一种基于大尺寸核稠密块的气动识别方法技术

本发明专利技术公开了一种基于大尺寸核稠密块的气动识别方法，包括：从FMS中的有效测试阶段获取信号作为训练样本；通过大卷积核去除气动载荷信号中的量化噪声，输出具有平滑趋势特征的源样本信号；利用自适应EMD密集快FMS输出信号中的特定噪声分量进行处理，输出预测的气动信号。本方案提出的密集块结构使得特征在模型的每一层都能平滑流动，从而提高了收敛速度，保证了识别精度。通过在密集块结构中引入自适应EMD，在模型提取的特征中加入一些约束。这种改进可以大大降低模型的可训练参数，从而减轻深度学习模型对样本量的依赖，为模型在高超声速风洞气动识别领域落地带来可能。风洞气动识别领域落地带来可能。风洞气动识别领域落地带来可能。

【技术实现步骤摘要】
一种基于大尺寸核稠密块的气动识别方法


[0001]本专利技术涉及空气动力
，具体涉及一种基于大尺寸核稠密块的气动识别方法。

技术介绍

[0002]风洞测力试验是高超声速飞行器研发的重要环节，随着这项技术的发展，试验模型的大尺度化成为高超声速风洞试验的趋势，在几百毫秒的有效测试时间内，大尺度测力系统刚度减弱等问题会严重导致气动力辨识精度变差，试验模型大尺度化对短时脉冲燃烧风洞精确气动力辨识带来了挑战。现有技术的气动识别包括第一：基于滤波或基于时频变换的气动力辨识，气动力辨识精度不够；第二：深度学习气动力辨识，需要大量训练样本以保证模型的性能。

技术实现思路

[0003]针对现有技术的上述不足，本专利技术提供了一种识别精度高的基于大尺寸核稠密块的气动识别方法。
[0004]为达到上述专利技术目的，本专利技术所采用的技术方案为：
[0005]提供一种基于大尺寸核稠密块的气动识别方法，其包括以下步骤：
[0006]S1：从气动测力系统FMS中的有效测试阶段获取信号作为训练样本，训练样本包括若干数量不同的气动载荷信号数据组；
[0007]S2：将若干气动载荷信号数据组输入到大尺寸卷积的卷积层中，通过大卷积核去除气动载荷信号中的量化噪声，输出具有平滑趋势特征的源样本信号；
[0008]S3：将源样本信号输入卷积神经网络，利用经验模态分解EMD区分源样本信号中的中频分量和低频分量：
[0009]H
EMD
(t)＝H(t)+L(t)
[0010][0011][0012]其中，H(t)为中频分量中内涵模态分量IMF的组合，L(t)为低频分量中内涵模态分量IMF和残差分量的组合，k为内涵模态分量IMF在中频分量和低频分量边界处的标签，IMF
i
(t)为经验模态分解EMD得到的不同频率分量的内涵模态分量IMF，i为标签的成分从高到低的频率，r(t)为残差分量，残差分量是输入源样本信号的平均趋势，n为满足经验模态分解的最后一阶内涵模态分量IMF的阶数；
[0013]S4：建立两个内涵模态分量IMF之间的统计相关性模型：
[0014][0015]其中，X和Y分别为不同的内涵模态分量IMF，P(IMF
i
(t))和P(IMF
j
(t))分别是两个内涵模态分量IMF的边际概率分布，P(IMF
i
(t),IMF
j
(t))为联合概率分布，r和s分别为两个内涵模态分量IMF的符号个数，j为与i相邻的频率；
[0016]S5：利用统计相关性模型计算相邻两个内涵模态分量IMF的相关性I(IMF
i
，IMF
j
)；
[0017]S6：建立搜索目标函数，根据两个内涵模态分量IMF的相关性判断内涵模态分量IMF是否为低频部分：
[0018][0019]S7：根据判断结果，若内涵模态分量IMF为中频部分，采用自适应阈值法抑制内涵模态分量IMF中频部分的噪声，进行滤波；
[0020]S8：将低频内涵模态分量IMF与滤波后的中频内涵模态分量IMF进行信号重构，输出预测的气动信号。
[0021]进一步地，步骤S7中对内涵模态分量IMF高频部分进行滤波的方法为：
[0022][0023][0024]其中，N为内涵模态分量IMF中频部分的信号长度，σ为噪声分量的标准差，median(
·
)是中值函数，T为给内涵模态分量IMF高频部分加入的白噪声的自适应阈值。
[0025]进一步地，卷积神经网络的输入、输出关系模型为：
[0026]t
l
＝H
l
(t
l
‑1)+(H
EMD
(t1)+...+H
EMD
(t
l
‑1))/(l
‑
1)
[0027]其中，l为卷积神经网络的层索引，H
l
(
·
)是第l层的非线性变换，t
l
和t
l
‑1分别是第l层和第l
‑
1层的输出。
[0028]本专利技术的有益效果为：本专利技术通过大尺寸卷积核和自适应的经验模态分解EMD的密集块的结构设计，各模块对气动测力系统FMS的输出信号中的特定噪声分量进行处理。这使得提出的基于大卷积核和密集块的气动识别模型(AI
‑
LSK&DB)中的每个组件(特定噪声组件的学习、识别和过滤)都具有物理意义，实现了深度学习模型的一定程度的可解释性。这是对力识别中可解释深度学习模型的首次探索。
[0029]本方案提出的密集块结构使得特征在模型的每一层都能平滑流动，从而提高了收敛速度，保证了识别精度。通过在密集块结构中引入自适应的经验模态分解EMD，在模型提取的特征中加入一些约束。这种改进可以大大降低模型的可训练参数，从而减轻深度学习模型对样本量的依赖，为模型在高超声速风洞气动识别领域落地带来可能。
[0030]气动识别精度是决定高超声速飞行器研制成败的关键因素之一。但是激波流产生的惯性力(低频)和采集设备引入的量化噪声(高频)会严重影响识别精度。为了解决这一问题，本专利技术首先引入卷积神经网络来过滤高频噪声，并讨论了核大小对特征提取能力的影响；然后，提出了一种具有自适应的经验模态分解EMD密集块，滤除低频噪声，减轻了模型对样本数量的依赖，并使每层输出具有明确的物理意义，在气动识别精度上较频域模型和深度学习模型有显著提高，且具有良好的鲁棒性和稳定性。
附图说明
[0031]图1为基于大尺寸核稠密块的气动识别方法的流程图。
[0032]图2为第一层卷积核的权值可视化图。
[0033]图3为第一层卷积核的频域可视化图。
[0034]图4为信号重构流程图。
具体实施方式
[0035]下面对本专利技术的具体实施方式进行描述，以便于本
的技术人员理解本专利技术，但应该清楚，本专利技术不限于具体实施方式的范围，对本
的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本专利技术的精神和范围内，这些变化是显而易见的，一切利用本专利技术构思的专利技术创造均在保护之列。
[0036]如图1和图4所示，一种基于大尺寸核稠密块的气动识别方法包括以下步骤：
[0037]S1：从气动测力系统FMS中的有效测试阶段获取信号作为训练样本，训练样本包括若干数量不同的气动载荷信号数据组；
[0038]S2：将若干气动载荷信号数据组输入到大尺寸卷积的卷积层中，通过大卷积核去除气动载荷信号中的量化噪声，输出具有平滑趋势特征的源样本信号。
[0039]为了讨论卷积核尺寸对气动识别的影响，本实施例构建一个简单的三层卷积神经网络作为研究的基础，第一层分别作为64x1的大尺寸内核和3x1的小尺寸内核。该模型使用20组实际气动载荷训练100个周期。通过可视化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大尺寸核稠密块的气动识别方法，其特征在于，包括以下步骤：S1：从气动测力系统FMS中的有效测试阶段获取信号作为训练样本，训练样本包括若干数量不同的气动载荷信号数据组；S2：将若干气动载荷信号数据组输入到大尺寸卷积的卷积层中，通过大卷积核去除气动载荷信号中的量化噪声，输出具有平滑趋势特征的源样本信号；S3：将源样本信号输入卷积神经网络，利用经验模态分解EMD区分源样本信号中的中频分量和低频分量：H
EMD
(t)＝H(t)+L(t)(t)＝H(t)+L(t)其中，H(t)为中频分量中内涵模态分量IMF的组合，L(t)为低频分量中内涵模态分量IMF和残差分量的组合，k为内涵模态分量IMF在中频分量和低频分量边界处的标签，IMF
i
(t)为经验模态分解EMD得到的不同频率分量的内涵模态分量IMF，i为标签的成分从高到低的频率，r(t)为残差分量，残差分量是输入源样本信号的平均趋势，n为满足经验模态分解的最后一阶内涵模态分量IMF的阶数；S4：建立两个内涵模态分量IMF之间的统计相关性模型：其中，X和Y分别为不同的内涵模态分量IMF，P(IMF
i
(t))和P(IMF
j
(t))分别是两个内涵模态分量IMF的边际概率分布，P(IMF
i
(t),IMF
j
(t))为联合概率分布，r和s分别为两个内涵模态分量IMF的符号个数，j为与i相邻的频率；S5：利用统计相关性模型计算相邻两个内涵模态分量IMF的相关...

【专利技术属性】
技术研发人员：李世超，孙弋，高宏力，徐浩，邵凯波，宋金涛，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：