核大小均为3x3，每一层后通过LeakyReLU激活函数，再通过池化层进行处理，LeakyReLU(x)＝max(γx,x)，其中γ＝0.01；经过卷积层后，图像被处理为128x64x4x4的大小，即共128张图像，每张图像有64个图层，每个图层的大小为4x4，将每张图像拉平，处理为128x1024的矩阵格式并输入全连接单元。

所述的编码结果层包括256维结冰特征向量。

所述的解码层包括一组全连接单元和三组反卷积单元。

所述的全连接单元包括五层全连接层，每一层包含的神经元数量分别为1024、512、256、512、1024，其中第3层(256神经元层)的输出会作为在后续工作中使用到的结冰特征向量。第l层中，上一层a^l-1输出的数据作为输入与该层的权重矩阵W^l相乘，再加上该层的偏置矩阵b^l，最后经过该层的激活函数f()，全连接层使用的激活函数也为LeakyReLU，最终输出结果a^l＝f(W^la^l-1+b^l)；全连接层最终输出的数据尺寸为128x1024，将1024长度的向量转化为32x32格式，将输出转为128x1x32x32的大小并输入反卷积单元。

所述的反卷积单元包括四层反卷积层，每一层卷积核大小为3x3，前三层通过的激活函数为LeakyReLU，最后一层的激活函数为Sigmoid(x)＝1/(1+e^-x)；反卷积层将输入的结果最终转化为128x1x126x126的输出图像，利用二元交叉熵BCE计算这个输出图像和原始的结冰图像之间的损失

其中：N表示样本数量，即128，y_i为第i个点数据标签，即黑色像素为0和白色像素为1，p_i表示第i个点的概率；使用损失结果计算自编码器的梯度，更新自编码的权重和偏置，最终损失Loss降到0.04。

步骤3)网络训练：将训练集的结冰图像数据作为自编码器的输入，自编码器的输出部分对应的标签为同样的图像，进行无监督的训练过程，具体包括：

步骤3.1)对整个自编码器的权重和偏置进行初始化；

步骤3.2)让输入图像经过整个自编码器，获得一个图像结果，利用损失函数对这个网络输出图像结果和真实图像结果进行计算；

步骤3.3)利用损失函数输出结果，计算自编码器的反向梯度，更新自编码器的权重和偏置；

步骤3.4)保持训练直到自编码器的精度满足需求；

步骤3.5)将结冰图像数据输入到自编码器，记录编码结果层的输出，将该输出结果作为转化后的结冰特征向量；

步骤4)将训练后的自编码器与多层感知机结合，具体包括：

步骤4.1)构建一个如图3所示的新的多层感知机，将多层感知机的权重偏置初始化：多层感知的数据传递和前文中的全连接层类似，输入为7个与结冰，输出为256维的结冰向量，隐藏层为3层，计算损失Loss的函数为

其中：N表示样本数量，y_i表示第i个样本的网络输出结果，/>

表示第i个样本的真实结果，使用损失结果计算多层感知机的梯度，更新自编码的权重和偏置直至满足精度需求；

步骤4.2)将结冰条件的向量作为多层感知机的输入，输出部分对应的标签为结冰特征向量，进行有监督的训练过程；

步骤4.3)利用损失函数输出结果，计算多层感知机的反向梯度，更新权重和偏置直到满足精度要求，结束训练；

步骤5)在线预测：通过步骤4得到的多层感知机将结冰条件转化为结冰特征向量，再利用步骤3训练后的自编码器中的解码器将特征向量转化为结冰图像，从而实现利用结冰条件直接生成结冰结果。

经过具体实际实验，使用LEWICE结冰软件对4m弦长的CRM机翼利用结冰条件计算10000组结冰图像。LEWICE是国际上使用最多的飞机结冰软件之一，也是被适航取证认可的结冰软件。将结冰结果进行缩放到机翼弦长为1m，即机翼最前缘位于[0,0]位置，机翼最尾端位于[1,0]位置。截取x方向[-0.012,0.012]和y方向[-0.018,0.018]部分，保留机翼的少部分前缘和冰形作为结冰结果，删除没有冰形的机翼后缘。值得注意的是，截取应保证所有的结果冰形都能落在截取后的图像里，而删除结果都相同的机翼后缘，从而使得结冰结果更为突出，将图像的像素密度设置为126x126；

在10000组数据中随机抽取9000组作为训练集，用以对自编码器和多层感知机进行训练，将剩余的1000组结果作为验证集，用以测试模型的精度；

让训练完成后的自编码器中全连接层的第3层输出结果，将9000张训练集数据均导入，每一张图像转为一个256维的向量，构成一个9000x256的训练集用以多层感知机的训练；

如图4所示，当使用训练完成后的自编码器结合多层感知机模型，使用特征向量作为中间媒介，选择整个多层感知机和自编码器的解码器部分相结合，将需要计算的结冰条件放入多层感知机，生成特征向量，再用解码器转化为结冰图像；

剩余的1000个用于验证结果。选择单仰角冰、双角冰来呈现结果的精度。输入相同的结冰条件，对Lewice和的模型预测结果进行对比，如图5所示。经过具体实际实验证明，本发明对结冰的预测取得很高的精度。

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (8)

1.一种基于自编码器结合多层感知机的翼型结冰冰形预测方法，其特征在于，采用包含自编码器和和多层感知机的自编码器结合多层感知机的网络模型，通过训练该网络模型将结冰图像转换为结冰特征向量后构建结冰条件到结冰特征向量间的映射关系，在在线阶段实现利用结冰条件预测结冰图像结果。

2.根据权利要求1所述的基于自编码器结合多层感知机的翼型结冰冰形预测方法，其特征是，具体包括：

步骤1)图像预处理，具体包括：

步骤1.1)将待预测的结冰条件数据进行归一化，转化为落在[0,1]之间的数值，结冰条件包括来流速度v、飞行高度h、飞行攻角aoa、环境温度T、液态水含量LWC、过冷水滴平均直径MVD和结冰时间t；

步骤1.2)将结冰的结果以图像的方式生成，去除机翼后方部分，只截取前缘结冰部分图像；

步骤1.3)将截取的机翼前缘结冰图像转化为纯黑白图像，将机翼和结冰部分全部设置为黑，其他部分全部设置为白，处理后的图像像素点只有黑白两种结果；

步骤1.4)将图像的像素点进行归一化处理，即黑色像素点数值为0，白色像素点数值为1，具体为：X'＝(X-X_min)/(X_max-X_min)，其中：X'为转换后数值，X为转换前数值，Xmax为参数最大值，Xmin为参数最小值；

步骤1.5)将结冰图像和结冰条件划分为训练集和验证集，归一化的数据中90％划为训练集，10％划为验证集；

步骤2)网络模型构建，具体包括：构建自编码器包括编码层、编码结果层和解码层，其中：编码层根据结冰图片信息，进行压缩处理，得到结冰特征向量结果，解码层根据结冰特征向量信息，进行图像还原处理，得到结冰图片结果；

步骤3)网络训练：将训练集的结冰图像数据作为自编码器的输入，自编码器的输出部分对应的标签为同样的图像，进行无监督的训练过程，具体包括：

步骤3.1)对整个自编码器的权重和偏置进行初始化；

步骤3.2)让输入图像经过整个自编码器，获得一个图像结果，利用损失函数对这个网络输出图像结果和真实图像结果进行计算；

步骤3.3)利用损失函数输出结果，计算自编码器的反向梯度，更新自编码器的权重和偏置；

步骤3.4)保持训练直到自编码器的精度满足需求；

步骤3.5)将结冰图像数据输入到自编码器，记录编码结果层的输出，将该输出结果作为转化后的结冰特征向量；

步骤4)将训练后的自编码器与多层感知机结合，具体包括：

步骤4.1)构建一个全新的多层感知机，将多层感知机的权重偏置初始化：多层感知的数据传递和前文中的全连接层类似，输入为7个与结冰，输出为256维的结冰向量，隐藏层为3层，计算损失Loss的函数为

其中：N表示样本数量，y_i表示第i个样本的网络输出结果，/>

表示第i个样本的真实结果，使用损失结果计算多层感知机的梯度，更新自编码的权重和偏置直至满足精度需求；/>

步骤4.2)将结冰条件的向量作为多层感知机的输入，输出部分对应的标签为结冰特征向量，进行有监督的训练过程；

步骤4.3)利用损失函数输出结果，计算多层感知机的反向梯度，更新权重和偏置直到满足精度要求，结束训练；

步骤5)在线预测：通过步骤4得到的多层感知机将结冰条件转化为结冰特征向量，再利用步骤3训练后的自编码器中的解码器将特征向量转化为结冰图像，从而实现利用结冰条件直接生成结冰结果。

3.根据权利要求2所述的基于自编码器结合多层感知机的翼型结冰冰形预测方法，其特征是，所述的编码层包括三组卷积单元和两组全连接单元，编码层的batch size设置为128，即每一次使用128张图像的结果来进行网络的权重偏置更新；结冰图像为黑白图像，因此图层数量为1，图像大小为126x126，因此，在一次权重偏置更新迭代中，使用的输入数据大小为128x1x126x126，网络的输出大小也为128x1x126x126。

4.根据权利要求2所述的基于自编码器结合多层感知机的翼型结冰冰形预测方法，其特征是，所述的编码结果层包括256维结冰特征向量。

5.根据权利要求2所述的基于自编码器结合多层感知机的翼型结冰冰形预测方法，其特征是，所述的解码层包括一组全连接单元和三组反卷积单元。

6.根据权利要求3所述的基于自编码器结合多层感知机的翼型结冰冰形预测方法，其特征是，所述的卷积单元包括四层卷积层，每一层使用的卷积核大小均为3x3，每一层后通过LeakyReLU激活函数，再通过池化层进行处理，LeakyReLU(x)＝max(γx,x)，其中γ＝0.01；经过卷积层后，图像被处理为128x64x4x4的大小，即共128张图像，每张图像有64个图层，每个图层的大小为4x4，将每张图像拉平，处理为128x1024的矩阵格式并输入全连接单元。

7.根据权利要求3或5所述的基于自编码器结合多层感知机的翼型结冰冰形预测方法，其特征是，所述的全连接单元包括五层全连接层，每一层包含的神经元数量分别为1024、512、256、512、1024，其中第3层(256神经元层)的输出会作为在后续工作中使用到的结冰特征向量，第l层中，上一层a^l-1输出的数据作为输入与该层的权重矩阵W^l相乘，再加上该层的偏置矩阵b^l，最后经过该层的激活函数f()，全连接层使用的激活函数也为LeakyReLU，最终输出结果a^l＝f(W^la^l-1+b^l)；全连接层最终输出的数据尺寸为128x1024，将1024长度的向量转化为32x32格式，将输出转为128x1x32x32的大小并输入反卷积单元。

8.根据权利要求5所述的基于自编码器结合多层感知机的翼型结冰冰形预测方法，其特征是，所述的反卷积单元包括四层反卷积层，每一层卷积核大小为3x3，前三层通过的激活函数为LeakyReLU，最后一层的激活函数为Sigmoid(x)＝1/(1+e^-x)；反卷积层将输入的结果最终转化为128x1x126x126的输出图像，利用二元交叉熵BCE计算这个输出图像和原始的结冰图像之间的损失

其中：N表示样本数量，即128，y_i为第i个点数据标签，即黑色像素为0和白色像素为1，p_i表示第i个点的概率；使用损失结果计算自编码器的梯度，更新自编码的权重和偏置，最终损失Loss降到0.04。/>

Images