[发明专利]一种基于高阶网络的流场表示方法、系统及介质

权利要求书

1.一种基于高阶网络的流场表示方法，其特征在于，包括以下步骤：

基于局部流场中连接数据块中粒子的高阶依赖关系和分布情况信息，构建分布矩阵；

对分布矩阵进行聚合处理，将分布矩阵中的粒子由高阶状态聚合到高阶节点上，得到聚合矩阵；

基于全局流场下聚合矩阵中粒子之间的转移关系，构建概率转移矩阵；

基于分布矩阵、聚合矩阵和概率转移矩阵，构建三层高阶网络模型；

对三层高阶网络模型进行优化处理，并基于优化后的模型生成流场表示结果。

2.根据权利要求1所述一种基于高阶网络的流场表示方法，其特征在于，所述基于局部流场中连接数据块中粒子的高阶依赖关系和分布情况信息，构建分布矩阵这一步骤，其具体包括：

基于粒子之间存在的高阶依赖关系获取粒子在局部流场中连接数据块之间的转移关系，得到第一转移关系；

基于第一转移关系估计数据连接块的粒子数，构建第一向量；

基于第一转移关系获取粒子从连接数据块到高阶状态的分布情况信息，得到第一分布信息；

基于第一分布信息估计高阶状态中的粒子数，构建第二向量；

通过矩阵乘法对第一向量和第二向量进行逆运算，得到逆运算值；

基于逆运算值，构建分布矩阵。

3.根据权利要求2所述一种基于高阶网络的流场表示方法，其特征在于，所述基于全局流场下聚合矩阵中粒子之间的转移关系，构建概率转移矩阵这一步骤，其具体包括：

基于全局流场下，获取粒子在高阶节点之间的转移信息并进行分类，得到有效转移和非有效转移；

判断到属于有效转移，计算两个相交节点在相邻两个时刻的粒子数量变化，得到粒子的第一转移概率；

判断到属于非有效转移，通过掩模矩阵转换为有效转移，计算粒子的转移概率，得到粒子的第二转移概率；

结合第一转移概率和第二转移概率，通过列向量对相邻两个高阶节点在相邻两个时刻的粒子变化数量进行估计，得到粒子转移概率；

基于粒子转移概率，构建概率转移矩阵。

4.根据权利要求3所述一种基于高阶网络的流场表示方法，其特征在于，所述三层高阶网络包括分布层、聚合层和转移层。

5.根据权利要求4所述一种基于高阶网络的流场表示方法，其特征在于，所述对三层高阶网络模型进行优化处理，并基于优化后的模型生成流场表示结果这一步骤，其具体包括：

基于损失函数估计三层高阶网络模型连接数据块上粒子分布的误差，得到误差分析值；

基于误差分析值对三层高阶网络模型进行优化处理，得到优化模型；

基于优化后的模型生成流场表示结果。

6.根据权利要求5所述一种基于高阶网络的流场表示方法，其特征在于，所述损失函数的公式表示如下：

上式中，L为误差分析值，t表示步数，i表示连接数据块，表示连接数据块中的粒子数，表示连接数据块中的估计粒子数，k和∈为常数。

7.根据权利要求5所述一种基于高阶网络的流场表示方法，其特征在于，所述基于误差分析值对三层高阶网络模型进行优化处理，得到优化模型这一步骤，其具体包括：

基于误差分析值，通过近似分配策略对分布矩阵进行初始化处理，得到分布矩阵的初始值；

基于误差分析值，通过层次聚类对聚合矩阵进行初始化处理，得到聚合矩阵的初始值；

基于聚合矩阵的初始值，通过梯度下降算法优化概率转移矩阵，得到优化后的概率转移矩阵；

基于优化后的概率转移矩阵，通过梯度下降算法更新聚合矩阵，得到更新的聚合矩阵；

基于优化后的概率转移矩阵和更新的聚合矩阵，得到优化模型。