一种基于机器学习的流场特征提取方法、装置及存储介质制造方法及图纸

本申请涉及一种基于机器学习的流场特征提取方法、装置及存储介质，方法包括构建训练样本、利用Adaboost迭代算法，针对训练样本训练四个维度的弱分类器并确定各个弱分类器的权重，四个弱分类器包括基于识别压力的局部最小值或涡度的局部最大值的局部技术的第一弱分类器、基于归一化螺旋度的技术、基于速度梯度张量J的涡旋检测方法的第二弱分类器、基于Δ、Q和λ2检测器表达式中出现的各种项的维数一致性来确定等效阈值的方法构建的第三弱分类器以及基于固定点的涡流识别方法的第四弱分类器；通过Adaboost集成学习算法将第一弱分类器、第二弱分类器、第三弱分类器和第四弱分类器进行集成得到复合分类器。该方法能提高涡旋分类的精准度和鲁棒性。旋分类的精准度和鲁棒性。旋分类的精准度和鲁棒性。

【技术实现步骤摘要】
一种基于机器学习的流场特征提取方法、装置及存储介质


[0001]本申请涉及流场分析
，尤其涉及一种基于机器学习的流场特征提取方法、装置及存储介质。

技术介绍

[0002]可视化技术是可以应用于众多领域的技术，随着应用领域的增加，可视化技术从简单的绘制数据图表发展到绘制3D图形或通过图形展示数据的训练过程和结果，可视化技术拥有强大的可延展性和可读性。
[0003]但是随着数据集的增加，可视化技术需要处理的数据也是海量增加的，因此海量数据下的数据分类是可视化技术中很重要的关键点，数据分类的准确性和鲁棒性直接决定着可视化结果的精确度，但是在数亿级海量数据背景下，数据分类经常出现错误分类或稳定性差的问题，因此有必要针对这类问题进行改进。

技术实现思路

[0004]为了解决上述
技术介绍
提到的技术问题或者至少部分地解决上述技术问题，本申请提供一种基于机器学习的流场特征提取方法、装置及存储介质，提高涡旋分类的精准度和鲁棒性。
[0005]第一方面，本申请提供了一种基于机器学习的流场特征提取方法，包括以下步骤：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的流场特征提取方法，其特征在于，包括以下步骤：步骤S1，构建训练样本：使用弱分类器将涡旋流场进行可视化，识别并分离可视化涡旋流场中包含涡旋的候选流场区域；在所述候选流场区域中，通过迭代调整流线和参考系的位置，同时添加均匀的平移速度，生成闭合或螺旋的连续流线；根据所述连续流线标记包含在涡旋流场区域中的点并输出标签集；步骤S2，集成弱分类器：利用Adaboost迭代算法，针对所述训练样本训练多个弱分类器并确定各个弱分类器的权重，多个所述弱分类器包括基于识别压力的局部最小值或涡度的局部最大值的局部技术构建的第一弱分类器、基于归一化螺旋度的技术、基于速度梯度张量J的涡旋检测方法构建的第二弱分类器、基于Δ、Q和λ2检测器表达式中出现的各种项的维数一致性来确定等效阈值的方法构建的第三弱分类器以及基于固定点的涡流识别方法构建的第四弱分类器；步骤S3，通过Adaboost集成学习算法将第一弱分类器、第二弱分类器、第三弱分类器和第四弱分类器进行集成，得到复合分类器。2.根据权利要求1所述的基于机器学习的流场特征提取方法，其特征在于，还包括：将待检测的流场数据输入到所述复合分类器中，得到涡旋检测结果。3.根据权利要求2所述的基于机器学习的流场特征提取方法，其特征在于，还包括：输出并显示所述检测结果。4.根据...

【专利技术属性】
技术研发人员：王晓晓，刘云静，张丽，井明，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：