一种基于多输入特征融合ConvLSTM模型的纹影流场重构方法技术

本发明专利技术提供了一种基于多输入特征融合ConvLSTM模型的纹影流场重构方法，包括以下步骤：S1：参数初始化；S2：数据预处理，将图像进行裁剪及灰度处理，对压力数据进行归一化处理；S3：数据生成与分割，进行数据集划分；S4：模型构建与编译，使用ConvLSTM模型，构建多输入神经网络；S5：模型训练与回调，设置优化器及模型优化函数；S6：结果可视化及预测，包括绘制损失曲线及模型预测与结果保存。有益效果：本方法通过将ConvLSTM技术应用于纹影流场视频帧的处理，充分利用时空序列中的空间和时间信息，避免了传统方法在长序列处理时出现的性能下降问题，使得重构结果更具连续性和一致性，提高重构效果的精度和鲁棒性，大幅降低了计算资源的需求，具备更好的实时性。

【技术实现步骤摘要】

本专利技术涉及一种时序视频帧图像预测重构方法，具体是一种基于多输入特征融合convlstm模型的纹影流场视频帧图像重构方法，属于计算机视觉。

技术介绍

1、现有的汽车发动机和航空发动机研制主要靠试验获取性能指标数据，每次试验需要花费大量人力物力，产生大量有害气体和废物来污染环境。单次试验获取的图像信息高度依托于相机的性能，为了获取发动机整个过程数据，往往需要重复多次试验，分段拍摄整合获取目标信息。

2、随着深度学习技术的飞速发展，时空序列数据处理任务在计算机视觉领域中的应用日益广泛。传统的卷积神经网络(cnn)在处理图像数据方面表现出色，但其在时序数据处理中的局限性也逐渐显现出来，lstm通过在其架构中引入“门”机制，能够捕捉序列数据中的长程依赖关系，从而有效地解决了传统rnn(循环神经网络)在处理长时间序列时的梯度消失问题。为了更好地捕捉序列数据中的时间依赖性，研究人员引入了卷积长短期记忆网络(convlstm)，这是一种结合了lstm(长短期记忆网络)与卷积神经网络的模型架构。convlstm将lstm的输入、隐藏状态以及输出从一维数据扩展本文档来自技高网...

【技术保护点】

1.一种基于多输入特征融合ConvLSTM模型的纹影流场重构方法，其特征在于,包括以下步骤：

2.根据权利要求1所述的基于多输入特征融合ConvLSTM模型的纹影流场重构方法，其特征在于，所述S2具体为：

3.根据权利要求2所述的基于多输入特征融合ConvLSTM模型的纹影流场重构方法，其特征在于，所述S3中数据集具体为：

4.根据权利要求3所述的基于多输入特征融合ConvLSTM模型的纹影流场重构方法，其特征在于，所述S3中自定义数据生成器具体为：

5.根据权利要求3所述的基于多输入特征融合ConvLSTM模型的纹影流场重构方法，其特征在...

【技术特征摘要】

1.一种基于多输入特征融合convlstm模型的纹影流场重构方法，其特征在于,包括以下步骤：

2.根据权利要求1所述的基于多输入特征融合convlstm模型的纹影流场重构方法，其特征在于，所述s2具体为：

3.根据权利要求2所述的基于多输入特征融合convlstm模型的纹影流场重构方法，其特征在于，所述s3中数据集具体为：

4.根据权利要求3所述的基于多输入特征融合convlstm模型的纹影流...

【专利技术属性】
技术研发人员：潘静耀，吴昊，杨慧，颜丹，
申请(专利权)人：镇江市生态环境监测站镇江市辐射环境监测站，
类型：发明
国别省市：