CN116843544A - 一种高超声速流场导入卷积神经网络进行超分辨率重建的方法、系统及设备 - Google Patents

一种高超声速流场导入卷积神经网络进行超分辨率重建的方法、系统及设备 Download PDF

Info

Publication number
CN116843544A
CN116843544A CN202310593572.4A CN202310593572A CN116843544A CN 116843544 A CN116843544 A CN 116843544A CN 202310593572 A CN202310593572 A CN 202310593572A CN 116843544 A CN116843544 A CN 116843544A
Authority
CN
China
Prior art keywords
resolution
flow field
neural network
super
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.)
Pending
Application number
CN202310593572.4A
Other languages
English (en)
Inventor
周俊
白璐
李寅
郭立新
尚庆超
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN202310593572.4A priority Critical patent/CN116843544A/zh
Publication of CN116843544A publication Critical patent/CN116843544A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/40Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/0464Convolutional networks [CNN, ConvNet]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00Geometric image transformations in the plane of the image
    • G06T3/40Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00Details relating to the application field
    • G06F2113/08Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种高超声速流场导入卷积神经网络进行超分辨率重建的方法、系统及设备,方法包括:流场仿真模拟;构建神经网络模型;对构建的神经网络模型进行训练;以流场仿真模拟得到的高超声速飞行器流场数据的高分辨率数据作为验证评估的标准,将低分辨率流场导入训练好的模型进行高超声速目标流场的超分辨率重建及评估;其系统及设备基于上述方法,实现高超声速流场导入卷积神经网络进行超分辨率重建;本发明基于神经网络的超分辨率重建能够学习流场数据中的结构性关系,重建的流场保留了原流场的结构信息,解决了插值重建机械增加像素密度的问题;直接使用卷积神经网络对流场数据进行特征提取,具有计算效率高,精细度高,训练简单,适用范围广的优点。

Description

一种高超声速流场导入卷积神经网络进行超分辨率重建的方 法、系统及设备
技术领域
本发明属于流体力学物理与人工智能相结合的技术领域,尤其涉及一种高超声速流场导入卷积神经网络进行超分辨率重建的方法、系统及设备。
背景技术
随着高超声速飞行技术的快速发展,高超声速流场参数的准确测量成为亟待解决的问题。激波之间总是存在强烈的相互作用,流动振荡极其复杂,流场状态会发生剧烈变化,温度、压强、速度分布将十分复杂。复杂的流场无疑对高超声速飞行器的测量提出了巨大的挑战。
现有技术方案:
①实验测量方法。包括瑞利散射(RS)、激光诱导荧光(LIF)、可调谐二极管激光吸收光谱(TALAS)等通过实验方法直接测量超声速目标流场数据。
②计算流体力学模拟。计算流体力学(CFD)通过以Navier-Stokes(N-S)雷诺平均(RANS)方程为控制方程对模型进行高精度数值求解。通过划分精细网格和长时间迭代计算得到流场数据。
③插值重建。使用双三次插值法(bicubic)等对低分辨率流场分布进行平滑过渡处理,实现超分辨率重建。
④Dong等人采用卷积神经网络方法对低分辨率图像进行超分辨率重构,(Dong C,Loy C C,He K,et al.Learning a Deep Convolutional Network for Image Super-Resolution[C]//ECCV.Springer International Publishing,2014.)方法重构的图像精度和清晰度比传统的插值算法更高。
⑤Ledig C等人提出了一种用于图像超分辨率(SR)的生成对抗网络(SRGAN)。(Ledig C,Theis L,Huszar F,et al.Photo-Realistic Single Image Super-ResolutionUsing a Generative Adversarial Network[J].IEEE Computer Society,2016.)提出了一个由对抗性损失和内容损失组成的感知损失函数。该鉴别器网络经过训练,可以区分超分辨率图像和逼真图像。
现有技术的缺点:
①基于实验的高超声速流场测量方法的空间分辨率受限于测量系统的内部特性和外部安装,其测量得到的流场数据分辨率较低,实验仪器成本高。
②基于计算流体力学的高超声速流场模拟数值求解过程复杂、耗时长而导致计算耗费大。对划分的网格质量要求高,难度大。
③传统插值算法时间复杂度高,提升的图像细节有限。插值算法通常只对图像进行平滑过渡处理,机械地增加了像素密度,没有添加新的流场详细信息。插值重建在复杂流场的重构中,耗时长,精确度有限。
④传统超分辨率卷积神经网络结构网络数量较少,迁移至高超声速流场时特征提取不够充分,有丢失特征现象。非线性激活函数使用ReLU函数,将上层神经元输入值为负的部分的梯度直接置为零,从而忽略了上层神经元输入值为负的部分所贡献的特征,有可能导致数据丢失。
⑤生成对抗网络重建方法的网络结构复杂,需要对两个深度网络进行训练,训练过程难以收敛,超参数设置对训练结果的影响非常灵敏。并且其网络深度过深导致训练过程容易过拟合,针对高超声速飞行器流场重构来说,我们需要将预训练权重迁移至流场重构中,过拟合的权重导致迁移后的重建效果不好。
发明内容
为了克服上述现有技术的不足,本发明的目的在于提出一种高超声速流场导入卷积神经网络进行超分辨率重建的方法、系统及设备,使用人工智能数据驱动方法重建高分辨率流场数据,解决了基于实验只能获取低分辨率数据的问题,无需划分精细网格,重建时间快,解决了计算流体力学的耗时长,要求高等问题;基于神经网络的超分辨率重建能够学习流场数据中的结构性关系,重建的流场保留了原流场的结构信息,解决了插值重建机械增加像素密度的问题;直接使用卷积神经网络对流场数据进行特征提取,训练过程收敛快,不易出现过拟合现象,将训练好的模型迁移到高超声速目标流场分布重建上,效果好;解决了生成对抗网络重建方法难以训练、难以收敛和过拟合导致迁移效果不好的问题;使用LeakyReLU激活函数,LeakyReLU在对上层神经元输入值为负的部分的梯度处的处理是不丢弃该部分神经元的贡献,保留其较少的一部分梯度贡献,解决了传统超分辨率卷积神经网络使用ReLU激活函数,忽略了上层神经元输入值为负的部分的梯度的神经元所贡献的特征带来的数据丢失问题。
为了实现上述目的,本发明采用的技术方案如下:
一种高超声速流场导入卷积神经网络进行超分辨率重建的方法,具体包括以下步骤:
步骤一:流场仿真模拟
选取高超声速钝头体模型,分别对模型参数包括空气组分、来流速度、温度、压强、来流混合物组分及占比进行设置,得到高超声速飞行器流场数据的高分辨率数据作为步骤四中验证评估的标准,并将其进行下采样得到的低分辨率数据作为步骤四中的输入数据;
步骤二:构建神经网络模型;
步骤三:对步骤二构建的神经网络模型进行训练;
步骤四:以步骤一得到的高超声速飞行器流场数据的高分辨率数据作为验证评估的标准,将低分辨率流场导入步骤三训练好的模型进行高超声速目标流场的超分辨率重建及评估。
所述步骤二的具体方法为:
1)设置神经网络结构
设置网络结构为五层卷积层,分别设置包括卷积层的输入通道、输出通道、卷积核大小、填充宽度、激活函数类型。
2)设置损失函数
使用均方误差作为损失函数来衡量网络输入与输出之间的差异并以此作为反向传播的凭据;
其中,θi表示流场图片对应像素点的真实数据,表示通过神经网络预测后得出的对应像素点的预测数据,n表示batch_size,即一次批训练样本集的大小;
3)设置优化器与学习率
使用标准反向传播的随机梯度下降方法(Stochastic Gradient Descent,SGD)作为优化器,通过梯度下降的办法,不断地反向传播以调节模型的参数,即权重和偏置,使模型的损失函数最小化;
SGD通过如下的方式来更新模型的参数:
其中,θ(t)表示模型在t次迭代时的参数值,α表示学习率,J(θ)表示关于模型参数θ的梯度,表示损失函数,通过控制学习率α来控制梯度下降的速度。
所述步骤三的具体方法为:
1)设置训练参数
自定义设置包括迭代训练轮次、批大小、并行数、学习率参数;
2)训练过程
2.1)通过在高斯分布中随机抽取的值对权重进行初始化,使用初始化权重对输入数据进行训练,对步骤二中设计的神经网络进行特征提取与计算,计算得出该像素点的物理量的值与真实值比较,使用均方误差计算误差值并将此误差值逐层向前传播,根据误差得出神经网络各单元的误差和权重需要的变化量,并以此为根据修正权重值;
2.2)误差信息通过网络反向传播,遵循随机梯度下降方法,以误差逐步降低的原则来调整权值,直到误差小于设定的误差阈值,或者迭代次数达到设定的迭代次数阈值,将此时的权重值保存,至此完成了模型的训练;
2.3)将训练好的模型应用于测试数据中,得出模型在测试数据中的准确度,根据准确度的高低来最终确定神经网络模型的权重值;将低分辨率流场数据作为输入层参数,网络经过向后传播便可以得到输出结果的高分辨率流场分布,以实现低成本的获取高分辨率高超声速飞行器流场分布的目的;
2.4)对低分辨率流场分布数据进行高分辨率重建:将低分辨率流场数据作为输入层参数,网络经过向前传播得到输出结果的高分辨率流场分布。
所述步骤四的具体方法为:
将步骤一得到的高超声速飞行器流场数据的高分辨率数据作为验证评估的标准,并将其进行下采样得到的低分辨率数据作为输入数据;将低分辨率流场导入步骤三训练好的模型中,获取模型的输出,即为高超声速流场的超分辨率数据,至此完成高超声速目标流场的超分辨率重建过程;重建后对重建的效果进行评估。
步骤四所述对高超声速目标流场的超分辨率重建的效果进行评估具体为:使用峰值信噪比(PSNR)和结构相似性指数(SSIM)来对重建结果进行评估:
1)使用峰值信噪比(Peak Signal to Noise Ratio,PSNR)衡量最大值信号和背景噪音之间的图像质量参考值,PSNR的单位为dB,其值越大,图像失真越少,定义如下:
其中,THR为真实高分辨率流场数据,TSR为超分辨率重建的超分辨率流场数据;MAXI为表示像素点颜色的最大数值,MSE为均方误差(Mean Squared Error),定义如下:
其中,n为批大小,对于彩色图片数据来说,每个像素点有三个通道,则MSE需要三个通道分别计算MSE,再取平均值,
对于重建后的图像质量判定规则为:PSNR取值在0-40dB之间,PSNR值越大,说明图像重建质量越好;
2)使用结构相似性指数(structural similarity index,SSIM)从亮度、对比度以及结构来量化图像的属性,用均值估计亮度,方差估计对比度,协方差估计结构相似程度;给定TSR,THR两张图片,TSR表示神经网络超分辨率重建后的结果,THR表示未经过下采样的原高分辨率图片,SSIM的定义如下:
其中,表示重建后的平均值,/>表示原图平均值,/>表示重建后的方差,表示原图的方差,/>表示重建后与原图的协方差,C1、C2是用来维持稳定的常数;
SSIM值的范围为0至1,越大代表图像越相似;如果两张图片完全一样时,SSIM值为1。
所述步骤二第1)步中激活函数类型使用LeakyReLU函数。
所述步骤三第1)步设置训练参数,设置迭代训练轮次为200-800轮,批大小为1-128,并行数为1-16。
步骤三第2.3)步所述将训练好的模型应用于测试数据中,得出模型在测试数据中的准确度,根据准确度的高低来最终确定神经网络模型的权重值为:当神经网络预测结果与真实值有偏差,则根据偏差调节更新权重值,然后再次进行预测,直到预测值与真实值的误差在允许的范围内,或者达到了迭代轮次,则确定最终权重值,训练完成。
基于上述方法的高超声速流场导入卷积神经网络进行超分辨率重建的系统,包括:
预处理模块,用于对训练数据进行预处理,包括对图片的切分和上采样;
训练模块,利用多层卷积神经网络对输入数据进行特征提取,对神经网络模型进行训练并实时打印训练误差。
验证模块,用于对训练模块生成的模型参数的输出结果与真实值进行对比验证,比计算误差,通过此误差反向更新模型的参数。
超分辨率输出模块,用于对输入的低分辨率流场数据进行重建,输出超分辨率流场数据,并计算PSNR和SSIM。
基于上述方法的高超声速流场导入卷积神经网络进行超分辨率重建的设备,包括:
存储器,用于存储计算机程序;
处理器,执行所述计算机程序,实现步骤一至步骤四所述的高超声速流场导入卷积神经网络进行超分辨率重建的方法。
本发明与现有技术相比,具有如下优点:
1.本发明与基于实验的高超声速流场测量方法相比,不用使用昂贵的实验仪器,获得高分辨率流场数据,不再受限于仪器设备,降低了成本。
2.本发明与基于计算流体力学的高超声速流场模拟数值方法相比,不用划分精细的网格,不需要大量迭代,不需要耗费计算时长,降低了时间成本,提高了计算效率。
3.本发明与传统插值算法相比,在超分辨率重建时,充分提取了超声速目标流场的结构信息,不再是机械的增加像素密度,提高了重建的精细度。同时不需要插值重建那么长的时间,降低了时间成本,提高了效率。
4.本发明与传统超分辨率卷积神经网络重建方法相比,网络更深,应对超声速目标复杂流场的提取效果更好,能够提取到更多的特征,而且不忽略神经元贡献的特征,提高了重建的精细度。
5.本发明与生成对抗网络重建方法相比,训练简单,训练过程收敛快,不易出现过拟合现象,将训练好的模型迁移到高超声速目标流场分布重建上,效果好;解决了生成对抗网络重建方法难以训练、难以收敛和过拟合导致迁移效果不好的问题。
综上所述,本发明具有计算效率高,精细度高,训练简单,适用范围广的优点。
附图说明
图1为本发明的神经网络结构。
图2为本发明的流程图。
图3为钝头体飞行器目标参数与激波层速度场仿真模拟结果;其中,图3(a)是钝头体飞行器目标参数,图3(b)是激波层速度场仿真模拟结果。
图4为钝头体飞行器激波层低分辨率速度场分布图。
图5为应用本发明方法实现的高分辨率重建后的激波层速度场分布图。
图6为应用本发明方法实现超分辨率重建温度场与插值法重建法的对比。
具体实施方式
以下结合附图和具体实施例,对本发明作进一步详细的描述。
如图2流程图所示,一种高超声速流场导入卷积神经网络进行超分辨率重建的方法,具体步骤为:
步骤一:流场仿真模拟
选取高超声速钝头体模型,分别对模型参数包括空气组分、将来流速度、温度、压强、来流混合物组分及占比进行设置,得到高超声速飞行器流场数据的高分辨率数据作为步骤四中验证评估的标准,并采用下采样比为4和8进行下采样,得到低分辨率数据作为步骤四中的输入数据,参见图4;
流场仿真模拟中使用的模型具体参数为:空气组分为20组分反应,将来流速度设置为8Mach,温度为217K,压强是5475Pa,来流混合物组分为N2和O2,其中N2占比0.79,O2占比为0.21。得到目标温度场和速度场分布;模拟结果如图3所示。
步骤二:构建神经网络模型;
1)设置神经网络结构,如图1所示
设置网络结构为五层卷积层,分别设置包括卷积层的输入通道、输出通道、卷积核大小、填充宽度、激活函数类型参数。
第一层卷积层输入通道为3,输出通道为64,卷积核大小为9*9,填充为4;
第二层输入通道64,输出通道128,卷积核大小为5*5,填充为2;
第三层输入通道128,输出通道64,卷积核大小为1*1,填充为0;
第四层输入通道为64,输出通道为32,卷积核大小为5*5,填充为2;
第五层输入通道为32,输出通道为3,卷积核大小为5*5,填充为2;
使用LeakyReLU函数作为激活函数,LeakyReLU函数在横坐标小于零的部分的斜率为1×10-2
2)设置损失函数
使用均方误差作为损失函数来衡量网络输入与输出之间的差异并以此作为反向传播的凭据;
其中,θi表示流场图片对应像素点的真实数据,表示通过神经网络预测后得出的对应像素点的预测数据,n表示batch_size,即一次批训练样本集的大小;
3)设置优化器与学习率
使用标准反向传播的随机梯度下降方法(Stochastic Gradient Descent,SGD)作为优化器,通过梯度下降的办法,不断地反向传播以调节模型的参数,即权重和偏置,使模型的损失函数最小化;
SGD通过如下的方式来更新模型的参数:
其中,θ(t)表示模型在t次迭代时的参数值,α表示学习率,J(θ)表示关于模型参数θ的梯度,表示损失函数,本发明中使用的是均方误差;
通过控制学习率α来控制梯度下降的速度,本发明使用的学习率为最后一层α=10-5,其余层均为α=10-4,最后一层使用较小的学习率比较容易收敛;
步骤三:训练神经网络模型;
1)设置训练参数
自定义设置包括迭代训练轮次为400轮,批大小为16,并行数为8;
2)训练过程
2.1)通过在高斯分布中随机抽取的值对权重进行初始化,使用初始化权重对输入数据进行训练,经过步骤二中设计的神经网络进行特征提取与计算,计算得出该像素点的温度场/速度场的预测数值与真实数值进行比较,使用均方误差计算误差值并将此误差值逐层向前传播,根据误差得出神经网络各单元的误差和权重需要的变化量,并以此为根据修正权重值;
2.2)误差信息通过网络反向传播,遵循随机梯度下降方法,以误差逐步降低的原则来调整权值,直到达到满意的输出为止;网络经过学习以后,固定下来一组合适的、稳定的权值,此时完成了模型的训练;
2.3)将训练好的模型应用于测试数据中,得出模型在测试数据中的准确度,根据准确度的高低来最终确定神经网络模型的权重值:当神经网络预测结果与真实值有偏差,则根据偏差调节更新权重值,然后再次进行预测,直到预测值与真实值的误差在允许的范围内,或者达到了迭代轮次,则确定最终权重值,完成训练;将低分辨率流场数据作为输入层参数,网络经过向后传播便可以得到输出结果的高分辨率流场分布,以实现低成本的获取高分辨率高超声速飞行器流场分布的目的;
此时该模型就可以达到对低分辨率流场分布数据进行高分辨率重建的效果。只需要将待低分辨率流场数据作为输入层参数,网络经过向前传播便可以得到输出结果的高分辨率流场分布,以实现低成本的获取高分辨率高超声速飞行器流场分布的目的;
步骤四:将低分辨率流场导入模型进行超分辨率重建及评估
将步骤一得到的高超声速飞行器流场数据的高分辨率数据作为验证评估的标准,并将其进行下采样得到低分辨率数据作为输入数据;将低分辨率流场导入步骤三训练好的模型中,获取模型的输出,即为高超声速流场的超分辨率数据,至此完成高超声速目标流场的超分辨率重建过程,如图5、图6所示;重建后对重建的效果进行评估;
使用峰值信噪比(PSNR)和结构相似性指数(SSIM)来对重建结果进行评估:
1)使用峰值信噪比(Peak Signal to Noise Ratio,PSNR)衡量最大值信号和背景噪音之间的图像质量参考值,PSNR的单位为dB,其值越大,图像失真越少,定义如下:
其中,THR为真实高分辨率流场数据,TSR为超分辨率重建的超分辨率流场数据;MAXI为表示像素点颜色的最大数值,MSE为均方误差(Mean Squared Error),定义如下:
其中,n为批大小,对于彩色图片数据来说,每个像素点有三个通道,则MSE需要三个通道分别计算MSE,再取平均值;
对于重建后的图像质量判定规则为:PSNR取值在0-40dB之间,PSNR值越大,说明图像重建质量越好;
2)使用结构相似性指数(structural similarity index,SSIM)从亮度、对比度以及结构来量化图像的属性,用均值估计亮度,方差估计对比度,协方差估计结构相似程度;
给定TSR,THR两张图片,TSR表示神经网络超分辨率重建后的结果,THR表示未经过下采样的原高分辨率图片,SSIM的定义如下:
其中,表示重建后的平均值,/>表示原图平均值,/>表示重建后的方差,表示原图的方差,/>表示重建后与原图的协方差,C1、C2是用来维持稳定的常数;
SSIM值的范围为0至1,越大代表图像越相似;如果两张图片完全一样时,SSIM值为1。
由图5可以看出,本发明方法实现的高分辨率重建后的激波层速度场,精细度更高,提取效果更好;图6使用峰值信噪比(PSNR)和结构相似性指数(SSIM)来对重建结果进行评估,可以看出,本发明方法与传统插值算法相比,在超分辨率重建时,充分提取了超声速目标流场的结构信息,不再是机械的增加像素密度,提高了重建的精细度;同时不需要插值重建那么长的时间,降低了时间成本,提高了效率。

Claims (10)

1.一种高超声速流场导入卷积神经网络进行超分辨率重建的方法,其特征在于,具体包括以下步骤:
步骤一:流场仿真模拟
选取高超声速钝头体模型,分别对模型参数包括空气组分、来流速度、温度、压强、来流混合物组分及占比进行设置,得到高超声速飞行器流场数据的高分辨率数据作为步骤四中验证评估的标准,并将其进行下采样得到的低分辨率数据作为步骤四中的输入数据;
步骤二:构建神经网络模型;
步骤三:对步骤二构建的神经网络模型进行训练;
步骤四:以步骤一得到的高超声速飞行器流场数据的高分辨率数据作为验证评估的标准,将低分辨率流场导入步骤三训练好的模型进行高超声速目标流场的超分辨率重建及评估。
2.根据权利要求1所述的一种高超声速流场导入卷积神经网络进行超分辨率重建的方法,其特征在于,所述步骤二的具体方法为:
1)设置神经网络结构
设置网络结构为五层卷积层,分别设置包括卷积层的输入通道、输出通道、卷积核大小、填充宽度、激活函数类型。
2)设置损失函数
使用均方误差作为损失函数来衡量网络输入与输出之间的差异并以此作为反向传播的凭据;
其中,θi表示流场图片对应像素点的真实数据,表示通过神经网络预测后得出的对应像素点的预测数据,n表示batch_size,即一次批训练样本集的大小;
3)设置优化器与学习率
使用标准反向传播的随机梯度下降方法(Stochastic Gradient Descent,SGD)作为优化器,通过梯度下降的办法,不断地反向传播以调节模型的参数,即权重和偏置,使模型的损失函数最小化;
SGD通过如下的方式来更新模型的参数:
其中,θ(t)表示模型在t次迭代时的参数值,α表示学习率,J(θ)表示关于模型参数θ的梯度,表示损失函数,通过控制学习率α来控制梯度下降的速度。
3.根据权利要求1所述的一种高超声速流场导入卷积神经网络进行超分辨率重建的方法,其特征在于,所述步骤三的具体方法为:
1)设置训练参数
自定义设置包括迭代训练轮次、批大小、并行数、学习率参数;
2)训练过程
2.1)通过在高斯分布中随机抽取的值对权重进行初始化,使用初始化权重对输入数据进行训练,对步骤二中设计的神经网络进行特征提取与计算,计算得出该像素点的物理量的值与真实值进行比较,使用均方误差计算误差值并将此误差值逐层向前传播,根据误差得出神经网络各单元的误差和权重需要的变化量,并以此为根据修正权重值;
2.2)误差信息通过网络反向传播,遵循随机梯度下降方法,以误差逐步降低的原则来调整权值,直到误差小于设定的误差阈值,或者迭代次数达到设定的迭代次数阈值,将此时的权重值保存,至此完成了模型的训练;
2.3)将训练好的模型应用于测试数据中,得出模型在测试数据中的准确度,根据准确度的高低来最终确定神经网络模型的权重值;将低分辨率流场数据作为输入层参数,网络经过向后传播便可以得到输出结果的高分辨率流场分布,以实现低成本的获取高分辨率高超声速飞行器流场分布的目的;
2.4)对低分辨率流场分布数据进行高分辨率重建:将低分辨率流场数据作为输入层参数,网络经过向前传播得到输出结果的高分辨率流场分布。
4.根据权利要求1所述的一种高超声速流场导入卷积神经网络进行超分辨率重建的方法,其特征在于,所述步骤四的具体方法为:
将步骤一得到的高超声速飞行器流场数据的高分辨率数据作为验证评估的标准,并将其进行下采样得到的低分辨率数据作为输入数据;将低分辨率流场导入步骤三训练好的模型中,获取模型的输出,即为高超声速流场的超分辨率数据,至此完成高超声速目标流场的超分辨率重建过程;重建后对重建的效果进行评估。
5.根据权利要求1或4所述的一种高超声速流场导入卷积神经网络进行超分辨率重建的方法,其特征在于,步骤四所述对高超声速目标流场的超分辨率重建的效果进行评估具体为:使用峰值信噪比(PSNR)和结构相似性指数(SSIM)来对重建结果进行评估:
1)使用峰值信噪比(Peak Signal to Noise Ratio,PSNR)衡量最大值信号和背景噪音之间的图像质量参考值,PSNR的单位为dB,其值越大,图像失真越少,定义如下:
其中,THR为真实高分辨率流场数据,TSR为超分辨率重建的超分辨率流场数据;MAXI为表示像素点颜色的最大数值,MSE为均方误差(Mean Squared Error),定义如下:
其中,n为批大小,对于彩色图片数据来说,每个像素点有三个通道,则MSE需要三个通道分别计算MSE,再取平均值,
对于重建后的图像质量判定规则为:PSNR取值在0-40dB之间,PSNR值越大,说明图像重建质量越好;
2)使用结构相似性指数(structural similarity index,SSIM)从亮度、对比度以及结构来量化图像的属性,用均值估计亮度,方差估计对比度,协方差估计结构相似程度;
给定TSR,THR两张图片,TSR表示神经网络超分辨率重建后的结果,THR表示未经过下采样的原高分辨率图片,SSIM的定义如下:
其中,表示重建后的平均值,/>表示原图平均值,/>表示重建后的方差,/>表示原图的方差,/>表示重建后与原图的协方差,C1、C2是用来维持稳定的常数;
SSIM值的范围为0至1,越大代表图像越相似;如果两张图片完全一样时,SSIM值为1。
6.根据权利要求2所述的一种高超声速流场导入卷积神经网络进行超分辨率重建的方法,其特征在于,所述步骤二第1)步中激活函数类型使用LeakyReLU函数。
7.根据权利要求3所述的一种高超声速流场导入卷积神经网络进行超分辨率重建的方法,其特征在于,所述步骤三第1)步设置训练参数,设置迭代训练轮次为200-800轮,批大小为1-128,并行数为1-16。
8.根据权利要求3所述的一种高超声速流场导入卷积神经网络进行超分辨率重建的方法,其特征在于,步骤三第2.3)步所述将训练好的模型应用于测试数据中,得出模型在测试数据中的准确度,根据准确度的高低来最终确定神经网络模型的权重值为:当神经网络预测结果与真实值有偏差,则根据偏差调节更新权重值,然后再次进行预测,直到预测值与真实值的误差在允许的范围内,或者达到了迭代轮次,则确定最终权重值,训练完成。
9.基于权利要求1至8任一项所述方法的高超声速流场导入卷积神经网络进行超分辨率重建的系统,其特征在于,包括:
预处理模块,用于对训练数据进行预处理,包括对图片的切分和上采样;
训练模块,利用多层卷积神经网络对输入数据进行特征提取,对神经网络模型进行训练并实时打印训练误差。
验证模块,用于对训练模块生成的模型参数的输出结果与真实值进行对比验证,比计算误差,通过此误差反向更新模型的参数。
超分辨率输出模块,用于对输入的低分辨率流场数据进行重建,输出超分辨率流场数据,并计算PSNR和SSIM。
10.基于权利要求1至8任一项所述方法的高超声速流场导入卷积神经网络进行超分辨率重建的设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,执行所述计算机程序,实现步骤一至步骤四所述的高超声速流场导入卷积神经网络进行超分辨率重建的方法。
CN202310593572.4A 2023-05-24 2023-05-24 一种高超声速流场导入卷积神经网络进行超分辨率重建的方法、系统及设备 Pending CN116843544A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310593572.4A CN116843544A (zh) 2023-05-24 2023-05-24 一种高超声速流场导入卷积神经网络进行超分辨率重建的方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310593572.4A CN116843544A (zh) 2023-05-24 2023-05-24 一种高超声速流场导入卷积神经网络进行超分辨率重建的方法、系统及设备

Publications (1)

Publication Number Publication Date
CN116843544A true CN116843544A (zh) 2023-10-03

Family

ID=88160693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310593572.4A Pending CN116843544A (zh) 2023-05-24 2023-05-24 一种高超声速流场导入卷积神经网络进行超分辨率重建的方法、系统及设备

Country Status (1)

Country Link
CN (1) CN116843544A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117474763A (zh) * 2023-12-26 2024-01-30 青岛埃克曼科技有限公司 基于神经网络的沿海低分辨率水深数据高分辨率化方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117474763A (zh) * 2023-12-26 2024-01-30 青岛埃克曼科技有限公司 基于神经网络的沿海低分辨率水深数据高分辨率化方法
CN117474763B (zh) * 2023-12-26 2024-04-26 青岛埃克曼科技有限公司 基于神经网络的沿海低分辨率水深数据高分辨率化方法

Similar Documents

Publication Publication Date Title
CN109086700B (zh) 基于深度卷积神经网络的雷达一维距离像目标识别方法
Liu et al. Learning converged propagations with deep prior ensemble for image enhancement
CN111523546B (zh) 图像语义分割方法、系统及计算机存储介质
CN109902745A (zh) 一种基于cnn的低精度训练与8位整型量化推理方法
CN108734661B (zh) 基于图像纹理信息构建损失函数的高分辨率图像预测方法
CN110210551A (zh) 一种基于自适应主体敏感的视觉目标跟踪方法
CN109214990A (zh) 一种基于Inception模型的深度卷积神经网络图像去噪方法
CN111861906B (zh) 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法
CN110349185B (zh) 一种rgbt目标跟踪模型的训练方法及装置
CN110598806A (zh) 一种基于参数优化生成对抗网络的手写数字生成方法
CN112446381B (zh) 一种利用全卷积网络驱动的基于测地线活动轮廓的混合语义分割方法
CN110458765A (zh) 基于感知保持卷积网络的图像质量增强方法
CN111999731B (zh) 一种基于感知生成对抗网络的电磁逆散射成像方法
CN112183742A (zh) 基于渐进式量化和Hessian信息的神经网络混合量化方法
CN111489301A (zh) 一种基于迁移学习用图像深度信息引导的图像去雾方法
CN114140469B (zh) 一种基于多层注意力的深度分层图像语义分割方法
CN106952339A (zh) 一种基于最优传输理论的点云采样方法
CN113538374B (zh) 一种面向高速运动物体的红外图像模糊校正方法
CN112884668A (zh) 基于多尺度的轻量级低光图像增强方法
CN116843544A (zh) 一种高超声速流场导入卷积神经网络进行超分辨率重建的方法、系统及设备
CN109460815A (zh) 一种单目视觉深度估计方法
CN112614070A (zh) 一种基于DefogNet的单幅图像去雾方法
Zhou et al. MSAR‐DefogNet: Lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution
Bao et al. SAR image simulation by generative adversarial networks
CN116863053A (zh) 一种基于知识蒸馏的点云渲染增强方法

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