[发明专利]一种基于流场压力时程的水下物体外形识别方法

权利要求书

1.一种基于流场压力时程的水下物体外形识别方法，其特征在于，包括：

步骤1、采用压力传感器测量已知外形目标体的尾流压强时程样本，获得有标签的所有样本外形的流场压力时程信号集合；

步骤1a、根据应用场景，确定识别外形的包含范围，确定范围内的外形集合J，所述包含范围根据经验设定；

步骤1b、采用风洞试验方法、水洞试验方法、数值模拟方法任选其一，获得绕流流场的压力时程数据；

步骤1c、外形集合J中选取一个目标外形，在所述目标外形的尾流区域采用压力传感器，获取该目标外形的压力时程数据；

步骤1d、移动压力传感器位置，重复步骤c，获取压力传感器位于不同角度时，目标外形的压力时程数据，得到所述目标外形的流场样本集；

步骤1e、重复步骤c-d，获取集合中所有目标外形的样本集，获得集合中的所有样本外形的流场压力时程信号集合，指定各集合的标签类型，所述标签类型根据经验进行设定；获得所有标签与样本外形一一对应的流场压力时程信号集合；

步骤2、将步骤1中的信号集合输入第一深度学习网络模型，所述第一深度学习网络模型迭代收敛后，将第一深度学习网络模型的参数迁移至第二深度学习网络模型；

通过第二深度学习网络模型，提取步骤1中所述的流场压力时程信号集合中时程信号的特征，并对所述时程信号的特征进行分类；

步骤3、通过压力传感器，采集待识别外形的物体流场特征样本；

步骤4、通过第二深度学习网络模型，计算待识别样本的时程信号特征，完成物体识别。

2.根据权利要求1所述的一种基于流场压力时程的水下物体外形识别方法，其特征在于，所述步骤2包括：

步骤2a、构建基于全卷积计算的第一深度学习网络模型；

步骤2b、将流场压力信号集合作为输入样本传递给第一深度学习神经网络模型中，进行所述模型拟合和训练；

步骤2c、使用损失函数，通过正向迭代和反向迭代，使得第一深度学习网络模型收敛，获得新的深度学习网络模型，即第二深度学习网络模型；所述损失函数为：

L＝∑|O-G| (1)

其中，O为模型计算预测的目标外形标签，G为真实的外形标签；

步骤2e、通过第二深度学习网络模型，提取步骤1中所述的流场压力时程信号集合中时程信号的特征，并对所述时程信号的特征进行分类。

3.根据权利要求1所述的一种基于流场压力时程的水下物体外形识别方法，其特征在于，所述步骤3包括：

步骤3a、采用风洞试验方法、水洞试验方法、数值模拟方法中的任意一种，进行流场模拟；

步骤3b、对待识别目标外形的尾流区域，采用流场压力传感器获取待识别目标的压力时程。

4.根据权利要求1所述的一种基于流场压力时程的水下物体外形识别方法，其特征在于，所述步骤4包括：

步骤4a、将步骤3中采集的样本时程作为FCN深度学习神经网络中的输入数据，采用FCN深度学习神经网络中的模型进行计算；

步骤4b、根据计算输出的结果向量，判定所述结果向量与集合中标签的相似程度，选择相似程度最高的标签，输出识别结果为所述标签的样本外形，完成目标外形的识别；若没有找到相似的标签，则发出报警，停止识别。