CN111832224A - 大规模超声速进气道流动状态的识别方法 - Google Patents
大规模超声速进气道流动状态的识别方法 Download PDFInfo
- Publication number
- CN111832224A CN111832224A CN202010629275.7A CN202010629275A CN111832224A CN 111832224 A CN111832224 A CN 111832224A CN 202010629275 A CN202010629275 A CN 202010629275A CN 111832224 A CN111832224 A CN 111832224A
- Authority
- CN
- China
- Prior art keywords
- samples
- air inlet
- class
- sample
- training
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000012360 testing method Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 239000000523 sample Substances 0.000 claims description 60
- 239000013598 vector Substances 0.000 claims description 12
- 239000013074 reference sample Substances 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 6
- 238000009825 accumulation Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000005304 optical glass Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种大规模超声速进气道流动状态的识别方法,该方法是一种F‑KNN和I‑DAGSVM相结合的混合算法,用于解决大规模超声速进气道的流动状态识别问题。该混合算法首先利用F‑KNN快速找到每个测试样本的k个精确的近邻样本,然后再基于这些近邻样本,利用I‑DAGSVM训练局部分类器去进行判别,因而结合了F‑KNN的高效搜寻速度和I‑DAGSVM优秀的分类性能,同时也克服了F‑KNN算法在面对属于不同类别的近邻样本数目相等时误分的情况以及I‑DAGSVM算法在处理大数据时其训练过程非常耗时的缺点,从而保证了能够在合理的运行时间内得到优秀的分类结果。
Description
技术领域
本发明涉及超声速进气道流动状态识别技术领域,具体涉及一种大规模超声速进气道流动状态的识别方法。
背景技术
超声速进气道作为吸气式超声速推进***的关键部件之一,其流动状态对整个***的性能有着直接影响。例如,进气道喘振是一种极其不稳定的流动状态,通常伴随着剧烈的、周期性的激波振荡,使得整个***的推力特性会严重恶化,且时刻面临着熄火的风险。不仅如此,随激波振荡产生的周期性热力载荷也会使整个***的可操控性急剧变差,甚至还可能直接导致整体结构的破坏,对飞行器与人员的安全构成威胁。从保护控制的角度来说,由于在不同的流动状态下,超声速进气道的流动特点不同,因而采取的控制措施也不同,从而确保在发生各种流动状态下都能够正常工作。因此,流动状态的识别问题对于超声速进气道而言非常重要。
目前,对于进气道流动状态的识别方法主要包括基于高速纹影摄像的方法和数据驱动的方法。基于高速纹影摄像的方法直观、可靠,但需要复杂的光路***,仅在地面试验中可行,在实际飞行中显然不现实。数据驱动的方法是利用CFD仿真技术或者试验,采集不同条件、不同流动状态下的样本,然后引入机器学习等技术对这些样本进行训练,并利用训练好的模型判别待分类样本所属的流动状态。该方法不需要复杂的光路***,既适用于地面试验,也适用于实际飞行中,并且可以利用地面试验或实际飞行中不断产生的新数据修正已有的模型,充分挖掘历史数据和实时数据中的有效信息,在提高数据利用率的同时,使得模型对于外界条件的适应性较强。本发明采用数据驱动的方法来解决超声速进气道中存在的流动状态识别问题。
目前,对于数据驱动方法的研究主要是基于CFD稳态仿真数据,并且通常只包含几百个样本,而实际测量装置通常采集的是大量的动态试验数据。因此,在以往的研究过程中会忽略一些实际试验中的动态特性以及噪声、干扰等因素的影响。另一方面,在以往的试验中已经累积了大量的动态数据,如果能充分利用这些数据,那么将会挖掘出有效的信息,甚至可以用来指导相关试验。然而,以往使用的SVM及其变体方法由于其非常耗时的训练过程,并不适合处理大量数据。
发明内容
本发明的目的是提供一种高效的混合算法,直接基于大量动态试验数据来解决进气道流动状态的识别问题。该算法在处理大数据时,不仅具有优秀的分类性能,而且具有合理的运行时间。
为实现上述目的,本发明采用如下技术方案:
本发明提出一种用于大规模超声速进气道流动状态识别的混合算法。该算法首先利用快速K近邻(Fast K-Nearest-Neighbors,简称F-KNN)筛选出与测试样本相关的训练样本,然后再利用改进的有向无环图支持向量机(Improved Directed-Acyclic-GraphSupport-Vector-Machine,简称I-DAGSVM)训练一个局部分类器,进而去判别测试样本所属的流动状态。
首先,简要介绍一下K近邻(K-Nearest-Neighbors,简称KNN)和有向无环图支持向量机(Directed-Acyclic-Graph Support-Vector-Machine,简称DAGSVM)存在的缺点,然后分别针对这两种方法的缺点进行改进,形成F-KNN和I-DAGSVM,最后将改进后的两种方法进行融合,形成本发明提出的混合算法。
KNN在处理大数据时,一方面对于每个测试样本,都需要计算其与所有训练样本的距离,并且需要对所有训练样本按照距离大小进行排序,因此耗时较长,搜索效率较为低下;另一方面,在基于k个近邻样本进行分类时,若属于不同类别的样本数目相等时,KNN无法进一步判别,容易导致误分的情况发生。因此,针对KNN处理大数据时效率低下的问题,本发明引入一种高效的索引策略,使得只需要计算每个测试样本与少部分训练样本的距离,并且不需要进行排序,因此节省了大量时间,提高了搜索效率。针对KNN的误分情况,本发明选择将其与DAGSVM结合使用,并对DAGSVM的结构进行了优化。
DAGSVM可以很好地解决KNN的误分情况,因为其采用一种树形结构,在从上到下进行判别时,每次都剔除一个类别标签,最终可以产生确定性的分类结果。然而,若将区分能力较弱的SVM放在树形结构的上部,导致一开始就会有很大概率错分,从而增加了误差的累积。另一方面,DAGSVM在基于大数据进行训练时,由于其采用动态规划的思想,因此非常耗时。针对DAGSVM的树形结构不合理导致错分的情况,本发明采用一个衡量类间可分性的指标对其结构进行优化,将区分能力较强的SVM放在树形结构的上部,从而减小了误差的累积。针对DAGSVM训练大数据时非常耗时的缺点,本发明将其与KNN进行结合,在找到的近邻样本的基础上训练布局分类器,从而极大地缩短了训练时间,并且DAGSVM在处理少量数据时通常比其它算法具有更高的分类能力。
综上,本发明提出的混合算法主要包括如下两个步骤:
步骤1中,采用F-KNN快速找到每个测试样本的k个精确的近邻样本。F-KNN基于一种高效的索引策略,能够快速找到每个测试样本精确的近邻样本,从而保证了在不损失精度的前提下能够极大地提高算法的搜索效率。具体过程如下:
首先随机确定一个基准样本R,并根据各个训练样本与R的距离建立一个有序队列和一张索引表。索引表中记录的是有序队列中第个样本在有序队列中的位置和对应训练样本到R的距离。在给定一个测试样本x后,先计算x与R的距离d,然后利用二分法在索引表中确定与R的距离最接近d的训练样本q的范围。接着,在此小范围内找到q,并以q为中心在有序队列中取出k个训练样本作为x的初始近邻样本。通过不断搜索q前后满足条件的训练样本并替换初始的近邻样本,最终可以得到x的k个精确的近邻样本。
值得说明的是,如果训练样本s是x的一个近邻样本,那么下面的不等式将成立:
|dxR-dsR|≤(dk)max (1)
其中,dxR和dsR分别是x和s与R之间的距离,(dk)max是个k近邻中距x最远的距离。
下面给出式(1)的证明:
如果s是x的一个近邻样本,显然有:
dsx≤(dk)max (2)
下面分成三种情况进行讨论:
(i)当0≤dxR≤dsR且0≤dsx≤dsR时,
(a)如果x、s和R在同一条直线上,则dsx+dxR=dsR;
(b)如果x、s和R不在同一条直线上,则dsR<dsx+dxR;
(ii)当0≤dsR≤dxR且0≤dsx≤dxR时,
(a)如果x、s和R在同一条直线上,则dsx+dsR=dxR;
(b)如果x、s和R不在同一条直线上,则dxR<dsx+dsR;
(iii)当0≤dsR≤dsx且0≤dxR≤dsx时,|dxR-dsR|≤(dk)max显然成立。
F-KNN算法的整个流程可归结为算法1。
步骤2中,基于步骤1找到的k个近邻样本,训练一个局部的DAGSVM分类器。采用一个同时考虑类中心距离和类样本分布的综合指标来衡量两类的可分性,并将可分性较大的两个类别对应的SVM放在DAGSVM树形结构的上部,从而减小了误差的累积,提高了分类结果的可靠性。具体过程如下:
类似地,可以计算出第j类的平均向量和半径。那么,第i类和第j类之间的距离Dij可以由两个类的平均向量间的距离减去各自的半径得到:
Dij=||mi-mj||2-ri-rj (5)
平均向量代表着类的中心,而半径代表着类中样本的分布情况,半径越小代表着样本分布越密集。因此,类中心间的距离越大,半径越小,则代表着两个类越容易区分。I-DAGSVM算法的整个流程可归结为算法2。
有益效果:1、F-KNN借助一种高效的索引策略,可以快速找到每个测试样本精确的近邻样本。因此,相对于KNN,F-KNN的分类精度保持不变,但是搜寻速度会极大地提升;
2、I-DAGSVM基于一个类间可分性的综合衡量指标,依次利用区分能力较大的SVM进行判别,从而减小了误差的累积,提高了分类结果的可靠性。因此,相对于DAGSVM,I-DAGSVM的分类精度有所提升;
3、本发明提出一种F-KNN和I-DAGSVM相结合的混合算法,用于解决大规模超声速进气道的流动状态识别问题。该混合算法首先利用F-KNN快速找到每个测试样本的k个精确的近邻样本,然后再基于这些近邻样本,利用I-DAGSVM训练局部分类器去进行判别,因而结合了F-KNN的高效搜寻速度和I-DAGSVM优秀的分类性能,同时也克服了F-KNN算法在面对属于不同类别的近邻样本数目相等时误分的情况以及I-DAGSVM算法在处理大数据时其训练过程非常耗时的缺点,从而保证了能够在合理的运行时间内得到优秀的分类结果。
附图说明
图1为测试模型及其示意图;
图2为节流过程中的静压时间历程图;
图3为混合算法的实验结果图。
具体实施方式
为了更好地体现本发明的优越性,
在超声速进气道流动状态识别的案例中,首先采集某型外压式超声速进气道的样本数据,并进行相关的预处理。具体过程如下:将所有的样本划分成训练集和测试集,然后运用ReliefF算法选出对识别当前进气道所处的流动状态最有效的传感器位置,每个样本由选出的这些传感器信号组成。
接着,为每个待判定的测试样本x,快速找到其k个精确的近邻样本。具体过程如下:首先,随机确定一个基准样本R,并根据各个训练样本与R的距离建立一个有序队列和一张索引表。索引表中记录的是有序队列中第个训练样本在有序队列中的位置及其到R的距离。在给定一个测试样本x后,先计算x与R的距离d,然后利用二分法在索引表中确定与R的距离最接近d的训练样本q的范围。接着,在该范围内找到q,并以q为中心在有序队列中取出k个训练样本作为x的初始近邻样本。通过不断搜索q前后满足条件的训练样本并替换掉初始近邻样本,最终可以得到x的k个精确的近邻样本。
如果训练样本s是x的一个近邻样本,那么下面的不等式将成立:
|dxR-dsR|≤(dk)max (1)
其中,dxR和dsR分别是x和s与R之间的距离,(dk)max是k个近邻中距x最远的距离。上述快速寻找测试样本x的k个近邻的过程可总结为算法1。
基于测试样本x的k个近邻样本,训练一个局部的I-DAGSVM分类器,并用网格搜素方法优化其参数,进而判别x所属的类别。具体过程如下:
类似地,可以计算出第j类样本的平均向量和半径。那么,第i类和第j类之间的距离Dij可以由两个类的平均向量间的距离减去各自的半径得到:
Dij=||mi-mj||2-ri-rj (4)
平均向量代表着类的中心,而半径代表着类中样本的分布情况,半径越小代表着样本分布越密集。因此,类中心间的距离越大,半径越小,则代表着两个类越容易区分。
在判别x所属的流动状态时,依次利用最大的Dij对应的二分类SVM进行判别,最终得到x的流动状态。上述建立局部I-DAGSVM的过程可总结为算法2。
综上,本发明首先利用F-KNN为每个测试样本找到k个近邻样本,然后基于这些近邻样本,建立一个局部的I-DAGSVM去判别测试样本所属的类别。
所有实验都在配置为IntelR CoreTM、i7-7700HQ CPU、2.80GHz主频、8G内存、Windows10***和MATLAB2018b版本的笔记本电脑上执行。
本发明的研究对象是一类二元外压式超声速进气道,如图1所示。该进气道的唇罩前缘经过钝化处理,防止唇罩内侧形成大面积的流动分离。上方压缩面采用部分等熵设计,由一级斜楔和一级等熵面构成。口部下游为一段单侧扩张通道,其后还接有一段高度等直流道。在进气道流道两侧均嵌有光学玻璃用于内流场观察,其可视窗口范围可覆盖内流道的核心区域。为了模拟实际工作中的下游节流效应,在进气道出口处设置了一个楔形节流锥,其前缘位于通道出口的中心高度处。在步进电机的推动下,该节流锥可沿轴向平移,以此在进气道出口处建立可控的堵塞度。为了获取节流过程中进气道流场的动态压力信息,在流道上、下内表面的中心线上共设置了31个动态压力测点。依据位置的不同,将上述传感器分别编号为C01~C17和R01~R14。
图2给出了C01和R01这两个传感器在节流过程中的静压时间历程。在喘振发生以前,进气道处于稳定流动状态。随着堵塞度的升高,进气道先后经历了小喘、混合喘振以及大喘三种不同的流动状态。
根据以上四种流动状态,可将原始试验数据划分成四个类别的样本。若进气道处于稳定状态,则记相应的标签为1;若进气道处于小喘状态,则记相应的标签为2;若进气道处于混合喘状态,则记相应的标签为3;若进气道处于大喘状态,则记相应的标签为4。实际中,由于重量和结构等方面的限制,进气道上不适合安装过多的传感器。因此,首先利用ReliefF算法确定出最佳的传感器位置,分别是R01、R02、R03、C01和C14。经过这样的处理,每个样本由这5个传感器的信号组成,然后按照常用的7:3的比例,将所有采集得到的348621个样本划分成训练集(244035个样本)和测试集(104586个样本)。
下面将分别展示F-KNN、I-DAGSVM和混合算法的有效性。
(1)F-KNN
为了显示F-KNN算法在不同大小的训练集中的有效性,训练集的大小分别取为30000、40000、50000和244035,测试集保持不变。k的取值范围是[1,10]。结果如表1所示。
由表中数据可以看出,在每种情况下,F-KNN与KNN的精度保持一样,但是其运行时间要远小于KNN。精度保持一样的原因是F-KNN为每个测试样本找到的k个近邻样本与KNN是一样的。然而,KNN需要计算每个测试样本与所有训练样本之间的距离,并且需要按照距离对所有训练样本进行排序,这在数据量特别大时非常耗时。而F-KNN由于首先缩小了近邻样本的查找范围,因此只需要计算测试样本和少量训练样本之间的距离。同时,F-KNN省去了为给所有训练样本排序的步骤。因此,F-KNN的运行时间要远小于KNN。
(2)I-DAGSVM
为了显示I-DAGSVM算法在不同大小的训练集中优秀的分类性能,训练集的大小分别取为30000、40000和50000(此时对于244035个样本的训练非常耗时,故没有计算)。利用网格搜索方法选择最佳的SVM参数,参数范围设为[2-2,210]。DAGSVM与I-DAGSVM的训练过程相同,唯一的不同在于当判别测试样本的类别时,用一个衡量类间可分性的指标对I-DAGSVM的结构进行了优化,从而减少了误差的累积,使得分类结果的可靠性有所提高。结果如表2所示。
从表2可以看出,在相同的参数下,I-DAGSVM的精度比DAGSVM的精度要高,这也显示了对DAGSVM的结构进行优化的有效性。但是,两者的训练时间非常长。结合表1可以看出,在每种情况下,DAGSVM和I-DAGSVM的精度比F-KNN最好的精度要高,但是它们的运行时间要比F-KNN长得多。
事实上,当数据量非常大时,即使用像序列最小优化算法(SMO)等这样快速的训练方法,对于SVM的训练都是比较耗时的,因为SMO的时间复杂度大约是o(n2),运算次数与样本数量的平方大致成正比。另一方面,当数据量和类别数目都比较小时,SVM的分类性能通常要好于其它算法。因此,为了克服SVM处理大数据时训练非常耗时的缺点,同时利用其优秀的分类性能,我们将其与F-KNN进行了结合使用。
(3)混合算法
本发明提出的混合算法首先利用F-KNN找到与测试样本相关的训练样本,然后再利用I-DAGSVM训练出一个局部分类器进行判别。结果如表3和图3所示。
可以看出,在每种情况下,混合算法的精度要比F-KNN高,而且结合表2可知,混合算法的运行时间要比I-DAGSVM少得多。因此,该混合算法既结合了F-KNN的高效搜寻速度和I-DAGSVM优秀的分类性能,同时也克服了F-KNN在面对属于不同类别的近邻样本数目相等时误分的情况以及I-DAGSVM在处理大数据时其训练过程非常耗时的缺点,从而保证了该混合算法能够在合理的运行时间内得到优秀的分类结果。
表1 KNN与F-KNN之间的对比结果
(I)训练样本数目=30000
(II)训练样本数目=40000
(III)训练样本数目=50000
(IV)训练样本数目=244035
表2 I-DAGSVM与DAGSVM之间的对比
表3混合算法的实验结果
(I)训练样本数目=30000
(II)训练样本数目=40000
(III)训练样本数目=50000
(IV)训练样本数目=244035
需要说明的是上述实施例仅仅是本发明的较佳实施例,并没有用来限定本发明的保护范围,在上述基础上做出的等同替换或者替代均属于本发明的保护范围。
Claims (5)
1.一种大规模超声速进气道流动状态的识别方法,其特征在于,包括如下步骤:
步骤1:采集超声速进气道在额定状态下的节流过程中进气道壁面各压力测点的动态压力时间历程信号;
步骤2:以所采集信号为样本,所采集信号对应的进气道流动状态类别为样本标签,建立样本集,将样本集划分成训练集和测试集;
步骤3:采用F-KNN算法在训练集中找到每个测试样本x的k个近邻样本;
步骤4:对k个近邻样本的两两类别间构建DAGSVM,并计算类别之间的可分性,按照类别之间可分性从大到小的顺序,从上到下构建将各个DAGSVM组织成树形结构;
步骤5:在判定测试样本时,依次将其输入给所述树形结构中的子分类器,每次判定后,剔除概率较小的类别,直至只剩下一个类别,则判定测试样本就属于剩下的这个类别。
2.根据权利要求1所述的一种大规模超声速进气道流动状态的识别方法,其特征在于,步骤1中,采用ReliefF算法选出对识别当前进气道所处的流动状态最有效的传感器位置,样本由选出的传感器信号组成。
4.根据权利要求1所述的一种大规模超声速进气道流动状态的识别方法,其特征在于,步骤4中类别之间的可分性由两类样本的类中心间的距离表示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010629275.7A CN111832224A (zh) | 2020-07-01 | 2020-07-01 | 大规模超声速进气道流动状态的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010629275.7A CN111832224A (zh) | 2020-07-01 | 2020-07-01 | 大规模超声速进气道流动状态的识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111832224A true CN111832224A (zh) | 2020-10-27 |
Family
ID=72900203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010629275.7A Pending CN111832224A (zh) | 2020-07-01 | 2020-07-01 | 大规模超声速进气道流动状态的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111832224A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861419A (zh) * | 2020-12-30 | 2021-05-28 | 南京航空航天大学 | 一种超声速进气道流动状态的实时监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101295362A (zh) * | 2007-04-28 | 2008-10-29 | 中国科学院国家天文台 | 结合支持向量机以及近邻法的模式分类方法 |
CN106778796A (zh) * | 2016-10-20 | 2017-05-31 | 江苏大学 | 基于混合式协同训练的人体动作识别方法及*** |
-
2020
- 2020-07-01 CN CN202010629275.7A patent/CN111832224A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101295362A (zh) * | 2007-04-28 | 2008-10-29 | 中国科学院国家天文台 | 结合支持向量机以及近邻法的模式分类方法 |
CN106778796A (zh) * | 2016-10-20 | 2017-05-31 | 江苏大学 | 基于混合式协同训练的人体动作识别方法及*** |
Non-Patent Citations (2)
Title |
---|
曹庆: "《基于互信息与KNN的入侵检测技术研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 6, pages 16 - 28 * |
李智旭: "《基于小波与SVM-kNN的机器人地面分类研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》, vol. 9787568060981, no. 3, pages 56 - 65 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112861419A (zh) * | 2020-12-30 | 2021-05-28 | 南京航空航天大学 | 一种超声速进气道流动状态的实时监测方法 |
CN112861419B (zh) * | 2020-12-30 | 2024-07-23 | 南京航空航天大学 | 一种超声速进气道流动状态的实时监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378869B (zh) | 一种样本自动标注的钢轨扣件异常检测方法 | |
US11719543B2 (en) | Course guidance method for efficient sailing of ship | |
CN111444940A (zh) | 风机关键部位故障诊断方法 | |
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN105788273A (zh) | 基于低精度时空轨迹数据的城市交叉口自动识别的方法 | |
CN102254183B (zh) | 一种基于AdaBoost算法的人脸检测方法 | |
CN111311560A (zh) | 钢轨扣件状态的检测方法及装置 | |
CN110196962A (zh) | 一种基于核密度估计的飞机速度异常识别方法 | |
CN111582380A (zh) | 一种基于时空特征的船舶轨迹密度聚类方法及装置 | |
CN115964662A (zh) | 基于改进密度峰值聚类的复杂装备参数异常检测方法 | |
CN106274979A (zh) | 钢轨磨耗自动检测装置 | |
CN111160457A (zh) | 基于软一类极限学习机的涡轴发动机故障检测方法 | |
CN114580978A (zh) | 一种环评报告质量检查***及其方法 | |
CN111832224A (zh) | 大规模超声速进气道流动状态的识别方法 | |
CN114863136A (zh) | 一种基于对角线网络的无锚框目标检测方法及*** | |
CN112184679A (zh) | 一种基于YOLOv3的酒瓶瑕疵自动检测方法 | |
CN115019294A (zh) | 一种指针式仪表读数识别方法及*** | |
CN110826587B (zh) | 基于改进的加权一类支持向量机的涡轴发动机故障检测方法 | |
CN110826600B (zh) | 基于自适应共振网络在线增量学习的发动机喘振预测方法 | |
Corrêa et al. | Data-driven approach for labelling process plant event data | |
CN111767546A (zh) | 一种基于深度学习的输入结构推断方法和装置 | |
CN111737993A (zh) | 一种配电网设备的故障缺陷文本提取设备健康状态方法 | |
CN115329219A (zh) | 一种基于预测的复杂装备异常检测方法 | |
CN112508946A (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
Liu et al. | End-to-end high-speed railway dropper breakage and slack monitoring based on computer vision |
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 |