-
公开(公告)号：CN115546498A
公开(公告)日：2022-12-30
申请号：CN202211195748.2
申请日：2022-09-28
Applicant: 大连海事大学
IPC: G06V10/40 , G06N3/04 , G06N3/08 , G06V10/764
Abstract: 本发明提供一种基于深度学习的流场时变数据的压缩存储方法，包括以下步骤：基于测点的原始流场时程数据的测量；基于深度学习的流场数据特征提取与压缩；基于时程特征编码的流场低维表征与存储；基于编码与解码器的流场时变数据还原技术。本发明采用深度学习方法对流场时变特征进行提取与压缩，与传统采用图像存储等方法具有根本的不同，由于本方法采用了全新的数据类型进行流场存储，克服了传统方法中无法准确保留时变特征的缺点，是一种精度高、时变特征还原准确的方法。
-
公开(公告)号：CN115546498B
公开(公告)日：2023-10-17
申请号：CN202211195748.2
申请日：2022-09-28
Applicant: 大连海事大学
IPC: G06V10/40 , G06V10/82 , G06N3/0464 , G06N3/08 , G06V10/764
Abstract: 本发明提供一种基于深度学习的流场时变数据的压缩存储方法，包括以下步骤：基于测点的原始流场时程数据的测量；基于深度学习的流场数据特征提取与压缩；基于时程特征编码的流场低维表征与存储；基于编码与解码器的流场时变数据还原技术。本发明采用深度学习方法对流场时变特征进行提取与压缩，与传统采用图像存储等方法具有根本的不同，由于本方法采用了全新的数据类型进行流场存储，克服了传统方法中无法准确保留时变特征的缺点，是一种精度高、时变特征还原准确的方法。
-
公开(公告)号：CN113901927B
公开(公告)日：2023-02-03
申请号：CN202111188877.4
申请日：2021-10-12
Applicant: 大连海事大学
IPC: G06F18/24 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/08 , G06F123/00
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。
-
公开(公告)号：CN116127844A
公开(公告)日：2023-05-16
申请号：CN202310082660.8
申请日：2023-02-08
Applicant: 大连海事大学
IPC: G06F30/27 , G06F17/11 , G06N3/04 , G06N3/08 , G06F111/10 , G06F113/08 , G06F111/04
Abstract: 本发明提供一种考虑流动控制方程约束的流场时程深度学习预测方法，包括以下步骤：采集并测量流场不同位置处于流动的时程信号，生成样本集；生成的所述样本集建立用于流场时程信号的深度学习模型；根据样本集训练所述深度学习模型，获取训练数据集下的模型结果；根据获取的所述模型结果，判断获取的所述深度学习模型的精度，并随机预测多个测点处的流场信号；重新对时程信号数据集进行训练，获取修正后的模型；根据获取的修正后的模型，生成流场时程信号。本发明解决了传感器时程数据较少情况下模型精度不足的问题，使得模型的结果符合物理规律；同时，基于流场时程数据作为模型训练数据集，相比于其他研究的瞬时流场切片数据更有实际意义，可将稀疏的传感器采集的流场数据输入模型进行训练与预测。
-
公开(公告)号：CN113822201B
公开(公告)日：2023-01-06
申请号：CN202111121944.0
申请日：2021-09-24
Applicant: 大连海事大学
IPC: G06F18/24 , G06F18/213 , G06F18/214 , G06N3/04 , G06N3/08
Abstract: 本发明提供一种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，包括以下步骤：基于流场特征对水下目标体外形进行识别；基于任意一点尾流速度分量时程信号对所述目标特征进行提取；基于深度学习方法对所述尾流速度分量时程信号进行处理；基于卷积神经网络对流场速度分量时程特征进行分类。本发明采用流场速度分量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。
-
Patent Agency Ranking
公开(公告)号：CN115455838A
公开(公告)日：2022-12-09
申请号：CN202211177018.X
申请日：2022-09-26
Applicant: 大连海事大学
IPC: G06F30/27 , G06F30/28 , G06K9/62 , G06N3/04 , G06N3/08 , G06F113/08 , G06F119/14
Abstract: 本发明公开一种面向时程数据的高空间分辨率流场重构方法，包括：获取待重构的流场中的时程样本信号及与所述时程样本信号对应的时程样本坐标，以获取时程样本信号集合和时程样本坐标集合；构建基于全卷积计算的深度学习网络模型；获取最优深度学习网络模型；计算待重构的流场的所有未知测点处的时程信号，以实现对待重构的流场进行重构。本发明通过在待重构的流场中选取有限数量的样本测点，获取这些有限数量的样本测点的一维的时程样本信号，并通过最优深度学习网络模型获取流场内的任一测点的时程信号，对流场采集的要求大大降低。同时所需要的输入数据量小、数据类型简单，模型保留了样本测点的时序信息，适用于复杂非定常流场的高精度重构。
-
公开(公告)号：CN116127844B
公开(公告)日：2023-10-31
申请号：CN202310082660.8
申请日：2023-02-08
Applicant: 大连海事大学
IPC: G06F30/27 , G06F17/11 , G06N3/04 , G06N3/08 , G06F111/10 , G06F113/08 , G06F111/04
Abstract: 本发明提供一种考虑流动控制方程约束的流场时程深度学习预测方法，包括以下步骤：采集并测量流场不同位置处于流动的时程信号，生成样本集；生成的所述样本集建立用于流场时程信号的深度学习模型；根据样本集训练所述深度学习模型，获取训练数据集下的模型结果；根据获取的所述模型结果，判断获取的所述深度学习模型的精度，并随机预测多个测点处的流场信号；重新对时程信号数据集进行训练，获取修正后的模型；根据获取的修正后的模型，生成流场时程信号。本发明解决了传感器时程数据较少情况下模型精度不足的问题，使得模型的结果符合物理规律；同时，基于流场时程数据作为模型训练数据集，相比于其他研究的瞬时流场切片数据更有实际意义，可将稀疏的传感器采集的流场数据输入模型进行训练与预测。
-
公开(公告)号：CN115455838B
公开(公告)日：2023-09-01
申请号：CN202211177018.X
申请日：2022-09-26
Applicant: 大连海事大学
IPC: G06F30/27 , G06F30/28 , G06F18/241 , G06N3/0464 , G06N3/08 , G06F113/08 , G06F119/14
Abstract: 本发明公开一种面向时程数据的高空间分辨率流场重构方法，包括：获取待重构的流场中的时程样本信号及与所述时程样本信号对应的时程样本坐标，以获取时程样本信号集合和时程样本坐标集合；构建基于全卷积计算的深度学习网络模型；获取最优深度学习网络模型；计算待重构的流场的所有未知测点处的时程信号，以实现对待重构的流场进行重构。本发明通过在待重构的流场中选取有限数量的样本测点，获取这些有限数量的样本测点的一维的时程样本信号，并通过最优深度学习网络模型获取流场内的任一测点的时程信号，对流场采集的要求大大降低。同时所需要的输入数据量小、数据类型简单，模型保留了样本测点的时序信息，适用于复杂非定常流场的高精度重构。
-
公开(公告)号：CN113901927A
公开(公告)日：2022-01-07
申请号：CN202111188877.4
申请日：2021-10-12
Applicant: 大连海事大学
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。
-
公开(公告)号：CN113822201A
公开(公告)日：2021-12-21
申请号：CN202111121944.0
申请日：2021-09-24
Applicant: 大连海事大学
Abstract: 本发明提供一种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，包括以下步骤：基于流场特征对水下目标体外形进行识别；基于任意一点尾流速度分量时程信号对所述目标特征进行提取；基于深度学习方法对所述尾流速度分量时程信号进行处理；基于卷积神经网络对流场速度分量时程特征进行分类。本发明采用流场速度分量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。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.017 seconds)
