一种粒子系统边界检测的监督学习方法及系统技术方案

本发明专利技术涉及粒子系统边界检测方法技术领域，具体为一种粒子系统边界检测的监督学习方法及系统，包括以下步骤：准备基于粒子的流体动力学模拟数据集。本发明专利技术中，综合利用粒子的位置信息以及中间属性，构建了一个全面且具有代表性的特征向量，通过更多的物理量描述粒子的状态，从而更准确地捕捉到粒子系统的边界和内部的差异，采用支持向量机进行分类器训练，基于支持向量机的高准确性，降低分类阶段的复杂性，且在训练完分类器后，采用了深入的性能评估步骤，包括计算混淆矩阵和绘制粒子系统的图像，可以更直观、更细致地分析分类结果，采用该种方法可以显著提高粒子分类的准确性和效率，为粒子系统的模拟和分析提供更精确和更有效的工具。效的工具。效的工具。

【技术实现步骤摘要】
一种粒子系统边界检测的监督学习方法及系统


[0001]本专利技术涉及粒子系统边界检测方法
，尤其涉及一种粒子系统边界检测的监督学习方法及系统。

技术介绍

[0002]粒子系统边界检测方法，是一种用于确定粒子系统中粒子与系统边界之间的交互关系的技术，常见的边界检测方法包括AABB边界框、球体边界检测、碰撞体积边界检测和网格边界检测。粒子系统边界检测是指在基于粒子的物理模拟中确定哪些粒子属于系统的边界，哪些是内部的过程。这个信息对于生成流体的自由表面、计算表面张力等应用非常有用。
[0003]在粒子系统边界检测方法的使用过程中，现有的粒子系统边界检测方法可能仅依赖于粒子的位置信息进行分类，忽略了粒子的其他重要属性在区分边界和内部粒子中的重要作用。导致分类器对粒子状态的理解较为肤浅，从而影响到分类的准确性。此外，现有方法对机器学习算法的采用不够成熟，导致训练出来的分类器性能不稳定，而且对不同的数据集适应性较差。再者，现有方法可能缺乏对分类器性能深入的评估和分析，这在一定程度上限制了对分类效果的深入理解和持续优化。这些因素可能导致现有的边界检测方法在粒子系统模拟和分析中的应用受到限制，效果和效率相对较低。

技术实现思路

[0004]本专利技术的目的是解决现有技术中存在的缺点，而提出的一种粒子系统边界检测的监督学习方法及系统。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：一种粒子系统边界检测的监督学习方法，包括以下步骤：
[0006]准备基于粒子的流体动力学模拟数据集，所述流体动力学模拟数据集包括粒子的位置信息以及中间属性，所述中间属性包括粒子的速度、加速度、压力、密度信息；
[0007]从所述流体动力学模拟数据集中提取出每个粒子的特征向量，所述特征向量包含识别边界粒子所需的信息，生成粒子特征向量集；
[0008]通过所述粒子特征向量集，基于粒子的采样密度来定义边界点，计算边界粒子标签；
[0009]基于所述边界粒子标签，采用支持向量机作为分类器进行训练，获取训练后分类器；
[0010]使用剩余的数据集对训练好的所述分类器进行测试，通过计算混淆矩阵来评估所述分类器的性能；
[0011]根据所述混淆矩阵和分类器的结果，绘制粒子系统的图像，进行分类结果分析，显示正确和错误分类的位置；
[0012]根据所述分类器包括准确率、召回率和F1分数的性能指标，进行所述分类器的性
能评估，生成性能评估报告。
[0013]作为本专利技术的进一步方案，准备基于粒子的流体动力学模拟数据集的步骤具体为：
[0014]建立流体模拟场景并定义物理参数，获取模拟场景初始化参数，所述模拟场景初始化参数包括粘度、重力；
[0015]为每个粒子定义初始位置、速度、加速度、压力和密度，获取粒子初始状态数据；
[0016]根据流体动力学方程结合所述模拟场景初始化参数、粒子初始状态数据，模拟粒子的运动，获取流体模拟运行数据；
[0017]在模拟粒子的运动过程中，提取每一时刻的粒子信息，整合成数据集形式，建立流体动力学模拟数据集。
[0018]作为本专利技术的进一步方案，从所述流体动力学模拟数据集中提取出每个粒子的特征向量，生成粒子特征向量集的步骤具体为：
[0019]根据所述流体动力学模拟数据集，标准化或归一化数据以消除量纲和范围差异获取标准化数据集；
[0020]对所述标准化数据集进行属性分析，基于条件选择算法选择边界检测关联特征，建立选择的特征列表；
[0021]基于所述选择的特征列表，为每个粒子构造一个特征向量，生成粒子特征向量集。
[0022]作为本专利技术的进一步方案，通过所述粒子特征向量集，基于粒子的采样密度来定义边界点，计算边界粒子标签的步骤具体为：
[0023]利用K近邻密度估计算法，对粒子特征向量集进行处理，得到每个粒子的采样密度值，作为粒子密度值；
[0024]根据所述粒子密度值的分布，选择密度阈值来区分边界粒子和非边界粒子；
[0025]将所述粒子密度值与密度阈值进行比较，低于阈值的粒子被标记为边界粒子，建立边界粒子标签。
[0026]作为本专利技术的进一步方案，基于所述边界粒子标签，采用支持向量机作为分类器进行训练，获取训练后分类器的步骤具体为：
[0027]将粒子特征向量集及其对应的边界粒子标签分为训练数据集和测试数据集；
[0028]为支持向量机选择径向基函数并设定惩罚系数，作为SVM参数配置；
[0029]利用所述训练数据集和SVM参数配置，训练支持向量机模型，获取训练后分类器。
[0030]作为本专利技术的进一步方案，使用剩余的数据集对训练好的所述分类器进行测试，通过计算混淆矩阵来评估所述分类器的性能的步骤具体为：
[0031]利用测试数据集中的特征向量输入到训练后分类器进行预测，生成预测结果；
[0032]将所述预测结果与测试数据集中的实际边界粒子标签进行对比，获取预测对比数据；
[0033]基于所述预测对比数据，计算包括TP,FP,TN,FN的关键指标，构建混淆矩阵。
[0034]作为本专利技术的进一步方案，根据所述混淆矩阵和分类器的结果，绘制粒子系统的图像，进行分类结果分析，显示正确和错误分类的位置的步骤具体为：
[0035]在数据可视化准备阶段，设置包括颜色、大小、尺寸的图像参数，记录图像参数设置；
[0036]基于所述图像参数设置，在二维或三维空间中，按照预测对比数据展示每个粒子的位置，获取原始粒子图像；
[0037]在所述原始粒子图像上，利用不同颜色或标记突出显示被错误分类的粒子，建立高亮错误分类图像。
[0038]作为本专利技术的进一步方案，根据所述分类器包括准确率、召回率和F1分数的性能指标，进行所述分类器的性能评估，生成性能评估报告的步骤具体为：
[0039]使用所述混淆矩阵数据，计算分类器正确预测的样本数量与总样本数量的比例，生成准确率值；
[0040]使用所述混淆矩阵数据，计算分类器正确预测为正例的样本数量与实际正例样本数量的比例，生成召回率值；
[0041]基于所述准确率值和召回率值，计算调和平均值，F1分数值；
[0042]整合所述准确率值、召回率值、F1分数值，建立性能评估报告。
[0043]一种粒子系统边界检测的监督学习系统用于执行粒子系统边界检测的监督学习方法，所述一种粒子系统边界检测的监督学习系统是由数据模拟模块、特征提取模块、边界定义模块、分类器训练模块、结果评估模块、可视化分析模块组成；
[0044]所述数据模拟模块包括场景初始化子模块、粒子状态定义子模块、流体模拟子模块、数据集整合子模块；
[0045]所述特征提取模块包括数据标准化子模块、属性分析子模块、特征构造子模块；
[0046]所述边界定义模块包括密度估计子模块、密度阈值选择子模块、边界标记子模块；
[0047]所述分类本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种粒子系统边界检测的监督学习方法，其特征在于，包括以下步骤：准备基于粒子的流体动力学模拟数据集，所述流体动力学模拟数据集包括粒子的位置信息以及中间属性，所述中间属性包括粒子的速度、加速度、压力、密度信息；从所述流体动力学模拟数据集中提取出每个粒子的特征向量，所述特征向量包含识别边界粒子所需的信息，生成粒子特征向量集；通过所述粒子特征向量集，基于粒子的采样密度来定义边界点，计算边界粒子标签；基于所述边界粒子标签，采用支持向量机作为分类器进行训练，获取训练后分类器；使用剩余的数据集对训练好的所述分类器进行测试，通过计算混淆矩阵来评估所述分类器的性能；根据所述混淆矩阵和分类器的结果，绘制粒子系统的图像，进行分类结果分析，显示正确和错误分类的位置；根据所述分类器包括准确率、召回率和F1分数的性能指标，进行所述分类器的性能评估，生成性能评估报告。2.根据权利要求1所述的粒子系统边界检测的监督学习方法，其特征在于，准备基于粒子的流体动力学模拟数据集的步骤具体为：建立流体模拟场景并定义物理参数，获取模拟场景初始化参数，所述模拟场景初始化参数包括粘度、重力；为每个粒子定义初始位置、速度、加速度、压力和密度，获取粒子初始状态数据；根据流体动力学方程结合所述模拟场景初始化参数、粒子初始状态数据，模拟粒子的运动，获取流体模拟运行数据；在模拟粒子的运动过程中，提取每一时刻的粒子信息，整合成数据集形式，建立流体动力学模拟数据集。3.根据权利要求1所述的粒子系统边界检测的监督学习方法，其特征在于，从所述流体动力学模拟数据集中提取出每个粒子的特征向量，生成粒子特征向量集的步骤具体为：根据所述流体动力学模拟数据集，标准化或归一化数据以消除量纲和范围差异获取标准化数据集；对所述标准化数据集进行属性分析，基于条件选择算法选择边界检测关联特征，建立选择的特征列表；基于所述选择的特征列表，为每个粒子构造一个特征向量，生成粒子特征向量集。4.根据权利要求1所述的粒子系统边界检测的监督学习方法，其特征在于，通过所述粒子特征向量集，基于粒子的采样密度来定义边界点，计算边界粒子标签的步骤具体为：利用K近邻密度估计算法，对粒子特征向量集进行处理，得到每个粒子的采样密度值，作为粒子密度值；根据所述粒子密度值的分布，选择密度阈值来区分边界粒子和非边界粒子；将所述粒子密度值与密度阈值进行比较，低于阈值的粒子被标记为边界粒子，建立边界粒子标签。5.根据权利要求1所述的粒子系统边界检测的监督学习方法，其特征在于，基于所述边界粒子标签，采用支持向量机作为分类器进行训练，获取训练后分类器的步骤具体为：将粒子特征向量集及其对应的边界粒子标签分为训练数据集和测试...

【专利技术属性】
技术研发人员：毛隆昆，赵振皓，
申请(专利权)人：毛隆昆，
类型：发明
国别省市：