(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211195748.2 (22)申请日 2022.09.28 (71)申请人 大连海事大学 地址 116026 辽宁省大连市高新园区凌海 路1号 (72)发明人 战庆亮　白春锦　 (74)专利代理 机构 大连东方专利代理有限责任 公司 21212 专利代理师 姜玉蓉　李洪福 (51)Int.Cl. G06V 10/40(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01) (54)发明名称 一种基于深度学习的流场时变数据的压缩 存储方法 (57)摘要 本发明提供一种基于深度学习的流场时变 数据的压缩存储方法， 包括以下步骤： 基于测点 的原始流场时程数据的测量； 基于深度学习的流 场数据特征提取与压缩； 基于时程特征编码的流 场低维表征与存储； 基于编码与解码器的流场时 变数据还原技术。 本发明采用深度学习方法对流 场时变特征进行提取与压缩， 与传统采用图像存 储等方法具有根本的不同， 由于本方法采用了全 新的数据类型进行流场存储， 克服了传统方法中 无法准确保留时变特征的缺点， 是一种精度高、 时变特征还原准确的方法。 权利要求书2页 说明书5页 附图4页 CN 115546498 A 2022.12.30 CN 115546498 A 1.一种基于深度学习的流场时变数据的压缩 存储方法， 其特 征在于， 包括以下步骤： 步骤S1： 实时获取待测试点的流场 时变数据； 即对已知流场进行流场 时程样本进行测 定， 构成样本集 合； 步骤S2： 对所述步骤S1中的所述样本集合进行深度学习模型的训练， 提取时程信号的 特征并进行 特征压缩； 步骤S3： 基于所述步骤S2中的压缩特征得到用于流场时程特征低维表征的特征编码数 据库； 步骤S4： 基于特 征编码与解码模型进行流场时变数据的高分辨 率还原。 2.根据权利要求1所述的一种基于深度学习的流场时变数据的压缩存储方法， 其特征 在于， 所述 步骤S1中还 包括以下步骤： 步骤S11： 确定待压缩的流场， 根据应用范围选择某流场； 步骤S12： 根据风洞试验方法、 水洞试验方法或者数值模拟方法， 进行流场模拟； 步骤S13： 选取目标流场， 在目标流场的流场区域采用传感器获取流场时程； 步骤S14： 移动传感器位置， 重复步骤S13， 获取更多位置处的速度 时程， 得到流场样本 集W。 3.根据权利要求1所述的一种基于深度学习的流场时变数据的压缩存储方法， 其特征 在于， 所述 步骤S2中还 包括以下步骤： 步骤S21： 构建基于一维全卷积计算的自编码 深度学习网络模型； 步骤S22： 将所述 流场速度时程 W作为输入样本传递给自编码 深度学习神经网络中； 步骤S23： 定义模型中单个样本的损失函数L： 对训练集中所有样本的损失值求平均即为总的损失值； 其中， O表示模型的输出， 即还 原的时程， I表示模型的输入， 即 真实的已知时程， k表示时程的时刻标签， M为时程的长度； 步骤S24： 进行迭代训练。 4.根据权利要求3所述的一种基于深度学习的流场时变数据的压缩存储方法， 其特征 在于， 所述 步骤S21具体采用以下 方式实现， 包括以下步骤： 步骤S211： 模型输入层为 一维流场分量时程信号； 步骤S212： 对输层的时程信号进行 卷积运算， 得到模型的卷积层I； 步骤S213： 对所述 步骤S212中的输出 数据再次进行 卷积计算， 得到模型的卷积层I I； 步骤S214： 对所述步骤S213中的输出数据进行全连接计算， 得到模型的流场时程特征 编码； 步骤S215： 对所述 步骤S214中的编码进行全连接计算， 得到模型的反卷积层I； 步骤S216： 对所述 步骤S215中的输出 数据进行反卷积， 得到模型的反卷积层I I； 步骤S217： 对步骤S216中的输出 数据进行反卷积计算， 得到模型的输出层。 5.根据权利要求1所述的一种基于深度学习的流场时变数据的压缩存储方法， 其特征 在于， 所述 步骤S3中还 包括以下步骤： 步骤S31： 建立样本时程 坐标与所述 步骤S2中所述深度学习模型编码的一 一对应关系； 步骤S32： 通过所述步骤S31中的模型编码、 模型编码与坐标的对应关系， 同所述步骤权　利　要　求　书 1/2 页 2 CN 115546498 A 2S21中的模型参数存 储， 实现流场的数据压缩。权　利　要　求　书 2/2 页 3 CN 115546498 A 3