CN116562330B - 一种人工智能鱼模拟系统的流场识别方法 - Google Patents
一种人工智能鱼模拟系统的流场识别方法 Download PDFInfo
- Publication number
- CN116562330B CN116562330B CN202310545999.7A CN202310545999A CN116562330B CN 116562330 B CN116562330 B CN 116562330B CN 202310545999 A CN202310545999 A CN 202310545999A CN 116562330 B CN116562330 B CN 116562330B
- Authority
- CN
- China
- Prior art keywords
- flow field
- fish
- perceptron
- simulation system
- 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.)
- Active
Links
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 108
- 238000004088 simulation Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 10
- 230000009182 swimming Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 18
- 230000008859 change Effects 0.000 description 11
- 230000035559 beat frequency Effects 0.000 description 9
- 238000011144 upstream manufacturing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005021 gait Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011664 nicotinic acid Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/008—Artificial life, i.e. computing arrangements simulating life based on physical entities controlled by simulated intelligence so as to replicate intelligent life forms, e.g. based on robots replicating pets or humans in their appearance or behaviour
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/80—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in fisheries management
- Y02A40/81—Aquaculture, e.g. of fish
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Robotics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种人工智能鱼模拟系统的流场识别方法，涉及人工鱼流场识别技术领域，使用集群式服务器并行采样，取得连续的流场时间序列信息数据，对数据进行预处理后，利用基于长时间序列的循环神经网络或卷积神经网络的侧线感知机不断地获取数据、进行训练和迭代，最终识别具有时间序列性质的流场序列数据信号，感知的流场信号包括但不限于流速、压力和涡量，并不断地将实验结果填充到实验数据库，对后生成的人工鱼起到记忆移植的效果，减少重复性错误的出现，本发明采用上述方法的一种人工智能鱼模拟系统的流场识别方法，可以从波幅、波频、波长等多个方面全面反映流场的特征，从而使得智能鱼在平台模拟中具备了对流场变化的连续感知能力。
Description
技术领域
本发明涉及人工鱼流场识别技术领域，尤其是涉及一种人工智能鱼模拟系统的流场识别方法。
背景技术
水利生态环境保护是近年来一个十分重要的命题，随着实体装备、数学模型、计算机技术和网络通信等技术的不断进步，它的解空间已经表现出从传统物理解向数字解延展的趋势。要在水生态领域实现物理/数字世界虚实之间的双向映射与动态交互，必须解决一个关键问题——数字化具有自主行为决策能力的水生生命体。因此研发了人工仿生侧线机器，侧线功能在自然界中对于鱼类的生存和适应具有重要意义，鱼类通过侧线功能能够感知环境中的水流情况，从而在某种程度上缩小虚拟智能鱼和自然界真实鱼类的差异，目前提出的仿生侧线流场感知机主要基于初级深度神经网络构建，只能处理离散的、间断的流场信号数据，而在自然界中，鱼类接收到的信号通常是连续的一维时间序列信号。因此，现有方法仍然存在缺陷，无法完全缩小虚拟智能鱼和真实鱼类之间的差距。与处理间断、离散信号的类鱼式侧线流场感知机相比，真实自然界中的流场数据信号通常具有高漂移、高噪声和高非线性等特点，这些特点难以用离散的信号来描述。此外，耦合初级侧线功能的智能鱼还无法适应流速变化的非恒定流，所以这与真实自然界鱼类的行为模式存在很大的不同，因此，提供了一种人工智能鱼模拟系统的流场识别方法。
发明内容
本发明的目的是提供一种人工智能鱼模拟系统的流场识别方法，使用集群式服务器并行采样，并利用基于长时间序列的循环神经网络或卷积神经网络的感知机不断地获取数据、进行训练和迭代，以识别具有时间序列性质的流场序列数据信号，感知的流场信号包括但不限于流速、压力和涡量等。
为实现上述目的，本发明提供了一种人工智能鱼模拟系统的流场识别方法，包包括以下步骤：
S1：部署多个仿真环境，在仿真环境中部署深度学习训练后的智慧鱼，组成仿真测试数据库，对多个仿真环境进行仿真测试和并行采样，采集连续的流场时间序列信息数据，并对采集的连续的流场时间序列信息数据设置相应标记；
S2：对采集的流场时间序列信息数据进行数据预处理，预处理后的连续流场时间序列信息数据被存入流场记忆数据库；
S3：使用流场记忆数据库中的连续流场时间序列信息数据，采用监督学习方法，对基于神经网络的侧线感知机进行训练，并检验训练后的侧线感知机的识别能力，当侧线感知机不满足要求，返回步骤S1，继续采集数据和训练，当侧线感知机满足要求，进入下一步骤；
S4：将符合使用要求的侧线感知机与人工智能鱼模拟系统进行耦合，在流场生境中进行仿真测试，侧线感知机持续地对当前流场进行判断与识别，得到识别结果，人工智能鱼模拟系统依据识别结果采取对应的游泳策略；
S5：将S4中的仿真测试输入到步骤S1中的仿真测试数据库。
优选的，所述步骤S2中，数据预处理的方法包括数据标准化和分割，数据标准化将信号转换为零均值和单位方差，分割将信号分成固定长度的块。
优选的，所述步骤S3中，所述的侧线感知机设置为卷积神经网络搭建的高级神经网络或基于长短时记忆循环神经网络。
优选的，所述步骤S3中的训练方法，在对侧线感知机训练中，使用反向传播算法更新网络权重和偏置，使用自适应矩估计动量优化器调整相关参数。
优选的，所述步骤S3中对侧线感知机的检验方法共两种，第一种是用训练数据集训练的交叉熵损失函数计算的损失值下降至预先设定的标准数值，并在长时间内稳定，表明网络优化完成，第二种是用训练完毕的感知机在判断数据集上进行预感知，预感知的失效的次数要少于设定的期望失效次数，则表明网络优化完成。
优选的，所述步骤S4中，识别方法为，将人工智能鱼当前观测的流场序列数据信号作为输入信号送入已训练好的侧线感知机中，依据步骤S1中建立的标记，快速输出识别结果。
因此，本发明采用上述方法的一种人工智能鱼模拟系统的流场识别方法，具有以下有益效果：
(1)在本发明中，使用集群服务器搭建多个仿真环境，进行并行数据采集，数据采集地更快。
(2)在本发明中，使用了连续的时间序列波形信号作为侧线感知机的输入，相对于间断、离散的信号连续的流场时间序列信号将能够更为全面地反映流场的特征。
(3)在本发明中，使用流场记忆数据库中的连续时间序列信息数据，对以卷积神经网络或循环神经网络为基础的侧线感知机进行训练，使用卷积神经网络(CNN)能够有效地捕捉信号的时空局部性，使用循环神经网络(RNN)更适用于处理时间序列数据，网络结构会根据流场观测信号的形式进行选择，从而对流场的识别更具有针对性，更好的进行检测。
(4)在本发明中，采集到的数据进行数据均值化和分割预处理，数据均值化助于提高训练效果，分割则有助于神经网络的处理。
(5)在本发明中，仿真测试的过程，能将其输入到步骤S1仿真测试数据库，通过不断的结果反馈，后生成的智能鱼会带有早生成的智能鱼的记忆，减少重复错误发生的可能性。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种人工智能鱼模拟系统的流场识别方法的流程示意图；
图2为本发明一种人工智能鱼模拟系统的流场识别方法的实施例一中在时间为7T时，鱼体运动的流场速度图；
图3为本发明一种人工智能鱼模拟系统的流场识别方法的实施例一中在时间为17T时，鱼体运动的流场速度图；
图4为本发明一种人工智能鱼模拟系统的流场识别方法的实施例一中在时间为27T时，鱼体运动的流场速度图；
图5为本发明一种人工智能鱼模拟系统的流场识别方法的实施例一中在时间为29T时，鱼体运动的流场速度图；
图6为本发明一种人工智能鱼模拟系统的流场识别方法的实施例一中在时间为7T时，鱼类运动的涡量云图；
图7为本发明一种人工智能鱼模拟系统的流场识别方法的实施例一中在时间为17T时，鱼类运动的涡量云图；
图8为本发明一种人工智能鱼模拟系统的流场识别方法的实施例一中在时间为27T时，鱼类运动的涡量云图；
图9为本发明一种人工智能鱼模拟系统的流场识别方法的实施例一中在时间为29T时，鱼类运动的涡量云图；
图10为本发明一种人工智能鱼模拟系统的流场识别方法的实施例一中在非恒定来流情况下人工智能鱼尾拍频率示意图；
图11为本发明一种人工智能鱼模拟系统的流场识别方法的实施例一中的人工鱼轨迹和其他方案的人工鱼的轨迹对比图；
图12为本发明一种人工智能鱼模拟系统的流场识别方法的实施例二中在时间为7T时，鱼体运动的流场速度图；
图13为本发明一种人工智能鱼模拟系统的流场识别方法的实施例二中在时间为17T时，鱼体运动的流场速度图；
图14为本发明一种人工智能鱼模拟系统的流场识别方法的实施例二中在时间为27T时，鱼体运动的流场速度图；
图15为本发明一种人工智能鱼模拟系统的流场识别方法的实施例二中在时间为29T时，鱼体运动的流场速度图；
图16为本发明一种人工智能鱼模拟系统的流场识别方法的实施例二中在时间为7T时，鱼类运动的涡量云图；
图17为本发明一种人工智能鱼模拟系统的流场识别方法的实施例二中在时间为17T时，鱼类运动的涡量云图；
图18为本发明一种人工智能鱼模拟系统的流场识别方法的实施例二中在时间为27T时，鱼类运动的涡量云图；
图19为本发明一种人工智能鱼模拟系统的流场识别方法的实施例二中在时间为29T时，鱼类运动的涡量云图；
图20为本发明一种人工智能鱼模拟系统的流场识别方法的实施例二中在非恒定来流情况下人工智能鱼尾拍频率示意图；
图21为本发明一种人工智能鱼模拟系统的流场识别方法的实施例二中的人工鱼轨迹和其他方案的人工鱼的轨迹对比图；
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，因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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，本发明提供了一种人工智能鱼模拟系统的流场识别方法，包括以下步骤：
为实现上述目的，本发明提供了一种人工智能鱼模拟系统的流场识别方法，包括以下步骤：
S1：部署多个仿真环境，在仿真环境中部署深度学习训练后的智慧鱼，组成仿真测试数据库，组成仿真测试数据库，对多个仿真环境进行仿真测试和并行采样，采集连续的流场时间序列信息数据，并对采集的连续的时间序列信息数据设置相应标记；
S2：对所采集的流场时间序列信息数据进行数据预处理，数据预处理的方法包括数据标准化和分割，数据标准化将信号转换为零均值和单位方差，分割将信号分成固定长度的块，预处理后的连续的流场时间序列信息数据被存入流场记忆数据库；
S3：使用流场记忆数据库中的连续的流场时间序列信息数据，采用监督学习方法，对基于神经网络的侧线感知机进行训练，侧线感知机设置为卷积神经网络搭建的高级神经网络或基于长短时记忆循环神经网络，在对侧线感知机训练中，使用反向传播算法更新网络权重和偏置，使用自适应矩估计动量优化器调整相关参数，并检验训练后的侧线感知机的识别性能，对侧线感知机的检验方法共两种，第一种是用训练数据集训练的交叉熵损失函数计算的损失值下降至预先设定的标准数值，并在长时间内稳定，表明网络优化完成，第二种是用训练完毕的感知机在判断数据集上进行预感知，预感知的失效的次数要少于设定的期望失效次数，则表明网络优化完成，当侧线感知机不满足要求，返回步骤S1，继续采集数据和训练，当侧线感知机满足要求，进入下一步骤；
S4：将符合使用要求的侧线感知机与人工智能鱼模拟系统进行耦合，在流场生境中进行仿真测试，侧线感知机持续地对当前流场进行判断与识别，将人工智能鱼当前观测的流场序列数据信号作为输入信号送入已训练好的侧线感知机中，依据步骤S1中建立的标记，快速输出识别结果，得到识别结果，人工智能鱼模拟系统依据识别结果采取对应的游泳策略；
S5：将S4中的仿真测试输入到步骤S1中的仿真测试数据库。
实施例一
对于非恒定来流下的鱼体主动上溯，给定一非恒定来流过程，定义一个鱼体特征标准尾拍周期T，T设置为无量纲格子时间1000，定义一个鱼体特征体长为L，L设置为无量纲格子长度100，人工智能鱼的游泳目标为：鱼能在非恒定来流的条件下，识别当前环境的流场，完成上溯过程。边界条件为：上游为一速度边界入口，上游流速分别从0.2L/T→0.4L/T→0.6L/T，其中，流速增加到0.4L/T的时刻为8.0T，流速增加到0.6L/T的时刻为18.0T；下游为一自由来流出口，流场的上下壁面为周期边界；
如图2-9，当人工智能鱼通过侧线感知机识别到当前来流速度改变时，会在已有的大脑记忆库A中选择与当前流场相匹配的尾拍频率向量[ω1,ω2,ω3...ωn]进行加速、减速和巡航三种模式的机动，如图10-11，从尾拍频率图和轨迹对比图可以看出，采用本发明技术方案的人工智能鱼，能够快速的识别到周围环境的改变，从而促使人工智能鱼采取应对当前环境改变的游泳策略，而采用耦合初级侧线功能的人工智能鱼，在连续变换的非定常流场中，侧线功能失效，鱼无法快速识别到周围环境的改变，不能选择合适的游泳策略，从而被冲到下游。
实施例二
对于非恒定紊流场卡门步态维持，给定一非恒定来流过程，定义一个鱼体特征标准尾拍周期T，T设置为无量纲格子时间1000，定义一个鱼体特征体长为L，L设置为无量纲格子长度100，人工智能鱼的游泳目标为：鱼能在非恒定来流的条件下，识别当前环境的流场，并选择最适宜当前流场的尾拍频率，利用卡门步态维持在紊流场中的位置。边界条件：上游为速度边界入口，在距离上游入口1.00L的地方设置一直径为0.4L的D柱，上游流速分别从1.00L/T→1.25L/T→1.50L/T，其中，流速增加到1.25L/T的时刻为8.0T，流速增加到1.50L/T的时刻为18.0T；下游为一自由来流出口，流场的上下壁面为周期边界；
如图12-19，当人工智能鱼通过侧线感知机识别到当前来流速度改变时，会在已有的记忆库A中选择与当前流场相匹配的尾拍频率相匹配的尾拍频率向量[ω1,ω2,ω3...ωn]进行加速、减速和巡航三种模式的机动，如图20-21，从尾拍频率对比图和轨迹图可以看出，耦合了本发明的技术方案的人工鱼，能够快速识别到周围环境的改变，从而采取应对当前环境改变的游泳策略，感知当前环境流场的人工鱼在大部分时间会采取接近当前流场涡脱落频率的卡门步态为主，辅助以加速或者减速机动来维持自己在紊流场中的位置，而耦合初级侧线功能的鱼，在连续变换的非定常流场中，侧线功能失效，鱼无法识别到周围环境的改变，不能快速识别环境的变换，无法及时地做出游泳姿态的调整，从而被冲到下游。
因此，本发明提供一种人工智能鱼模拟系统的流场识别方法，可以从波幅、波频、波长等多个方面全面反映流场的特征，从而使得智能鱼在平台模拟中具备了对流场变化的连续感知能力，更加接近自然界中真实鱼类的行为，对于鱼类的模拟效果更好。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳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：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (6)
1.一种人工智能鱼模拟系统的流场识别方法，其特征在于，包括以下步骤：
S1：部署多个仿真环境，在仿真环境中部署深度学习训练后的智慧鱼，组成仿真测试数据库，对多个仿真环境进行仿真测试和并行采样，采集连续的流场时间序列信息数据，并对采集的连续的流场时间序列信息数据设置相应标记；
S2：对采集的流场时间序列信息数据进行数据预处理，预处理后的连续流场时间序列信息数据被存入流场记忆数据库；
S3：使用流场记忆数据库中的连续流场时间序列信息数据，采用监督学习方法，对基于神经网络的侧线感知机进行训练，并检验训练后的侧线感知机的识别能力，当侧线感知机不满足要求，返回步骤S1，继续采集数据和训练，当侧线感知机满足要求，进入下一步骤；
S4：将符合使用要求的侧线感知机与人工智能鱼模拟系统进行耦合，在流场生境中进行仿真测试，侧线感知机持续地对当前流场进行判断与识别，得到识别结果，人工智能鱼模拟系统依据识别结果采取对应的游泳策略；
S5：将S4中的仿真测试输入到步骤S1中的仿真测试数据库。
2.根据权利要求1所述的一种人工智能鱼模拟系统的流场识别方法，其特征在于：所述步骤S2中，数据预处理的方法包括数据标准化和分割，数据标准化将信号转换为零均值和单位方差，分割将信号分成固定长度的块。
3.根据权利要求1所述的一种人工智能鱼模拟系统的流场识别方法，其特征在于：所述步骤S3中，所述的侧线感知机设置为卷积神经网络搭建的高级神经网络或基于长短时记忆循环神经网络。
4.根据权利要求1所述的一种人工智能鱼模拟系统的流场识别方法，其特征在于：所述步骤S3中的训练方法，在对侧线感知机训练中，使用反向传播算法更新网络权重和偏置，使用自适应矩估计动量优化器调整相关参数。
5.根据权利要求1所述的一种人工智能鱼模拟系统的流场识别方法，其特征在于：所述步骤S3中对侧线感知机的检验方法共两种，第一种是用训练数据集训练的交叉熵损失函数计算的损失值下降至预先设定的标准数值，并在长时间内稳定，表明网络优化完成，第二种是用训练完毕的感知机在判断数据集上进行预感知，预感知的失效的次数要少于设定的期望失效次数，则表明网络优化完成。
6.根据权利要求1所述的一种人工智能鱼模拟系统的流场识别方法，其特征在于：所述步骤S4中，识别方法为，将智慧鱼当前观测的流场序列数据信号作为输入信号送入已训练好的侧线感知机中，依据步骤S1中建立的标记，快速输出识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310545999.7A CN116562330B (zh) | 2023-05-15 | 2023-05-15 | 一种人工智能鱼模拟系统的流场识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310545999.7A CN116562330B (zh) | 2023-05-15 | 2023-05-15 | 一种人工智能鱼模拟系统的流场识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116562330A CN116562330A (zh) | 2023-08-08 |
| CN116562330B true CN116562330B (zh) | 2024-01-12 |
Family
ID=87487558
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310545999.7A Active CN116562330B (zh) | 2023-05-15 | 2023-05-15 | 一种人工智能鱼模拟系统的流场识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116562330B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022188282A1 (zh) * | 2021-03-10 | 2022-09-15 | 北京航空航天大学 | 基于物理感知的三维流体逆向建模方法 |
| CN115169519A (zh) * | 2022-07-14 | 2022-10-11 | 重庆交通大学 | 一种仿生鱼体自主智能游动模拟方法、装置及系统 |
| CN115438567A (zh) * | 2022-07-28 | 2022-12-06 | 南京航空航天大学 | 数据驱动的动边界流动流场重构方法、装置和存储介质 |
| CN116050304A (zh) * | 2023-03-15 | 2023-05-02 | 重庆交通大学 | 一种智能鱼流场模拟控制方法、系统、设备及存储介质 |
-
2023
- 2023-05-15 CN CN202310545999.7A patent/CN116562330B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022188282A1 (zh) * | 2021-03-10 | 2022-09-15 | 北京航空航天大学 | 基于物理感知的三维流体逆向建模方法 |
| CN115169519A (zh) * | 2022-07-14 | 2022-10-11 | 重庆交通大学 | 一种仿生鱼体自主智能游动模拟方法、装置及系统 |
| CN115438567A (zh) * | 2022-07-28 | 2022-12-06 | 南京航空航天大学 | 数据驱动的动边界流动流场重构方法、装置和存储介质 |
| CN116050304A (zh) * | 2023-03-15 | 2023-05-02 | 重庆交通大学 | 一种智能鱼流场模拟控制方法、系统、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 刘贵杰 ; 王蒙蒙 ; 杨亭亭 ; .基于人工侧线系统的动载体流场感知.兵工自动化.2020,(第05期),全文. * |
| 基于人工侧线系统的动载体流场感知;刘贵杰;王蒙蒙;杨亭亭;;兵工自动化(第05期);全文 * |
| 基于鱼类侧线感知机理的流场辨识方法及仿真研究;刘贵杰;宫华耀;吴乃龙;闫茹;李蒙蒙;;机械工程学报(第17期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116562330A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112784965B (zh) | 面向云环境下大规模多元时间序列数据异常检测方法 | |
| KR102492318B1 (ko) | 모델 학습 방법 및 장치, 및 데이터 인식 방법 | |
| CN108764540B (zh) | 基于并行lstm串联dnn的供水管网压力预测方法 | |
| Li et al. | A novel oil pipeline leakage detection method based on the sparrow search algorithm and CNN | |
| Yao et al. | Prediction and identification of discrete-time dynamic nonlinear systems based on adaptive echo state network | |
| Suryo et al. | Improved time series prediction using LSTM neural network for smart agriculture application | |
| CN109058771A (zh) | 基于样本生成和间隔Markov特征的管道异常检测方法 | |
| CN109581339A (zh) | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 | |
| Yao et al. | Wave height forecast method with multi-step training set extension LSTM neural network | |
| CN112558185A (zh) | 基于注意力机制的双向gru台风轨迹智能预测预报系统、计算机设备、存储介质 | |
| CN111177224A (zh) | 一种基于条件式规整化流模型的时间序列无监督异常检测方法 | |
| CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| CN116094761A (zh) | 基于卫星通信的船舶网络安全态势预测方法 | |
| CN115374903A (zh) | 一种基于高速公路传感网布设的长期路面监测数据增强方法 | |
| CN117174163A (zh) | 病毒进化趋势预测方法和系统 | |
| CN114282647B (zh) | 基于脉冲神经网络的神经形态视觉传感器目标检测方法 | |
| CN116562330B (zh) | 一种人工智能鱼模拟系统的流场识别方法 | |
| CN116910573B (zh) | 异常诊断模型的训练方法及装置、电子设备和存储介质 | |
| CN110148152A (zh) | 基于卷积神经网络的sar目标交互行为识别方法 | |
| CN116415505A (zh) | 一种基于sbr-dbn模型的系统故障诊断与状态预测方法 | |
| CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
| CN110619382A (zh) | 适用于地震勘探的褶积深度网络构建方法 | |
| CN109975816A (zh) | 一种微型水下机器人的传感器信息融合方法 | |
| CN115512717A (zh) | 一种基于集成学习的二阶段单传感器管道泄漏定位方法 | |
| Ribeiro Machado da Silva et al. | Convolutional Neural Networks Applied to Flexible Pipes for Fatigue Calculations |
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 |