[发明专利]基于深度卷积生成对抗网络的发动机喘振信号模拟方法

权利要求书

1.基于深度卷积生成式对抗网络的喘振信号生成方法，其特征是包括以下步骤：

1）通过逼喘试验采集不同喘振特征的真实发动机喘振信号数据；

2）对步骤1）所采集真实发动机喘振信号数据进行预处理，获得真实发动机喘振信号的训练集x；

3）搭建深度卷积生成对抗网络模型，根据输入的真实发动机喘振信号进行训练；

4）计算回归模型，得到无限接近于真实的航空发动机喘振信号。

2.根据权利要求1所述的基于深度卷积生成式对抗网络的喘振信号生成方法，其特征是所述步骤2）对真实发动机喘振信号数据进行“类图像化”处理，具体包括以下步骤：

步骤2-1，采用基于Mallat算法的多分辨率分析，对真实发动机喘振信号进行N层分解，N为小波分析层数；得到近似系数和细节系数，其中；

步骤2-2，根据近似系数和细节系数，对真实发动机喘振信号进行数据重构，获得含有真实发动机喘振信号时频信息的二维数组X，X的大小为（T，N+1），T为截取的喘振信号时间长度；

步骤2-3，根据步骤2-2得到的时频信息中的二维数组X，获得d组训练集；

步骤2-4，根据拟模拟喘振信号特征需求选择训练集，设置mini-batch=m，将训练集中划分为。

3.根据权利要求1所述的基于深度卷积生成式对抗网络的喘振信号生成方法，其特征是步骤3）所述搭建深度卷积生成对抗网络模型，采用CNN卷积神经网络构成，包括生成网络G和判别网络D两部分。

4.根据权利要求3所述的基于深度卷积生成式对抗网络的喘振信号生成方法，其特征所述生成网络G的结构为四个隐藏层，每个隐藏层都包括卷积—批标准化处理—LeakyRelu激活函数，最后一层进行flatten处理，并使用sigmoid函数进行输出。

5.根据权利要求3所述的基于深度卷积生成式对抗网络的喘振信号生成方法，其特征所述判别网络D的结构为四个隐藏层，每个隐藏层都包括反卷—批标准化处理—LeakyRelu激活函数，最后连接至tanh激活函数进行输出。

6.根据权利要求1所述的基于深度卷积生成式对抗网络的喘振信号生成方法，其特征是步骤3）所述根据输入的真实发动机喘振信号进行训练，包括以下步骤：

步骤3-1，随机获得1组2维噪声信号z，其分布为，将噪声数据集中划分为，作为生成网络G的输入信号，输出模拟喘振信号；

步骤3-2，将步骤3-1得到的与真实发动机喘振信号的训练集x，混合输入判别网络D作为训练样本，训练过程中生成网络G和判别网络D相互对抗，交替迭代优化，其优化目标函数为：

式中，E表示分布函数的期望值；D(G(z))表示判别网络D对标注的模拟准确率，0≤D(G(z))≤1；

步骤3-3，通过Adam梯度下降算法对参数进行更新，减少对应的损失、，具体计算公式分别为：

式中，m为划分的mini-batch层数，分别表示第j个batch的训练集和噪声，表示生成网络G根据噪声模拟生成的数组，表示判别网络D对标注的模拟准确率；

步骤3-4，进行多次循环对抗训练，达到纳什平衡时，获得最终的生成网络G和判别网络D并固定模型参数。

7.根据权利要求6所述的基于深度卷积生成式对抗网络的喘振信号生成方法，其特征是步骤3-1中低维噪声信号z从高斯分布中取样。

8.根据权利要求1所述的基于深度卷积生成式对抗网络的喘振信号生成方法，其特征是步骤4）所述计算回归模型，为综合输出的模拟喘振信号的时频特征数组，进行逆小波变换。