CN110222828B - 一种基于混合深度神经网络的非定常流场预测方法 - Google Patents

一种基于混合深度神经网络的非定常流场预测方法 Download PDF

Info

Publication number
CN110222828B
CN110222828B CN201910506931.1A CN201910506931A CN110222828B CN 110222828 B CN110222828 B CN 110222828B CN 201910506931 A CN201910506931 A CN 201910506931A CN 110222828 B CN110222828 B CN 110222828B
Authority
CN
China
Prior art keywords
flow field
neural network
time
information
deep
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
Application number
CN201910506931.1A
Other languages
English (en)
Other versions
CN110222828A (zh
Inventor
陈刚
韩仁坤
王怡星
张扬
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong 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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201910506931.1A priority Critical patent/CN110222828B/zh
Publication of CN110222828A publication Critical patent/CN110222828A/zh
Application granted granted Critical
Publication of CN110222828B publication Critical patent/CN110222828B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

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

Abstract

本发明公开了一种基于混合深度神经网络的非定常流场预测方法，该方法包括生成深度学习网络输入数据；基于该输入数据，构建用于非定常流场快速预测的混合深度神经网络结构；对该深度学习网络进行训练，以得到非定常流场预测神经网络模型；该混合深度神将网络结构由卷积深度神经网络、长短时记忆神经网络及反卷积深度神经网络组成，卷积深度神经网络被用于提取流场中的结构特征，长短时记忆神经网络的作用是引入时间效应，反卷积深度神经网络被用于重现流场信息，三者结合即形成能够预测未知时刻流场信息的闭环网络；测试结果表明这种神经网络结构能够准确地捕捉到流场信息的底层结构特性和时间特性，并能准确地重现出未知时刻整个流畅信息。

Description

一种基于混合深度神经网络的非定常流场预测方法
技术领域
本发明属于计算流体力学与深度神经网络建模领域，特别涉及一种基于混合深度神经网络的非定常流场快速预测方法。
背景技术
非定常流场的快速计算一直是计算流体力学领域一个亟待解决的问题，尤其在进行流固耦合问题等大型复杂***数值模拟耗费巨大，严重制约了计算速度。近些年来各种深度神经网络在语音识别、图像处理、无人驾驶和自动翻译等领域都表现出其优异的性能。将以深度神经网络技术和流体力学相结合，为解决非定常流场的快速预测与机理研究问题提供了新思路。CNN网络是最常用也是应用最广泛的处理稳态数据的深度网络结构，LSTM在统计时间序列问题上能得到良好的效果，并且能够以非线性方式处理具有多个维度的数据。因此将LSTM与CNN各自优势结合，能够发展出进行非定常流场快速预测的新工具。
发明内容
本发明的目的在于克服现有技术的缺点和不足，提供一种基于混合深度神经网络的非定常流场快速预测方法，从而有效解决非定常流场计算消耗大量时间和计算资源的问题，实现非定常流场快速预测。
为实现上述目的，本发明所采用的技术方案为:
一种基于混合深度神经网络的非定常流场预测方法，包括生成混合深度神经网络学习数据集，并基于该数据集构建用于非定常流场快速预测的混合深度神经网络，最后将训练好的混合深度神经网络用于非定常流场快速预测；具体包括以下步骤：
1)非定常流场数据集构造：采用雷诺时均模拟方法或大涡模拟方法模拟有限时间步内物体周围非定常流场变化过程，生成与模拟时间步相同数量的流场信息，构建深度神经网络的输入数据集；具体步骤如下：
1-1)采用雷诺时均模拟方法或大涡模拟方法求解有限时间步内的物体周围非定常流场变化过程，每计算一时间步输出一次流场信息，得到不同时刻物体周围非定常流场每个计算网格点上的流场信息；
1-2)流场信息预处理，将得到的不同时刻物体周围非定常流场每个计算网格点上的流场信息通过插值映射拟合到一个均匀分布的网格中，得到拟合后的流场信息；
1-3)将拟合后的流场信息按照时间顺序排列，并将所有流场信息序列按照时间序列分成两部分数据集，一部分为训练集，另一部分为测试集；
2)构建适用于非定常流场预测的混合深度神经网络：该混合深度神经网络结构由三种基本的神经网络结构组合而成，三种基本的神经网络结构包括多层卷积深度神经网络、长短时记忆神经网络和多层反卷积深度神经网络；该混合深度神经网络中三种基本神经网络间数据传递流程有两种，分别为：
第一种数据传递流程为：时间为t＝i,…,i+n时刻的n个流场信息输入到多层卷积深度神经网络，经过多层卷积深度神经网络卷积计算得到以矩阵形式[b_s,w,h,n_f]表达的不同时刻流场深层结构信息；转换多层卷积深度神经网络输出矩阵格式，由[b_s,w,h,n_f]转换为[n_f,w,h,b_s],其中，b_s是一个训练批次样本数，w是样本中x方向样本点数，h是样本中y方向样本点数，n_f是卷积计算得到的特征数，这一步转换将多层卷积深度神经网络输出数据由不同时间样本流场结构特征序列转化为不同流场结构特征的时间序列；然后将转换后的矩阵输入到长短时记忆神经网络，长短时记忆神经网络根据输入数据预测出未知时刻流场深层结构信息；将得到未知时刻流场深层结构信息，输入到多层反卷积深度神经网络，通过反卷积运算得到未知时刻流场完整信息；
第二种数据传递流程为：时间为t＝i,…,i+n时刻的n个流场信息输入到多层卷积深度神经网络，经过多层卷积深度神经网络卷积计算得到以矩阵形式[b_s,w,h,n_f]表达的不同时刻深层流场结构信息，其中，b_s是一个训练批次样本数，w是样本中x方向样本点数，h是样本中y方向样本点数，n_f是卷积计算得到的特征数，矩阵中每个[w,h]代表一个深层流场结构信息；转换多层卷积深度神经网络输出矩阵格式，首先进行第一步格式转换，将多层卷积深度神经网络输出矩阵由[b_s,w,h,n_f]转换为[n_f,w,h,b_s],这一步转换将多层卷积深度神经网络输出数据由不同时间样本流场结构特征序列转化为不同流场结构特征的时间序列，然后进行第二步格式转换，由[n_f,w,h,b_s]转换为[w,h,n_b]，其中，n_b是n_f与b_s的乘积，第二步格式转换得到一个训练批次所有样本的深层流场结构信息；将第一步格式转换后的矩阵[n_f,w,h,b_s]输入到长短时记忆神经网络，长短时记忆神经网络根据输入数据预测出未知时刻深层流场结构信息系数；将长短时记忆神经网络得到的深层流场结构信息系数与第二步格式转换后的深层流场结构信息[w,h,n_b]相乘，得到未知时刻深层流场结构信息；将得到未知时刻流场深层结构信息，输入到多层反卷积深度神经网络，通过反卷积运算得到未知时刻流场完整信息；
3)神经网络具体训练步骤如下：
3-1)混合深度神经网络训练的输入为步骤1-3)构造的数据集中t＝i,…,i+n时刻的n个时间步的非定常流场信息，输出为时间为t＝i+n+1时刻的流场信息；
3-2)以均方根误差作为损失函数，采用Adam优化算法优化所构造的混合深度神经网络，从而得到训练好的能够用于非定常流场预测的混合深度神经网络模型；
4)非定常流场快速预测：将已知时间段流场信息中最后n个时刻流场信息输入到3-2)中训练好的混合深度神经网络中，即得到未知时刻流场信息；将混合深度神经网络预测得到的未知时刻流场信息输入到训练好的混合深度神经网络中，即得到新的未知时刻流场信息；如此循环，进行非定常流场持续预测。
在步骤1-2)中，所述流场信息预处理过程具体操作步骤为：首先截取数值模拟计算的完整流场的流场信息中物体周围流场变化明显范围内的流场信息，然后将该流场信息的数据采用插值方法拟合至网格点均匀分布的网格上。
步骤1-3)中，训练集占比百分之九十五，测试集占比百分之五。
本发明和现有技术相比较，具备如下优点：
1、本发明所提出的新型混合神经网络结构，融合了卷积神经网络、长短时记忆神经网络及反卷积神经网络的优点，在神经网络结构中成功引入了时间效应，从而具备处理费非定常数据能力进而适用于未知时刻非定常流场信息预测与建模。
2、通过反卷积神经网络计算，可将深度神经网络预测的非定常流动图像结构重构输出为与输入尺寸相同的流动图像，从而实现所预测得非定常流程结果可视化。
附图说明
图1为本发明的用于非定常流场快速预测的混合深度神经网络的第一种数据传递流程示意图。
图2为本发明的用于非定常流场快速预测的混合深度神经网络的第二种数据传递流程示意图。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步详细说明。
本实施例所述的基于混合深度神经网络的非定常流场快速预测方法，包括生成混合深度神经网络学习数据集，并基于该数据集构建用于非定常流场快速预测的混合深度神经网络，最后将训练好的混合深度神经网络用于非定常流场快速预测；其具体实施过程如下：
1)非定常流场数据集构造：采用雷诺时均模拟方法或大涡模拟方法模拟有限时间步内(例如100个时间步长，但不仅仅限于100步时间步长)物体(例如翼型等，但不限于翼型)周围非定常流场变化过程，生成与模拟时间步相同数量的流场信息，构建深度神经网络的输入数据集；具体步骤如下：
1-1)采用雷诺时均模拟方法或大涡模拟方法求解有限时间步内的物体周围非定常流场变化过程，每计算一时间步输出一次流场信息，得到不同时刻物体周围非定常流场每个计算网格点上的流场信息；
1-2)流场信息预处理，将得到的不同时刻物体周围非定常流场每个计算网格点上的流场信息(包括压力、速度、温度等)通过插值映射拟合到一个均匀分布的网格中，得到拟合后的流场信息；
1-3)将拟合后的流场信息按照时间顺序排列，并将所有流场信息序列按照时间序列分成两部分数据集，百分之九十五作为训练集，百分之五作为测试集(但不仅限于这一分类比例)；
2)构建适用于非定常流场预测的混合深度神经网络：该混合深度神经网络结构由三种基本的神经网络结构组合而成，三种基本的神经网络结构包括多层卷积深度神经网络、长短时记忆神经网络和多层反卷积深度神经网络；该混合深度神经网络中三种基本神经网络间数据传递流程有两种，分别为：
第一种数据传递流程为：时间为t＝i,…,i+n时刻的n个流场信息输入到多层卷积深度神经网络，经过多层卷积深度神经网络卷积计算得到以矩阵形式[b_s,w,h,n_f]表达的不同时刻流场深层结构信息；转换多层卷积深度神经网络输出矩阵格式，由[b_s,w,h,n_f]转换为[n_f,w,h,b_s],其中，b_s是一个训练批次样本数，w是样本中x方向样本点数，h是样本中y方向样本点数，n_f是卷积计算得到的特征数，这一步转换将多层卷积深度神经网络输出数据由不同时间样本流场结构特征序列转化为不同流场结构特征的时间序列；然后将转换后的矩阵输入到长短时记忆神经网络，长短时记忆神经网络根据输入数据预测出未知时刻流场深层结构信息；将得到未知时刻流场深层结构信息，输入到多层反卷积深度神经网络，通过反卷积运算得到未知时刻流场完整信息；
第二种数据传递流程为：时间为t＝i,…,i+n时刻的n个流场信息输入到多层卷积深度神经网络，经过多层卷积深度神经网络卷积计算得到以矩阵形式[b_s,w,h,n_f]表达的不同时刻深层流场结构信息，其中，b_s是一个训练批次样本数，w是样本中x方向样本点数，h是样本中y方向样本点数，n_f是卷积计算得到的特征数，矩阵中每个[w,h]代表一个深层流场结构信息；转换多层卷积深度神经网络输出矩阵格式，首先进行第一步格式转换，将多层卷积深度神经网络输出矩阵由[b_s,w,h,n_f]转换为[n_f,w,h,b_s],这一步转换将多层卷积深度神经网络输出数据由不同时间样本流场结构特征序列转化为不同流场结构特征的时间序列，然后进行第二步格式转换，由[n_f,w,h,b_s]转换为[w,h,n_b]，其中，n_b是n_f与b_s的乘积，第二步格式转换得到一个训练批次所有样本的深层流场结构信息；将第一步格式转换后的矩阵[n_f,w,h,b_s]输入到长短时记忆神经网络，长短时记忆神经网络根据输入数据预测出未知时刻深层流场结构信息系数；将长短时记忆神经网络得到的深层流场结构信息系数与第二步格式转换后的深层流场结构信息[w,h,n_b]相乘，得到未知时刻深层流场结构信息；将得到未知时刻流场深层结构信息，输入到多层反卷积深度神经网络，通过反卷积运算得到未知时刻流场完整信息；
3)神经网络具体训练步骤如下：
3-1)混合深度神经网络训练的输入为步骤1-3)构造的数据集中t＝i,…,i+n时刻的n个时间步的非定常流场信息(包括压力、速度、温度等)，输出为时间为t＝i+n+1时刻的流场信息；
3-2)以均方根误差作为损失函数，采用Adam优化算法优化所构造的混合深度神经网络，从而得到训练好的能够用于非定常流场预测的混合深度神经网络模型；
4)非定常流场快速预测：将已知时间段流场信息中最后n个时刻流场信息输入到3-2)中训练好的混合深度神经网络中，即得到未知时刻流场信息；将混合深度神经网络预测得到的未知时刻流场信息输入到训练好的混合深度神经网络中，即得到新的未知时刻流场信息；如此循环，进行非定常流场持续预测。
作为本发明的优选实施方式，在步骤1-2)中，所述流场信息预处理过程具体操作步骤为：首先截取数值模拟计算的完整流场的流场信息中物体周围流场变化明显范围内的流场信息，如以被测物体为中心十倍特征长度范围区域(但不仅限于这一取值范围)，然后将该流场信息的数据采用插值方法拟合至网格点均匀分布的网格上。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理和混合神经网络结构所作的数量上的变化，均应涵盖在本发明的保护范围内。

Claims (3)

1.一种基于混合深度神经网络的非定常流场预测方法，其特征在于，包括生成混合深度神经网络学习数据集，并基于该数据集构建用于非定常流场快速预测的混合深度神经网络，最后将训练好的混合深度神经网络用于非定常流场快速预测；具体包括以下步骤：
1)非定常流场数据集构造：采用雷诺时均模拟方法或大涡模拟方法模拟有限时间步内物体周围非定常流场变化过程，生成与模拟时间步相同数量的流场信息，构建深度神经网络的输入数据集；具体步骤如下：
1-1)采用雷诺时均模拟方法或大涡模拟方法求解有限时间步内的物体周围非定常流场变化过程，每计算一时间步输出一次流场信息，得到不同时刻物体周围非定常流场每个计算网格点上的流场信息；
1-2)流场信息预处理，将得到的不同时刻物体周围非定常流场每个计算网格点上的流场信息通过插值映射拟合到一个均匀分布的网格中，得到拟合后的流场信息；
1-3)将拟合后的流场信息按照时间顺序排列，并将所有流场信息序列按照时间序列分成两部分数据集，一部分为训练集，另一部分为测试集；
2)构建适用于非定常流场预测的混合深度神经网络：该混合深度神经网络结构由三种基本的神经网络结构组合而成，三种基本的神经网络结构包括多层卷积深度神经网络、长短时记忆神经网络和多层反卷积深度神经网络；该混合深度神经网络中三种基本神经网络间数据传递流程有两种，分别为：
第一种数据传递流程为：时间为t＝i,…,i+n时刻的n个流场信息输入到多层卷积深度神经网络，经过多层卷积深度神经网络卷积计算得到以矩阵形式[b_s,w,h,n_f]表达的不同时刻流场深层结构信息；转换多层卷积深度神经网络输出矩阵格式，由[b_s,w,h,n_f]转换为[n_f,w,h,b_s],其中，b_s是一个训练批次样本数，w是样本中x方向样本点数，h是样本中y方向样本点数，n_f是卷积计算得到的特征数，这一步转换将多层卷积深度神经网络输出数据由不同时间样本流场结构特征序列转化为不同流场结构特征的时间序列；然后将转换后的矩阵输入到长短时记忆神经网络，长短时记忆神经网络根据输入数据预测出未知时刻流场深层结构信息；将得到未知时刻流场深层结构信息，输入到多层反卷积深度神经网络，通过反卷积运算得到未知时刻流场完整信息；
第二种数据传递流程为：时间为t＝i,…,i+n时刻的n个流场信息输入到多层卷积深度神经网络，经过多层卷积深度神经网络卷积计算得到以矩阵形式[b_s,w,h,n_f]表达的不同时刻深层流场结构信息，其中，b_s是一个训练批次样本数，w是样本中x方向样本点数，h是样本中y方向样本点数，n_f是卷积计算得到的特征数，矩阵中每个[w,h]代表一个深层流场结构信息；转换多层卷积深度神经网络输出矩阵格式，首先进行第一步格式转换，将多层卷积深度神经网络输出矩阵由[b_s,w,h,n_f]转换为[n_f,w,h,b_s]，这一步转换将多层卷积深度神经网络输出数据由不同时间样本流场结构特征序列转化为不同流场结构特征的时间序列，然后进行第二步格式转换，由[n_f,w,h,b_s]转换为[w,h,n_b]，其中，n_b是n_f与b_s的乘积，第二步格式转换得到一个训练批次所有样本的深层流场结构信息；将第一步格式转换后的深层流场结构信息矩阵[n_f,w,h,b_s]输入到长短时记忆神经网络，长短时记忆神经网络根据输入数据预测出未知时刻深层流场结构信息系数；将长短时记忆神经网络得到的深层流场结构信息系数与第二步格式转换后的深层流场结构信息矩阵[w,h,n_b]相乘，得到未知时刻深层流场结构信息；将得到未知时刻流场深层结构信息，输入到多层反卷积深度神经网络，通过反卷积运算得到未知时刻流场完整信息；
3)神经网络具体训练步骤如下：
3-1)混合深度神经网络训练的输入为步骤1-3)构造的数据集中t＝i,…,i+n时刻的n个时间步的非定常流场信息，输出为时间为t＝i+n+1时刻的流场信息；
3-2)以均方根误差作为损失函数，采用Adam优化算法优化所构造的混合深度神经网络，从而得到训练好的能够用于非定常流场预测的混合深度神经网络模型；
4)非定常流场快速预测：将已知时间段流场信息中最后n个时刻流场信息输入到3-2)中训练好的混合深度神经网络中，即得到未知时刻流场信息；将混合深度神经网络预测得到的未知时刻流场信息输入到训练好的混合深度神经网络中，即得到新的未知时刻流场信息；如此循环，进行非定常流场持续预测。
2.根据权利要求1所述的一种基于混合深度神经网络的非定常流场预测方法，其特征在于：在步骤1-2)中，所述流场信息预处理过程具体操作步骤为：首先截取数值模拟计算的完整流场的流场信息中物体周围流场变化明显范围内的流场信息，然后将该流场信息的数据采用插值方法拟合至网格点均匀分布的网格上。
3.根据权利要求1所述的一种基于混合深度神经网络的非定常流场预测方法，其特征在于：步骤1-3)中，训练集占比百分之九十五，测试集占比百分之五。
CN201910506931.1A 2019-06-12 2019-06-12 一种基于混合深度神经网络的非定常流场预测方法 Active CN110222828B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910506931.1A CN110222828B (zh) 2019-06-12 2019-06-12 一种基于混合深度神经网络的非定常流场预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910506931.1A CN110222828B (zh) 2019-06-12 2019-06-12 一种基于混合深度神经网络的非定常流场预测方法

Publications (2)

Publication Number Publication Date
CN110222828A CN110222828A (zh) 2019-09-10
CN110222828B true CN110222828B (zh) 2021-01-15

Family

ID=67816639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910506931.1A Active CN110222828B (zh) 2019-06-12 2019-06-12 一种基于混合深度神经网络的非定常流场预测方法

Country Status (1)

Country Link
CN (1) CN110222828B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814246B (zh) * 2020-06-11 2022-09-27 中国空气动力研究与发展中心计算空气动力研究所 一种基于生成对抗网络的翼型反设计方法
CN112784508A (zh) * 2021-02-12 2021-05-11 西北工业大学 一种基于深度学习的翼型流场快速预测方法
CN112949151B (zh) * 2021-02-19 2022-09-27 北京航空航天大学 基于数据驱动的流固耦合预测方法
CN113808248B (zh) * 2021-03-10 2022-07-29 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
CN113688578B (zh) * 2021-07-13 2023-05-23 中国空气动力研究与发展中心计算空气动力研究所 一种基于多变量融合的流场关键时间步提取与重构方法
CN113392961B (zh) * 2021-08-17 2021-11-09 中国海洋大学 中尺度涡轨迹平稳序列提取与循环神经网络预测方法
CN113822000B (zh) * 2021-10-12 2023-10-13 中山大学 基于边缘计算的流场实时预测***及其方法
CN114880897A (zh) * 2022-04-22 2022-08-09 南京航空航天大学 一种基于机器学习的非定常流场网格自适应分析方法
CN115455838B (zh) * 2022-09-26 2023-09-01 大连海事大学 一种面向时程数据的高空间分辨率流场重构方法
CN117610453A (zh) * 2023-11-24 2024-02-27 四川大学 一种非结构网格的不可压非定常流动预测方法
CN117864337B (zh) * 2023-12-18 2024-06-07 中国船舶集团有限公司第七一九研究所 一种水下水动力实时预测方法及可变倾角微沟槽减阻结构

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609460A (zh) * 2017-05-24 2018-01-19 南京邮电大学 一种融合时空双重网络流和attention机制的人体行为识别方法
CN108427989A (zh) * 2018-06-12 2018-08-21 中国人民解放军国防科技大学 一种用于雷达回波外推的深度时空预测神经网络训练方法
CN108763718A (zh) * 2018-05-23 2018-11-06 西安交通大学 绕流物体和工况改变时流场特征量的快速预测方法
CN109001736A (zh) * 2018-06-12 2018-12-14 中国人民解放军国防科技大学 一种基于深度时空预测神经网络的雷达回波外推方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170294091A1 (en) * 2016-04-06 2017-10-12 Nec Laboratories America, Inc. Video-based action recognition security system
US10367841B2 (en) * 2016-12-16 2019-07-30 Patternex, Inc. Method and system for learning representations for log data in cybersecurity
US11275989B2 (en) * 2017-05-22 2022-03-15 Sap Se Predicting wildfires on the basis of biophysical indicators and spatiotemporal properties using a long short term memory network
CN107748942B (zh) * 2017-11-24 2018-12-11 清华大学 基于速度场感知网络的雷达回波外推预测方法和***
CN108508505B (zh) * 2018-02-05 2020-12-15 南京云思创智信息科技有限公司 基于多尺度卷积神经网络的强降雨及雷暴预报方法和***
CN108921039A (zh) * 2018-06-07 2018-11-30 南京启德电子科技有限公司 基于多尺寸卷积核的深度卷积模型的森林火灾检测方法
CN109359519B (zh) * 2018-09-04 2021-12-07 杭州电子科技大学 一种基于深度学习的视频异常行为检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609460A (zh) * 2017-05-24 2018-01-19 南京邮电大学 一种融合时空双重网络流和attention机制的人体行为识别方法
CN108763718A (zh) * 2018-05-23 2018-11-06 西安交通大学 绕流物体和工况改变时流场特征量的快速预测方法
CN108427989A (zh) * 2018-06-12 2018-08-21 中国人民解放军国防科技大学 一种用于雷达回波外推的深度时空预测神经网络训练方法
CN109001736A (zh) * 2018-06-12 2018-12-14 中国人民解放军国防科技大学 一种基于深度时空预测神经网络的雷达回波外推方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Data-driven prediction of unsteady a circular cylinder using deep learning;Sangseung Lee 等;《arXiv》;20190611;1-42 *
基于深度学习的流场数据后处理方法的研究;姚叶;《中国优秀硕士学位论文全文数据库 信息科技辑》;20181115(第11期);I138-345 *
基于长短期记忆与卷积结合的深度学习模型及试应用;李新娟;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190515(第05期);I140-84 *

Also Published As

Publication number Publication date
CN110222828A (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN110222828B (zh) 一种基于混合深度神经网络的非定常流场预测方法
CN110070226B (zh) 基于卷积神经网络与元学习的光伏功率预测方法及***
CN109492099B (zh) 一种基于领域对抗自适应的跨领域文本情感分类方法
Ni et al. Sentiment Analysis based on GloVe and LSTM-GRU
CN113609596B (zh) 一种基于神经网络的飞行器气动特性预测方法
CN112084727A (zh) 一种基于神经网络的转捩预测方法
CN111143567B (zh) 一种基于改进神经网络的评论情感分析方法
CN110991690A (zh) 一种基于深度卷积神经网络的多时次风速预测方法
CN109063939A (zh) 一种基于邻域门长短期记忆网络的风速预测方法及***
CN110348059A (zh) 一种基于结构化网格的通道内流场重构方法
CN113627093A (zh) 一种基于改进Unet网络的水下机构跨尺度流场特征预测方法
CN114065662A (zh) 适用于网格拓扑可变的翼型流场快速预测方法
CN116484495A (zh) 一种基于试验设计的气动数据融合建模方法
CN113642255A (zh) 基于多尺度卷积循环神经网络的光伏发电功率预测方法
CN106295677A (zh) 一种联合拉斯正则项和特征自学习的水流图像分簇方法
CN117113054A (zh) 一种基于图神经网络和Transformer的多元时间序列预测方法
CN116305574A (zh) 一种基于神经网络模型的试验设计方法
CN111563297A (zh) 一种基于bp网络的超声速飞行器热环境计算方法
CN110782024A (zh) 基于卷积神经网络的光热电场太阳直接法向辐射预测方法
CN108520311B (zh) 结合sofm网与bp神经网络的雾霾预测模型建立方法及***
CN111444614B (zh) 一种基于图卷积的流场重构方法
CN113722951B (zh) 基于神经网络的散射体三维有限元网格优化方法
CN116108749A (zh) 一种基于深度学习的风力机流场预测方法
CN114881338A (zh) 基于最大互信息系数与深度学习的配电网线损预测方法
CN114510872A (zh) 基于自注意力机制dlstm的云服务器老化预测方法

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