流体特征提取方法、系统、计算机可读存储介质及设备技术方案

本发明专利技术提供一种流体特征提取方法、系统、计算机可读存储介质及设备，所述流体特征提取方法包括：获取数据样本；所述数据样本分为待训练数据样本和待测试数据样本；构建一数据训练模型；调用数据训练模型训练所述待训练数据样本，以生成适用于所述待训练数据样本的匹配数据训练模型；评估所述匹配数据训练模型；当所述匹配数据训练模型符合预设评估标准时，将所述测试数据样本输入至所述匹配数据训练模型，以通过所述匹配数据训练模型预测所述测试数据样本的属性特征。本发明专利技术相较于现有技术能够避免传统数值方法中繁琐冗杂的迭代运算，加快流体涡旋细丝特征提取的速度。

【技术实现步骤摘要】
流体特征提取方法、系统、计算机可读存储介质及设备
本专利技术属于流体模拟领域，涉及一种提取方法和系统，特别是涉及一种流体特征提取方法、系统、计算机可读存储介质及设备。
技术介绍
在流体模拟的领域中，流体的特征提取是广大科学家比较感兴趣的方面，而对涡旋细丝的特征提取也是被人们广泛研究的课题，这里涉及到物理中的涡度方法、图形学中的涡流检测、可视化、涡流模拟、流体引导和控制方法等等。基于涡旋细丝的流体模拟方法相比于基于网格的方法有许多优点，例如可以处理很多网格法无法处理的问题、便于在无界区域中进行模拟、容易实现动量和能量守恒、避免了涡度扩散等。很多计算流体力学(CFD)文献和计算机图形学文献中对此均有介绍，这种方法为真实烟雾的模拟提供了极好的构建方法。涡旋细丝可以提供来自现实世界或模拟的流场的简化表示。在涡旋细丝的特征提取和重构的研究上，前人提出了一种从给定三维流体速度场中提取涡旋细丝层次结构的方法，这些被提取的细丝集合称为分层涡旋框架(HVS)。该方法可以从输入的速度场提取多尺度信息，为数据压缩提供了强大的机制，是一种十分自然的修改方法。同时，该方法将三维场的复杂性降低到一维线条，并使复杂的流体数据更容易被改变，通过层次结构来捕获流动中不同尺度的主要特征，并通过它提供一定程度的细节控制。但该方法中，也存在一些缺陷，细丝特征提取的过程采用的是传统数值迭代方法求解大型稀疏矩阵，提取其最小特征值所对应的特征向量，这个过程非常缓慢。因此，如何提供一种流体特征提取方法、系统、计算机可读存储介质及设备，以解决现有技术繁琐冗杂的迭代运算，导致流体涡旋细丝特征提取的速度降低等缺陷，实已成为本领域技术人员亟待解决的技术问题。
技术实现思路
鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种流体特征提取方法、系统、计算机可读存储介质及设备，用于解决现有技术繁琐冗杂的迭代运算，导致流体涡旋细丝特征提取的速度降低的问题。为实现上述目的及其他相关目的，本专利技术提供一种流体特征提取方法，包括：获取数据样本；所述数据样本分为待训练数据样本和待测试数据样本；根据所述数据样本，构建一数据训练模型；调用所述数据训练模型训练所述待训练数据样本，以生成适用于所述待训练数据样本的匹配数据训练模型；评估所述匹配数据训练模型；当所述匹配数据训练模型符合预设评估标准时，将所述测试数据样本输入至所述匹配数据训练模型，以通过所述匹配数据训练模型预测所述测试数据样本的属性特征。于本专利技术的一实施例中，构建的数据训练模块包括：输入层、设置于所述输入层下层的卷积层、设置于所述卷积层下层的池化层、设置于所述池化层下层的全连接层、设置于所述全连接层下层的丢弃层及设置于所述丢弃层下层的输出层。于本专利技术的一实施例中，在调用所述数据训练模型训练所述待训练数据样本的过程中，所述流体特征提取方法还包括利用预存优化函数优化所述数据训练模型。于本专利技术的一实施例中，所述预设评估标准包括损耗函数；评估所述匹配数据训练模型的步骤包括：计算所述匹配数据训练模型的损失函数；将所述匹配数据训练模型的损失函数的数值与预设损失阈值进行比对，以确定适用于所述待训练数据样本的匹配数据训练模型；其中，适用于所述待训练数据样本的匹配数据训练模型为损失函数的最小数值对应的数据训练模型。于本专利技术的一实施例中，所述流体特征提取方法还包括：通过所述匹配数据训练模型预测所述测试数据样本的属性特征输入至预存的分层涡旋框架，以便通过所述分层涡旋框架完成流体涡旋细丝的特征提取和重构；将通过所述流体特征提取方法完成的流体涡旋细丝的特征提取和重构的结果与若干预存特征提取方法完成的流体涡旋细丝的特征提取和重构的结果进行比对，以获取所述流体特征提取方法的价值点。于本专利技术的一实施例中，所述流体特征提取方法完成的流体涡旋细丝的特征提取和重构的结果与若干预存特征提取方法完成的流体涡旋细丝的特征提取和重构的结果在计算精度、计算速度、成本消耗上进行比对。本专利技术另一方面提供一种流体特征提取系统，包括：获取模块，用于获取数据样本；所述数据样本分为待训练数据样本和待测试数据样本；构建模块，用于根据所述数据样本，构建一数据训练模型；模型生成模块，用于调用所述数据训练模型训练所述待训练数据样本，以生成适用于所述待训练数据样本的匹配数据训练模型；评估模块，用于评估所述匹配数据训练模型；预测模块，用于当所述匹配数据训练模型符合预设评估标准时，将所述测试数据样本输入至所述匹配数据训练模型，以通过所述匹配数据训练模型预测所述测试数据样本的属性特征。于本专利技术的一实施例中，所述流体特征提取系统中预存有分层涡旋框架。本专利技术又一方面提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述流体特征提取方法。本专利技术最后一方面提供一种设备，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述设备执行所述流体特征提取方法。如上所述，本专利技术所述的流体特征提取方法、系统、计算机可读存储介质及设备，具有以下有益效果：本专利技术所述流体特征提取方法、系统、计算机可读存储介质及设备相较于现有技术能够避免传统数值方法中繁琐冗杂的迭代运算，加快流体涡旋细丝特征提取的速度。附图说明图1显示为本专利技术的流体特征提取方法于一实施例中的流程示意图。图2显示为本专利技术的流体特征提取系统于一实施例中的原理结构示意图。图3显示为本专利技术的最大池化过程示例图。图4显示为本专利技术的整体的全连接网络示意图。图5显示为本专利技术的流体特征提取系统于一实施例中的原理结构示意图。元件标号说明2流体特征提取系统21获取模块22构建模块23模型生成模块24评估模块25预测模块26处理模块27比对模块S11～S17步骤具体实施方式以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本专利技术的基本构想，遂图式中仅显示与本专利技术中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。实施例一本实施例提供一种流体特征提取方法，包括：获取数据样本；所述数据样本分为待训练数据样本和待测试数据样本；根据所述数据样本，构建一数据训练模型；调用所述数据训练模型训练所述待训练数据样本，以生成适用于所述待训练数据样本的匹配数据训练模型；评估所述匹配数据训练模型；<本文档来自技高网...

【技术保护点】
1.一种流体特征提取方法，其特征在于，包括：/n获取数据样本；所述数据样本分为待训练数据样本和待测试数据样本；/n根据所述数据样本，构建一数据训练模型；/n调用所述数据训练模型训练所述待训练数据样本，以生成适用于所述待训练数据样本的匹配数据训练模型；/n评估所述匹配数据训练模型；/n当所述匹配数据训练模型符合预设评估标准时，将所述测试数据样本输入至所述匹配数据训练模型，以通过所述匹配数据训练模型预测所述测试数据样本的属性特征。/n

【技术特征摘要】
1.一种流体特征提取方法，其特征在于，包括：
获取数据样本；所述数据样本分为待训练数据样本和待测试数据样本；
根据所述数据样本，构建一数据训练模型；
调用所述数据训练模型训练所述待训练数据样本，以生成适用于所述待训练数据样本的匹配数据训练模型；
评估所述匹配数据训练模型；
当所述匹配数据训练模型符合预设评估标准时，将所述测试数据样本输入至所述匹配数据训练模型，以通过所述匹配数据训练模型预测所述测试数据样本的属性特征。


2.根据权利要求1所述的流体特征提取方法，其特征在于，
构建的数据训练模块包括：
输入层、设置于所述输入层下层的卷积层、设置于所述卷积层下层的池化层、设置于所述池化层下层的全连接层、设置于所述全连接层下层的丢弃层及设置于所述丢弃层下层的输出层。


3.根据权利要求1所述的特征提取方法，其特征在于，在调用所述数据训练模型训练所述待训练数据样本的过程中，所述流体特征提取方法还包括利用预存优化函数优化所述数据训练模型。


4.根据权利要求1所述的流体特征提取方法，其特征在于，所述预设评估标准包括损耗函数；
评估所述匹配数据训练模型的步骤包括：
计算所述匹配数据训练模型的损失函数；
将所述匹配数据训练模型的损失函数的数值与预设损失阈值进行比对，以确定适用于所述待训练数据样本的匹配数据训练模型；其中，适用于所述待训练数据样本的匹配数据训练模型为损失函数的最小数值对应的数据训练模型。


5.根据权利要求1所述的流体特征提取方法，其特征在于，所述流体特征提取方法还包括：
通过所述匹配数据训练模型预测所述测试数据样本的属性特征输入至预存的分层涡旋框架，以便...

【专利技术属性】
技术研发人员：杨旭波，张锐，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31