[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

说明书

本发明公开了一种基于流场压力时程的水下物体外形识别方法，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，获得所有标签与样本外形一一对应的信号集合；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并迭代收敛，将其参数迁移至第二深度学习网络模型并提取步骤1中所述的信号集合中特征，实现对所述的特征进行分类；步骤3、采集待识别外形的物体流场特征样本；步骤4、基于深度学习网络模型，计算对待识别样本的特征，完成物体识别。本发明采用流场压力作为外形识别的数据，是一种标量信号，其获取比速度等矢量信号更可靠；同时克服了主动声呐隐蔽性差的缺点，弥补了水中图像信号干扰大的缺陷。

技术领域

本发明涉及水下目标物体外形识别领域，尤其涉及一种基于流场压力时程的水下物体外形识别方法。

背景技术

目前对流体中目标识别主要通过光信号或声信号进行，光信号在水中穿透能力有限，导致难以采集远距离光信号；低频的声信号具有良好的传播性，由于水下噪声来源十分复杂，同时受水体和地表反射的干扰较大，难以直接根据信号进行目标识别，必须要进行复杂的信号处理工作。

传统机器学习方法研究水下目标识别时，将信号分离理论与机器学习方法相结合，采用频谱分析、小波变换、希尔伯特黄变换、高阶谱估计等数学方法进行人工特征提取，这些特征工程的分析过程主要依靠人为的知识与经验，弱化了方法的泛化能力，也限制了传统机器学习方法在水下识别领域的进一步发展。

目前，针对流场特征的深度学习方法研究少，也尚未利用流场特征进行目标识别。当流体流经浸入其中的固体表面时，会受到物体的干扰而产生流动分离等现象。而且不同形状的物体对流场的干扰特征是不同的，因此会在流场中形成特征不同的压力场，这种压力场可以看作不同形状物体在流体中形成的特殊“指纹”，同时压力场是一种标量场，其测量手段及应用范围要比速度等矢量更加方便与可靠，因而可根据压力场进行物体外形的识别。然而，随着流场雷诺数变化，流动控制方程的非线性特征导致压力场的特征与状态高度复杂，难以通过传统数学方法进行推导描述，更难以实现特征提取与识别。

发明内容

本发明提供一种基于流场压力时程的水下物体外形识别方法，以克服以上问题。

本发明包括以下步骤：

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，在所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、采集待识别外形的物体流场特征样本；

步骤4、基于深度学习网络模型，计算对待识别样本的特征，完成物体识别。

进一步地，步骤1包括：

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，获取所述目标外形的压力时程数据；

步骤1d、移动传感器位置，重复步骤c，获取更多位置处的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，所述标签由人为定义给出；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。

进一步地，步骤2包括：