-
Patent Agency Ranking
公开(公告)号：CN117288418A
公开(公告)日：2023-12-26
申请号：CN202311162585.2
申请日：2023-09-08
Applicant: 西南交通大学
Abstract: 本发明公开了一种基于小波分解的高超声速风洞气动力智能辨识方法，包括以下步骤：获取模拟风洞试验过程的天平信号与理想阶跃信号，并采用小波分解法进行分解，分别得到天平信号与理想阶跃信号的小波系数，同时将其输入深度学习模型中进行训练，得到训练好的深度学习模型；获取天平信号并将其进行小波分解，得到天平信号的小波系数，并输入训练好的深度学习模型进行干扰成分的去除，采用小波重构法将去除干扰成分的天平信号的小波系数进行重构，得到真实的气动力信号；本发明所提出的一种基于小波分解的高超声速风洞气动力智能辨识方法，能够有效滤除惯性力和其他干扰信号，并精准地得到真实的气动力信号。
-
公开(公告)号：CN116296243B
公开(公告)日：2024-02-23
申请号：CN202310273825.X
申请日：2023-03-20
Applicant: 西南交通大学
IPC: G01M9/08 , G01M9/06 , G06F18/10 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明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。
-
公开(公告)号：CN116465596A
公开(公告)日：2023-07-21
申请号：CN202310271083.7
申请日：2023-03-20
Applicant: 西南交通大学
IPC: G01M9/08 , G01M9/06 , G06F18/10 , G06F18/213 , G06F18/24 , G06N3/0464
Abstract: 本发明公开了一种气动信号识别方法，其特征在于，包括以下步骤：S1：从气动测力系统FMS的有效测试阶段获取信号作为训练样本；S2：输出具有平滑趋势特征的源域信号和目标域信号；S3：利用交叉熵损失函数进行特征迁移，减少源域信号和目标域信号之间的差距；S4：将源域信号的特征转换输入源域特征，卷积神经网络利用自适应EMD进行动态补偿，对源域信号进行信号重构，抑制源域信号中的惯性分量；S5：根据预测的气动力之间的差距，减小真实的气动力与预测的气动力之间的差距，输出预测的气动信号。本发明既能准确识别气动信号，又能有效抑制其他干扰信号，为精确评估高焓、高超声速飞行器气动特性提供了关键技术和数据支持。
-
公开(公告)号：CN117288418B
公开(公告)日：2024-05-07
申请号：CN202311162585.2
申请日：2023-09-08
Applicant: 西南交通大学
Abstract: 本发明公开了一种基于小波分解的高超声速风洞气动力智能辨识方法，包括以下步骤：获取模拟风洞试验过程的天平信号与理想阶跃信号，并采用小波分解法进行分解，分别得到天平信号与理想阶跃信号的小波系数，同时将其输入深度学习模型中进行训练，得到训练好的深度学习模型；获取天平信号并将其进行小波分解，得到天平信号的小波系数，并输入训练好的深度学习模型进行干扰成分的去除，采用小波重构法将去除干扰成分的天平信号的小波系数进行重构，得到真实的气动力信号；本发明所提出的一种基于小波分解的高超声速风洞气动力智能辨识方法，能够有效滤除惯性力和其他干扰信号，并精准地得到真实的气动力信号。
-
公开(公告)号：CN116296243A
公开(公告)日：2023-06-23
申请号：CN202310273825.X
申请日：2023-03-20
Applicant: 西南交通大学
IPC: G01M9/08 , G01M9/06 , G06F18/10 , G06F18/213 , G06F18/214 , G06N3/0464 , G06N3/08
Abstract: 本发明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。
-
-
-
-
Search Results
5
records
(took 0.012 seconds)
