CN117851732A - 一种材质红外物性参数反演方法、装置、电子设备及存储介质 - Google Patents
一种材质红外物性参数反演方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117851732A CN117851732A CN202311724064.1A CN202311724064A CN117851732A CN 117851732 A CN117851732 A CN 117851732A CN 202311724064 A CN202311724064 A CN 202311724064A CN 117851732 A CN117851732 A CN 117851732A
- Authority
- CN
- China
- Prior art keywords
- equation
- probability distribution
- posterior probability
- parameter
- field control
- 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
- 239000000463 material Substances 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000000704 physical effect Effects 0.000 title claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 230000005855 radiation Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 239000013077 target material Substances 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005315 distribution function Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Radiation Pyrometers (AREA)
Abstract
本发明提供一种材质红外物性参数反演方法、装置、电子设备及存储介质。其中,方法包括:首先在温度场控制方程的热边界的建立条件基础上,通过对目标的温度分布进行温度场控制方程设立,之后对贝叶斯公式进行改进,设立以温度场控制方程为先验信息的后验概率分布方程,再通过微分进化算法对所述后验概率分布方程进行求解,找到能得到最大后验概率分布的似然参数,最后将该似然参数作为高置信度参数输入红外辐射模型中。本发明在已有模型的基础上,根据实际需求,将高置信度参数的获取归结为以温度场控制方程为主导的模型参数估计的反问题,最后结合交叉学科优势,从根本上解决敏感目标高置信度参数输入置信度不足的问题。
Description
技术领域
本发明属于参数反演技术领域,尤其涉及一种材质红外物性参数反演方法、装置、电子设备及存储介质。
背景技术
目前,针对特殊目标的数据获取主要通过实测或建模仿真手段,但实测数据一般较难获取,且难以获得目标全工况下的特性数据,采用仿真手段成为了普遍的实现方式,但由于任务的特殊性,对目标建模所需的输入参数一般很难得到,只能以参数反演的方式进行获取。
再者,非线性偏微分方程涉及热传导、波动理论、非线性力学等物理问题,包括抛物型、双曲型和椭圆型这三大类。其中,抛物型偏微分方程既是空间坐标的函数,也是时间的函数,可用于描述目标温度场的变化。针对非线性抛物型偏微分方程的数值研究,主要体现在正反两个方面,一个方面是非线性抛物型偏微分方程初边值问题的高精度数值求解,另一方面是非线性抛物型方程反演算法的研究。
而对于材质红外物性参数,参数取值的不同在目标红外特性上都有所反映,因此可通过实测数据对目标红外物性参数进行精确反演。对于这些参数反演问题的研究及解决,最终都可以归结为求解非线性偏微分方程的问题。
但是在现有的技术中却没有通过求解非线性偏微分方程来解决参数反演问题的先例,由此可见,关于非线性抛物型方程参数反演问题的研究,无论是在理论上还是实际应用中,都具有重要的研究意义和实用价值。
发明内容
为解决上述技术问题,本发明提出一种材质红外物性参数反演方法的技术方案,以解决上述技术问题。
本发明第一方面公开了一种材质红外物性参数反演方法,所述方法包括:
步骤S110、基于温度场控制方程的热边界的建立条件,通过对目标外部环境、内部热交换的温度分布进行方程设立,得到温度场控制方程;
步骤S120、基于贝叶斯公式,通过对模型参数对应的可信度进行表征,设立以所述温度场控制方程为先验信息的后验概率分布方程;
步骤S130、基于微分进化算法,通过对所述后验概率分布方程进行求解,找到能得到最大后验概率分布的似然参数,将所述似然参数作为高置信度参数输入红外辐射模型,完成对高置信度参数的反演。
根据本发明第一方面的材质红外物性参数反演方法,在所述温度场控制方程的热边界的建立条件包括:
基于能量守恒定律,当目标处于稳定态下时,所述目标的外部对流换热、内部导热、辐射换热、横向导热之和为零,所述目标处于稳态热平衡状态,所述温度场控制方程的热边界的建立条件达成。
根据本发明第一方面的材质红外物性参数反演方法,在对目标外部环境、内部热交换的温度分布进行方程设立,包括:
基于目标材料密度、比热容,通过对温度变量、时间变量的偏导数与温度变量梯度的散度的关系设立方程,得到温度场控制方程
其中,ρ为目标材料密度,cp为比热容,T为温度,t为时间,k为材料导热系数。
根据本发明第一方面的材质红外物性参数反演方法,在设立以所述温度场控制方程为先验信息的后验概率分布方程,包括:
基于所述温度场控制方程,通过对温度在空间中的扩散过程进行统计,得到所述先验信息;
基于所述先验信息,通过对样本信息进行收集,得到测量数据;
基于贝叶斯公式,通过对所述测量数据与预测值的差值进行计算,得到后验概率分布方程
其中,y=(y1,y2,…,yn)为预设未知参数集,n为预设未知参数的个数,ci为测量数据,ui(x,t|y)为对应于预设未知参数集的第i个预设未知参数的预测值。
根据本发明第一方面的材质红外物性参数反演方法,在对所述后验概率分布方程进行求解,包括:
基于微分进化算法,通过随机数函数随机生成预设数量候选解,得到计算所述后验概率分布方程的随机初始种群;
通过将所述随机初始种群带入所述后验概率分布方程中进行计算,得到初始函数值,并将所述初始函数值作为所述随机初始种群的初始适应度值;
基于种群多样性,通过预设循环迭代方式对所述随机初始种群进行变异、交叉、选择操作,得到临时种群;
通过将所述随临时种群带入所述后验概率分布方程中进行计算,得到临时种群适应度值。
根据本发明第一方面的材质红外物性参数反演方法,在对所述后验概率分布方程进行求解,包括:
基于微分进化算法,设立全局最优值的误差值,当所述初始种群适应度值、临时种群适应度值与所述误差值在预设误差范围内时,输出目标函数值;
当所述初始种群适应度值、临时种群适应度值与所述误差值不在预设误差范围内时,继续对所述临时种群进行循环迭代;
基于微分进化算法,设立循环迭代的预设迭代次数,当所述循环迭代的次数达到所述预设迭代次数时,输出目标函数值;
当所述循环迭代的次数未达到所述预设迭代次数时,继续对所述临时种群进行循环迭代。
根据本发明第一方面的材质红外物性参数反演方法,包括:
将所述目标函数值带入所述后验概率分布方程中,通过反向计算得出似然参数;
将所述似然参数作为高置信度参数输入红外辐射模型,完成对高置信度参数的反演。
本发明第二方面公开了一种材质红外物性参数反演装置,所述装置包括:
温度场控制方程建立模块,用于对目标外部环境、内部热交换的温度分布进行方程设立;
后验概率分布方程建立模块,用于对模型参数对应的可信度进行表征,设立以所述目标温度场控制方程为先验信息的后验概率分布方程;
方程求解模块,用于对所述后验概率分布方程进行求解,找到能得到最大后验概率分布的似然参数。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时,实现本公开第一方面中任一项的一种基于目标温度场控制方程的高置信度参数反演方法中的步骤。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,实现本公开第一方面中任一项的一种基于目标温度场控制方程的高置信度参数反演方法中的步骤。
可见,本发明提出的方案,首先在温度场控制方程的热边界的建立条件基础上,通过对目标的温度分布进行温度场控制方程设立,之后对贝叶斯公式进行改进,设立以温度场控制方程为先验信息的后验概率分布方程,再通过微分进化算法对所述后验概率分布方程进行求解,找到能得到最大后验概率分布的似然参数,最后将该似然参数作为高置信度参数输入红外辐射模型中。
综上,本发明提出的方案能够在已有模型的基础上,根据实际需求,将高置信度参数的获取归结为以温度场控制方程为主导的模型参数估计的反问题,最后结合传热学、流体力学、计算数学等交叉学科优势,从根本上解决敏感目标高置信度参数输入置信度不足的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的一种材质红外物性参数反演方法的流程图;
图2为根据本发明实施例的一种材质红外物性参数反演装置的结构图;
图3为根据本发明实施例的一种电子设备的结构图。
具体实施方式
为使本发明的目的、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,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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。
本发明第一方面公开了一种材质红外物性参数反演方法。图1为根据本发明实施例的一种材质红外物性参数反演方法的流程图,如图1所示,所述方法包括:
步骤S110、基于温度场控制方程的热边界的建立条件,通过对目标外部环境、内部热交换的温度分布进行方程设立,得到温度场控制方程;
步骤S120、基于贝叶斯公式,通过对模型参数对应的可信度进行表征,设立以所述温度场控制方程为先验信息的后验概率分布方程;
步骤S130、基于微分进化算法,通过对所述后验概率分布方程进行求解,找到能得到最大后验概率分布的似然参数,将所述似然参数作为高置信度参数输入红外辐射模型,完成对高置信度参数的反演。
下面,将对本发明第一方面公开的一种材质红外物性参数反演方法进行进一步的说明。
在本示例的实施例中,涉及的非合作目标红外建模关键参数的反演可以归结为给定c∈H2,求解满足方程Ay=c的解y∈H1(H1、H2为变量)。其中算子A一般为非线性积分或微分算子,具有所谓的不适定性,导致无法求解问题的准确解。因此在本示例中通过以目标温度场控制方程作为先验信息,再以贝叶斯公式计算得出能得到最大后验概率分布所对应的参数,也就是高置信度参数。
在步骤S110,基于温度场控制方程的热边界的建立条件,通过对目标外部环境、内部热交换的温度分布进行方程设立,得到温度场控制方程。
在本示例的实施例中,想要确定温度场控制方程,首先要建立温度场控制方程的热边界条件。而目标表面温度是由其内外热边界条件和船体材料的热物性决定,根据能量守恒定律可知:Qcv,i+Qin,i+Qrd,i+Qcd,i=0,其中Qcv,i为各面元的外部对流换热、Qin,i为内部导热、Qrd,i为辐射换热、Qcd,i为横向导热。因此,当目标处于稳定状态下时,可近似认为目标处于稳态热平衡状态,能够建立温度场控制方程的热边界条件。
在本示例的实施例中,当建立了温度场控制方程的热边界条件后,即可通过目标温度分布受外部环境及内部热交换的影响,以目标红外建模的温度场反演为出发点,建立温度场控制方程:其中,ρ为目标材料密度,cp为比热容,T为温度,t为时间,k为材料导热系数。该方程通过目标材料密度ρ、比热容cp、温度变量对时间变量的偏导数/>与材料导热系数乘以温度变量梯度的散度/>之间的关系,描述了温度在空间中的扩散过程。而该温度在空间中的扩散过程又可以作为贝叶斯公式中先期积累经验得到的先验信息。
在步骤S120,基于贝叶斯公式,通过对模型参数对应的可信度进行表征,设立以温度场控制方程为先验信息的后验概率分布方程。
贝叶斯公式(Bayes)主要思想是首先积累经验得到先验信息,再重新对样本进行信息收集,得到测量数据,并通过测量数据对已经掌握的先验信息进行修正,最终得到后验概率分布。而在本示例的实施例中,需要设计涵盖红外建模参数所有先验信息的后验概率分布,用于对这组红外建模参数所对应的目标红外特性数据的可信度进行表征。为此,在本示例中,通过对贝叶斯公式(Bayes)进行改进,设立一个未知参数的后验概率分布方程:其中,y=(y1,y2,…,yn)为未知参数集,n为未知参数的个数,ci为测量数据,ui(x,t|y)为对应于未知参数集的第i个未知参数的预测值。
具体地,通过该后验概率分布方程,计算测量数据与预测值之间差值[ci-ui(x,t|y)]2在方差为σ的正态分布,且测量误差服从独立同分布的均值为0。之后将所有变量相加后取负数并作为指数函数的指数。最后将得到的自变量乘以一个特征值,得到公式中的后验概率分布函数p(y|c)。
具体地,通过该后验概率分布方程,在已知实际测量数据c,在未知参数y的可能取值范围内,且实际测量数据c已知的情况下,求解使得后验概率分布函数p(y|c)达到最大值时对应的似然参数作为未知参数y的估计值。
在步骤S130,基于微分进化算法,通过对后验概率分布方程进行求解,找到能得到最大后验概率分布的似然参数,将该似然参数作为高置信度参数输入红外辐射模型,完成对高置信度参数的反演。
在本示例的实施例中,根据后验概率分布方程,要使后验概率分布函数p(y|c)达到最大,只需要求解的最小值。具体地,本实施例中采用微分进化算法对数值进行求解。
第一步,通过Rand函数随机生成随机初始种群,该随机初始种群由随机数量的候选解组成。
第二步,将随机初始种群中的候选解带入后验概率分布方程中进行计算,并将得到的初始目标函数值作为随机初始种群的适应度值,该适应度值可以作为后续循环迭代的迭代“方向”。
第三步,根据迭代“方向”对随机初始种群进行变异操作,变异操作后得到的中间个体为:Uj,H+1=Xr1,H+F(Xr2,H-Xr3,H)。其中,r1,r2,r3∈{1,2,,…,NP}且r1≠r2≠r3≠j,F∈[0,1]且为常数。
第四步,将第三步中得到中间个体Uj,H+1与目标个体Xj,H进行交叉操作得到候选个体其中i=1,2,…,NP,j=1,2,…,D。randb(i)∈[0,1]是一个均匀分布的随机数,rnbr(j)是[1,D]内的一个随机整数,通过randb(i)和rnbr(j)保证了候选个体vij,G+1至少可以从Uj,G+1中取得某一维变量,CR∈[0,1]。
第五步,将第四步中得到的候选个体vij,G+1与目标个体Xj,H进行比较,如果候选个体的适应度优于或者等于目标个体的适应度,则将目标个体替换为候选个体。如果候选个体的适应度不优于目标个体的适应度,则保持目标个体在种群中不变。再将新的临时种群带入后验概率分布方程中进行计算,得到临时种群的适应度值。
如此通过不断循环第三步、第四步、第五步完成了随机初始种群的迭代优化,保证了种群的多样性。
在本示例的实施例中,通过两方面来终止微分进化算法的演变,并得到后验概率分布函数的最大值。具体地,第一种方式是在全局最优值时,设立一个最优值的误差。当种群中的最佳个体的适应度与最优值的误差在一定的误差范围内时,停止算法,输出该目标函数值;当种群中的最佳个体的适应度与最优值的误差不在一定的误差范围内时,不停止种群的循环迭代。第二种方式是设立一个最大迭代次数,当循环迭代次数达到最大迭代次数时,停止算法,将迭代中的最佳适应度值作为目标函数值输出;当循环迭代次数未达到最大迭代次数时,不停止种群的循环迭代。
在本示例的实施例中,将目标函数值,即后验概率分布函数p(y|c)的最大值带入后验概率分布方程中,反向计算得出似然参数而该似然参数/>就是本示例中作为输入参数输入红外辐射模型的高置信度参数。
综上,本发明提出的方案能够在已有模型的基础上,根据实际需求,将高置信度参数的获取归结为以温度场控制方程为主导的模型参数估计的反问题,最后通过微分进化算法对设立的后验概率分布方程进行最优值求解,完成对高置信度参数的反演。
本发明第二方面公开了一种材质红外物性参数反演装置。图2为根据本发明实施例的一种材质红外物性参数反演装置的结构图;如图2所示,所述材质红外物性参数反演装置200包括:
温度场控制方程建立模块210,用于对目标外部环境、内部热交换的温度分布进行方程设立;
后验概率分布方程建立模块220,用于对模型参数对应的可信度进行表征,设立以温度场控制方程为先验信息的后验概率分布方程;
方程求解模块230,用于对后验概率分布方程进行求解,找到能得到最大后验概率分布的似然参数。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器,存储器存储有计算机程序,处理器执行计算机程序时,实现本发明公开第一方面中任一项的一种材质红外物性参数反演方法中的步骤。
图3为根据本发明实施例的一种电子设备的结构图,如图3所示,电子设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本公开的技术方案相关的部分的结构图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时,实现本发明公开第一方面中任一项的一种材质红外物性参数反演方法中的步骤。
请注意,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
以上是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种材质红外物性参数反演方法,其特征在于所述方法包括:
步骤S110、基于温度场控制方程的热边界的建立条件,通过对目标外部环境、内部热交换的温度分布进行方程设立,得到温度场控制方程;
步骤S120、基于贝叶斯公式,通过对模型参数对应的可信度进行表征,设立以所述温度场控制方程为先验信息的后验概率分布方程;
步骤S130、基于微分进化算法,通过对所述后验概率分布方程进行求解,找到能得到最大后验概率分布的似然参数,将所述似然参数作为高置信度参数输入红外辐射模型,完成对高置信度参数的反演。
2.根据权利要求1所述的材质红外物性参数反演方法,其特征在于,所述温度场控制方程的热边界的建立条件包括:
基于能量守恒定律,当目标处于稳定态下时,所述目标的外部对流换热、内部导热、辐射换热、横向导热之和为零,所述目标处于稳态热平衡状态,所述温度场控制方程的热边界的建立条件达成。
3.根据权利要求1所述的材质红外物性参数反演方法,其特征在于,对目标外部环境、内部热交换的温度分布进行方程设立,包括:
基于目标材料密度、比热容,通过对温度变量、时间变量的偏导数与温度变量梯度的散度的关系设立方程,得到温度场控制方程
其中,ρ为目标材料密度,cp为比热容,T为温度,t为时间,k为材料导热系数。
4.根据权利要求1所述的材质红外物性参数反演方法,其特征在于,设立以所述温度场控制方程为先验信息的后验概率分布方程,包括:
基于所述温度场控制方程,通过对温度在空间中的扩散过程进行统计,得到所述先验信息;
基于所述先验信息,通过对样本信息进行收集,得到测量数据;
基于贝叶斯公式,通过对所述测量数据与预测值的差值进行计算,得到后验概率分布方程
其中,y=(y1,y2,…,yn)为预设未知参数集,n为预设未知参数的个数,ci为测量数据,ui(x,t|y)为对应于预设未知参数集的第i个预设未知参数的预测值。
5.根据权利要求1所述的材质红外物性参数反演方法,其特征在于,对所述后验概率分布方程进行求解,包括:
基于微分进化算法,通过随机数函数随机生成预设数量候选解,得到计算所述后验概率分布方程的随机初始种群;
通过将所述随机初始种群带入所述后验概率分布方程中进行计算,得到初始函数值,并将所述初始函数值作为所述随机初始种群的初始适应度值;
基于种群多样性,通过预设循环迭代方式对所述随机初始种群进行变异、交叉、选择操作,得到临时种群;
通过将所述临时种群带入所述后验概率分布方程中进行计算,得到临时种群适应度值。
6.根据权利要求1所述的材质红外物性参数反演方法,其特征在于,对所述后验概率分布方程进行求解,包括:
基于微分进化算法,设立全局最优值的误差值,当所述初始种群适应度值、临时种群适应度值与所述误差值在预设误差范围内时,输出目标函数值;
当所述初始种群适应度值、临时种群适应度值与所述误差值不在预设误差范围内时,继续对所述临时种群进行循环迭代;
基于微分进化算法,设立循环迭代的预设迭代次数,当所述循环迭代的次数达到所述预设迭代次数时,输出目标函数值;
当所述循环迭代的次数未达到所述预设迭代次数时,继续对所述临时种群进行循环迭代。
7.根据权利要求6所述的材质红外物性参数反演方法,其特征在于,包括:
将所述目标函数值带入所述后验概率分布方程中,通过反向计算得出似然参数;
将所述似然参数作为高置信度参数输入红外辐射模型,完成对高置信度参数的反演。
8.一种材质红外物性参数反演装置,其特征在于,所述装置包括:
温度场控制方程建立模块,用于对目标外部环境、内部热交换的温度分布进行方程设立;
后验概率分布方程建立模块,用于对模型参数对应的可信度进行表征,设立以所述温度场控制方程为先验信息的后验概率分布方程;
方程求解模块,用于对所述后验概率分布方程进行求解,找到能得到最大后验概率分布的似然参数。
9.一种电子设备,其特征在于,所述电子设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时,实现权利要求1至7中任一项所述的一种材质红外物性参数反演方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1至7中任一项所述的一种材质红外物性参数反演方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311724064.1A CN117851732A (zh) | 2023-12-14 | 2023-12-14 | 一种材质红外物性参数反演方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311724064.1A CN117851732A (zh) | 2023-12-14 | 2023-12-14 | 一种材质红外物性参数反演方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117851732A true CN117851732A (zh) | 2024-04-09 |
Family
ID=90541077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311724064.1A Pending CN117851732A (zh) | 2023-12-14 | 2023-12-14 | 一种材质红外物性参数反演方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117851732A (zh) |
-
2023
- 2023-12-14 CN CN202311724064.1A patent/CN117851732A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Convergence and error estimation in free energy calculations using the weighted histogram analysis method | |
Majda et al. | Link between statistical equilibrium fidelity and forecasting skill for complex systems with model error | |
Bastek et al. | Physics-informed neural networks for shell structures | |
CN113177290B (zh) | 基于深度代理模型归一化的卫星组件温度场预测方法 | |
Zhang et al. | A general approach for solving three-dimensional transient nonlinear inverse heat conduction problems in irregular complex structures | |
Ma et al. | Research on slope reliability analysis using multi-kernel relevance vector machine and advanced first-order second-moment method | |
CN112698112A (zh) | 电磁频谱地图构建方法、装置、计算机设备和存储介质 | |
Abdelhamid et al. | Simultaneous reconstruction of the time-dependent Robin coefficient and heat flux in heat conduction problems | |
CN110990135A (zh) | 基于深度迁移学习的Spark作业时间预测方法和装置 | |
CN113255181A (zh) | 基于深度学习的传热学反问题识别方法及装置 | |
Peng et al. | Physics-informed graph convolutional neural network for modeling fluid flow and heat convection | |
Mondal et al. | Multi-fidelity prediction of spatiotemporal fluid flow | |
CN117851732A (zh) | 一种材质红外物性参数反演方法、装置、电子设备及存储介质 | |
Li et al. | Importance analysis for model with mixed uncertainties | |
Golbahar Haghighi et al. | Inverse transient heat conduction problems of a multilayered functionally graded cylinder | |
CN113158589A (zh) | 一种电池管理***的仿真模型校准方法以及装置 | |
Onyango et al. | Restoring boundary conditions in heat conduction | |
Noor et al. | SparseNCA: sparse network component analysis for recovering transcription factor activities with incomplete prior information | |
Yu et al. | Defect identification in heat transfer problems using boundary data | |
CN117634278A (zh) | 设计优化方法和设计优化装置 | |
Shah | Surrogate modeling for spatially distributed fuel cell models with applications to uncertainty quantification | |
CN112182739A (zh) | 一种飞行器结构非概率可信可靠性拓扑优化设计方法 | |
Zhu et al. | A likelihood for correlated extreme series | |
Quarteroni et al. | Reduced basis approximation for parametrized partial differential equations | |
Reddy et al. | Efficient numerical solution of boundary identification problems: MFS with adaptive stochastic optimization |
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 |