一种基于流场压力时程的水下物体外形识别方法技术

本发明专利技术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。本发明专利技术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。弥补了水中图像信号干扰大的缺陷。弥补了水中图像信号干扰大的缺陷。

【技术实现步骤摘要】
一种基于流场压力时程的水下物体外形识别方法


[0001]本专利技术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。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]本专利技术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。
[0006]本专利技术包括以下步骤：
[0007]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；
[0008]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；
[0009]步骤3、采集待识别外形的物体流场特征样本；
[0010]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。
[0011]进一步地，步骤1包括：
[0012]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；
[0013]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；
[0014]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；
[0015]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；
[0016]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。
[0017]进一步地，步骤2包括：
[0018]步骤2a、构建基于全卷积计算的FCN深度学习网络模型；
[0019]步骤2b、将流场压力信号集合作为输入样本传递给FCN深度学习神经网络模型中，进行模型拟合和训练；
[0020]步骤2c、设置深度学习神经网络模型的损失函数：
[0021]L＝∑O
‑
G(1)
[0022]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；
[0023]步骤2d、使用损失函数，进行正向迭代，获得预测识别结果与真实值的差别；
[0024]使用损失函数，进行反向迭代，缩小预测识别结果与真实值的差别；
[0025]步骤2e、重复步骤2d，直至差别小于设定值，所述设定值根据经验设定；最后一次迭代获得的数值作为所述深度学习网络模型的模型参数。
[0026]进行迭代训练，减小损失函数数值，得到外形识别的网络模型参数；
[0027]通过反向迭代消除输出的误差，使得模型收敛。
[0028]进一步地，步骤3包括：
[0029]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；
[0030]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。
[0031]进一步地，步骤4包括：
[0032]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参数进行计算；
[0033]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。
[0034]本专利技术采用流场压力作为外形识别的数据，与传统采用声信号、图像信号等方法具有根本的不同，由于本方法采用了全新的物理量进行外形识别，克服了传统声信号中主动声呐方法的隐蔽性差的缺点，也弥补了水中图像信号干扰大的缺陷，是一种隐蔽性高、数据获取便捷的新方法；本方法所采用的目标变量为流场中的压力，因此本方法的数据获取极为方便；本专利技术采用一维的时程信号进行外形识别，与传统图像识别方法针对图像数据开展外形识别不同，所需要的输入数据量小，所构建的深度学习网络参数少，识别计算速度快；本专利技术采用基于卷积的深度学习方法对时程数据进行特征提取与分类，保留了样本的
时序信息，因此识别精度高，是一种高精度的新方法。
附图说明
[0035]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0036]图1为本专利技术具体实施方式中一种基于流场压力时程的水下物体外形识别的深度学习方法流程图；
[0037]图2为本专利技术实施例中包含的目标外形集；
[0038]图3为本专利技术实施例中流场的数值模拟模型；
[0039]图4为本专利技术实施例中流场的压力时程样本；
[0040]图5为本专利技术实施例中的流场压力测点布置示意图；
[0041]图6为本专利技术中深度学习模型结构示意图；
[0042]图7为本专利技术实施例中的识别结果精度结果。
具体实施方式
[0043]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。3.根据权利...

【专利技术属性】
技术研发人员：战庆亮，李林芳，李晓飞，白春锦，姜谙男，刘铁新，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：