[发明专利]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

权利要求书

1.一种基于改进Unet网络的水下机构跨尺度流场特征预测方法，其特征在于，包括以下步骤：

步骤1：将多个时刻水下航行器模型参数依次通过FLUENT软件进行仿真，得到每个时刻水下航行器模型参数对应的流场结果，将每个时刻水下航行器模型参数对应的流场结果使用流场后处理软件处理得到每个时刻水下航行器模型参数对应的流场结果云图，将每个时刻水下航行器模型参数对应的流场结果云图依次进行标准化处理、归一化处理得到每个时刻水下航行器模型参数对应的预处理后云图，将连续多个时刻水下航行器模型参数对应的预处理后云图划分为批次训练集样本数据集，并将每批次训练集样本数据集中最后一个训练集样本作为每批次训练集样本数据集对应的真实标签；

步骤2：构建改进的深度Unet网络模型，将每批次训练集样本数据集中前k个训练集样本依次输入至改进的深度Unet网络模型，进一步通过网络模型训练预测得到下一时刻的预测结果，并结合每批次训练集样本数据集对应的真实标签构建损失函数模型，进一步通过优化训练得到优化后改进的Unet网络模型；

步骤3：使用步骤2中得到的预测模型进行时序结果预测，输入待测试集中连续的k张时序流场结果，即可预测下一时刻流场图像。

2.根据权利要求1所述的基于改进的基于改进Unet网络的水下机构跨尺度流场特征预测方法，其特征在于，

步骤1所述每个时刻水下航行器模型参数对应的流场结果为：

Data_i

i∈[1,m]

其中，m表示水下航行器模型参数时刻的总数量，data_i表示第i个时刻水下航行器模型参数对应的流场结果；

步骤1所述将每个时刻水下航行器模型参数对应的流场结果使用流场后处理软件处理得到每个时刻水下航行器模型参数对应的流场结果云图，具体为：

Φ_i

i∈[1,m]

其中，Φ_i表示第i个时刻水下航行器模型参数对应的流场结果云图，m表示水下航行器模型参数的总数量；

步骤1所述每个时刻水下航行器模型参数对应的预处理后云图为：

Φ*_i

i∈[1,m]

其中，Φ*_i表示第i个时刻水下航行器模型参数对应的预处理后云图，m表示水下航行器模型参数的总数量；

步骤1所述将连续多个时刻水下航行器模型参数对应的预处理后云图划分为批次训练集,样本数据集为：

data_s＝(Φ*_{(s-1)*(k+1)+1}，Φ*_{(s-1)*(k+1)+2}…,Φ*_{(s-1)*(k+1)+1+k})

s∈[1,m/(k+1)]

其中，Φ*_{(s-1)*(k+1)+j}表示第s批次训练集样本数据集中第j个样本，即对应(s-1)*(k+1)+j个时刻水下航行器模型参数对应的预处理后云图，j∈[1,k+1],k+1表示每组训练集样本数据集中样本的数量；

步骤1所述将每组训练集样本数据集中最后一个训练集样本作为该组训练集样本数据集对应的真实标签为：

将Φ*_{(s-1)*(k+1)+1+k}作为第s批次训练集样本数据集即data_s的真实标签。

3.根据权利要求1所述的基于改进的基于改进Unet网络的水下机构跨尺度流场特征预测方法，其特征在于，

步骤2所述改进的深度Unet网络模型由图像编码模块、第一LSTM网络模块、第二LSTM网络模块、图像解码模块、特征增强模块依次级联组成

步骤2所述编码和解码模块参考unet对称结构进行设计，网络深度由unet结构的5层改进为7层，每层进行两次卷积运算，一次最大池化运算；除编码器最后一层选择全局最大池化外，其余每一层均进行两次3*3卷积运算和一次最大池化运算，所有层的激活函数均采用ReLU函数；

步骤2所述图像编码模块将步骤1网络模型训练数据集中每个样本进行特征提取，获得网络模型训练数据集中每个样本的多通道特征；

步骤2所述图像编码模块部分输入为k张时序流场结果图像：

data_s′＝(Φ*_{(s-1)*(k+1)+1}，Φ*_{(s-1)*(k+1)+2}…,Φ*_{(s-1)*(k+1)+k})

s∈[1,m/(k+1)]

Φ*_{(s-1)*(k+1)+j}表示第s批次训练集样本数据集中第j个样本，即对应(s-1)*(k+1)+j时间步水下航行器模型参数对应的预处理后云图，j∈[1,k],每组训练集样本数据集中样本的数量为k+1；

输出为序列特征向量：

vector_a＝(X_{(s-1)*(k+1)+1}，X_{(s-1)*(k+1)+2}…,X_{(s-1)*(k+1)+k})

s∈[1,m/(k+1)]

其中，X_{(s-1)*(k+1)+j}表示第(s-1)*(k+1)+j时间步水下航行器模型参数对应的流场结果图像的序列特征向量，j∈[1,k],每组训练集样本数据集中样本的数量为k+1；

将序列特征向量送入第一LSTM网络模块进行序列学习；

步骤2所述第一LSTM网络模块，输入为图像编码模块提取的序列特征向量：

vector_a＝(X_{(s-1)*(k+1)+1}，X_{(s-1)*(k+1)+2}…,X_{(s-1)*(k+1)+k})

s∈[1,m/(k+1)]

输出为预测结果的特征向量：

vector_s＝(Y_{(s-1)*(k+1)+2}，Y_{(s-1)*(k+1)+3}…,Y_{(s-1)*(k+1)+k+1})

j∈[j+1,j+k]；

其中，Y_{(s-1)*(k+1)+j}表示第(s-1)*(k+1)+j时间步水下航行器模型参数对应的流场结果图像的预测结果的序列特征向量，j∈[2,k+1]；

步骤2所述第二LSTM网络模块，输入为预测结果的特征向量

vector_s＝(Y_{(s-1)*(k+1)+2}，Y_{(s-1)*(k+1)+3}…,Y_{(s-1)*(k+1)+k+1})

j∈[j+1,j+k]；

输出为最后一个预测序列特征向量Y_{(s-1)*(k+1)+k+1}；

步骤2所述特征增强模块将图像编码模块的每层输出的特征通道与图像解码模块的对称层进行特征通道融合，以增强网络的表达能力；

步骤2所述图像解码模块接收了编码阶段对称层的特征通道，通过反卷积运算将预测的流场图像特征Y_{(s-1)*(k+1)+k+1}恢复为输入大小相同的图像

所述图像编码模块，作用为流场特征提取，同时将编码阶段对应维度参考Unet结构的进行通道拼接，以此增强网络的特征表达和学习能力；

步骤2所述构建损失函数模型为均方误差MSE：

其中，M为水下航行器模型参数的总数量，为第(s-1)*(k+1)+k+1时间步的预测结果，Φ_{(s-1)*(k+1)+k}为对应时刻的真实流场结果；

步骤2所述进一步通过优化训练得到优化后改进的深度Unet网络模型，具体为：

采用Adam算法进行优化训练，设置初始学习率和训练次数后进行网络优化更新。