一种基于高斯混合模型的半监督学习流场预测方法技术

本申请公开了一种基于高斯混合模型的半监督学习流场预测方法，包括：通过CFD解算方法获取流场解算数据集；将数据集划分为标记流场数据集、未标记流场数据集和验证集；根据标记流场数据集，构建基于深度学习的流场预测模型；对流场预测模型进行训练获取伪标记流场数据；利用流场预测模型和预先构建的解码器的模型分别对混合数据集进行训练；通过基于设计损失函数的二分高斯混合模型获取伪标记流场数据中的简单样本；将简单样本等比例增加到流场预测模型中，直至训练完成；利用验证集对流场预测的效果进行验证，得到建模流场。通过有效利用未标记数据，在维持预测精度的同时，极大地增强了模型在处理未知流场条件下的预测能力。

【技术实现步骤摘要】

本专利技术涉及流场预测，具体涉及一种基于高斯混合模型的半监督学习流场预测方法。

技术介绍

1、深度学习的成功很大程度上归功于大规模标记数据集的收集和利用。然而，在诸多工程应用领域，特别是计算流体力学(computational fluid dynamics，cfd)等领域，获取可供深度学习利用的高质量数据通常需要进行耗时耗力的高精度数值模拟。以流场预测为例，需要求解复杂的控制方程，并进行大量的迭代计算。传统cfd方法需要逐一构建精细的计算网格，设置合理的边界条件和求解控制方程，整个过程不仅计算量大，而且容易产生数值误差。

2、深度学习能够通过神经网络自动学习非线性映射，进而可以实现流场结构预测，节省大量的时间。然而，现有的深度学习方法通常需要大量高质量的标记数据集作为训练样本，而获取这些数据的成本非常高昂。

3、因此，如何在仅有少量标记的流场数据和大量未标记的翼型参数化外形数据的情况下，实现精准的预测是本领域亟需解决的技术问题。

技术实现思路

1、本申请为了解决上述技术问题，提出了如下本文档来自技高网...

【技术保护点】

1.一种基于高斯混合模型的半监督学习流场预测方法，其特征在于，包括：

2.根据权利要求1所述的基于高斯混合模型的半监督学习流场预测方法，其特征在于，所述通过CFD解算方法获取流场解算数据集，包括：

3.根据权利要求1所述的基于高斯混合模型的半监督学习流场预测方法，其特征在于，包括，所述标记流场数据集和未标记流场数据集分别表示为：

4.根据权利要求1所述的基于高斯混合模型的半监督学习流场预测方法，其特征在于，包括，所述流场预测模型表示为：

5.根据权利要求1所述的基于高斯混合模型的半监督学习流场预测方法，其特征在于，对所述流场预测模型进行训练...

【技术特征摘要】

1.一种基于高斯混合模型的半监督学习流场预测方法，其特征在于，包括：

2.根据权利要求1所述的基于高斯混合模型的半监督学习流场预测方法，其特征在于，所述通过cfd解算方法获取流场解算数据集，包括：

3.根据权利要求1所述的基于高斯混合模型的半监督学习流场预测方法，其特征在于，包括，所述标记流场数据集和未标记流场数据集分别表示为：

4.根据权利要求1所述的基于高斯混合模型的半监督学习流场预测方法，其特征在于，包括，所述流场预测模型表示为：

5.根据权利要求1所述的基于高斯混合模型的半监督学习流场预测方法，其特征在于，对所述流场预测模型进行训练获取伪标记流场数据，包括：

6.根据权利要求1所述的基于高斯混合模型的...

【专利技术属性】
技术研发人员：王枭，袁东风，李娜，金小峥，曹凤，张明强，张道东，李东阳，
申请(专利权)人：齐鲁理工学院，
类型：发明
国别省市：