(19)中华 人民共和国 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 202111402920.2 (22)申请日 2021.11.24 (71)申请人 南京航空航天大 学 地址 211106 江苏省南京市江宁区将军大 道29号 (72)发明人 刘学军　宣扬　吕宏强　 (74)专利代理 机构 江苏圣典律师事务所 32 237 代理人 苏一帜 (51)Int.Cl. G06F 30/28(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 111/08(2020.01) G06F 113/08(2020.01) G06F 119/08(2020.01)G06F 119/14(2020.01) (54)发明名称 一种用于水下航行器流场分析的转捩点检 测方法 (57)摘要 本发明实施例公开了一种用 于水下航行器 流场分析的转捩点检测方法， 涉及流场特征检测 领域， 能够扩大应用范围， 适用于更多的应用场 景中， 并且解决了转捩点单点估计的缺陷。 本发 明包括： 接收客户端发送的流场初始信息， 并根 据流场初始信息建立流场模型； 建立训练数据集 和测试数据集； 对训练数据集和测试数据集进行 编码处理， 得到的编码结果包括： 训练数据集和 测试数据各自对应的热力图； 建立卷积神经网络 预测模型， 并通过训练数据集对深度卷积神经网 络预测模型进行训练， 并更新卷积神经网络预测 模型的网络权重； 在测试阶段， 将测试数据输入 训练后的卷积神经网络预测模型， 之后， 对卷积 神经网络 预测模型的输出进行解码， 得到最终的 转捩点坐标并返回给客户端。 权利要求书2页 说明书8页 附图2页 CN 114201930 A 2022.03.18 CN 114201930 A 1.一种用于水 下航行器流场分析的转捩点检测方法， 其特 征在于， 包括： 步骤1、 接收客户端发送的流场初始信息， 并根据所述 流场初始信息建立 流场模型； 步骤2、 建立训练数据集和 测试数据集； 步骤3、 对所述训练数据集和所述测试数据集进行编码处理， 得到的编码结果包括： 所 述训练数据集和所述测试 数据各自对应的热力图； 步骤4、 建立卷积神经网络预测模型， 并通过训练数据集和与训练数据集对应的热力 图， 对卷积神经网络预测模型进行训练， 更新所述卷积神经网络预测模型的网络 权重； 步骤5、 在测试阶段， 从所述测试数据集中提取测试数据并输入训练后的所述卷积神经 网络预测模型， 之后， 对所述卷积神经网络预测模 型的输出进 行解码， 得到最 终的转捩点坐 标并返回给 所述客户端。 2.根据权利要求1所述的方法， 其特 征在于， 在步骤1之前， 还 包括： 在服务器接收所述客户端发送的登录信 息和任务信 息， 所述任务信 息中包括了所述流 场初始信息； 根据所述登录信 息确定所述客户端可支配的最大计算资源量， 并检测所述任务信 息对 应的计算资源是否超出所述最大计算资源量， 若否， 则从资源池中提取计算资源并分配给 所述客户端。 3.根据权利要求1所述的方法， 其特征在于， 在步骤1中， 根据 所述流场初始信 息建立流 场模型， 包括： 建立不可压缩Navier ‑Stokes流场模型： 其中p表示压力,u表示速度矢量， Fc(p,u)和 分别表示无粘性和粘性通量， 表示梯度计算， t 表示时间， 表示速度对时间的偏微分。 4.根据权利要求1所述的方法， 其特 征在于， 在步骤2中， 包括： 步骤2.1、 利用所述建立的流场模型， 生成流线图； 步骤2.2、 在所述流线图中， 搜索转捩点的位置， 其中， 采用流线作为判断依据， 将独立 的闭合流线作为分离泡， 而在分离泡中被流线包围的中心即为 转捩点位置； 步骤2.3、 通过 方框标注分离泡， 并通过点标注分离泡中的转捩点。 5.根据权利要求 4所述的方法， 其特 征在于， 在步骤3中， 所进行的编码处 理， 包括： 将被标注 的转捩点从二维坐标的形式转化为热力图的形式， 其中， 热力图上的一个点 对应一个转捩点在该点出现的概率， 概率的范围为[ 0,1]， 获取热力图上每个点的概率的方 式为： 其中， μ表示转捩点的坐标， x表示热力 图上的点的坐标,Σ表示高斯分布的协方差矩权　利　要　求　书 1/2 页 2 CN 114201930 A 2阵。 6.根据权利要求5所述的方法， 其特 征在于， 还 包括： 在从二维坐标的形式转 化为热力图的形式之前， 对Σ进行旋转和尺度的变换， 其中： R表示旋转矩阵， θ表示旋转角度， S表示尺度矩阵， k表示分离泡的宽高比， 变换后的协 方差矩阵为Σ ′， 且Σ′＝TΣTT； T＝RS， T代表由旋转矩阵R和尺度矩阵S相乘所得 的变换矩 阵， TT代表变换矩阵的转置； 采用随机梯度下降算法更新所述卷积神经网络预测模型的网络 权重。 7.根据权利要求1或6所述的方法， 其特 征在于， 在步骤4中， 包括： 步骤4.1、 在建立卷积神经网络预测模型之后， 随机初始化神经网络的初始权 重； 步骤4.2、 将所述训练数据集输入所述卷积神经网络预测模型中， 输出 预测热图； 步骤4.3、 计算预测热图与真实热图之间的均方误差RMSE， 其中， 其中， gi表示所述真实热图上第i个点的真实标签的概率值， 表示所述预测热图的对 应点的预测概 率值， N表示预测热图上的总点数。 步骤4.4、 根据 所得到的均 方损失， 利用反向传播算法更新所述卷积神经网络预测模型 的网络权重。 8.根据权利要求7 所述的方法， 其特 征在于， 在步骤5中， 包括： 步骤5.1、 将测试 数据输入训练后的所述卷积神经网络预测模型， 输出测试 热力图； 步骤5.2、 对所述测试热力图进行解码， 从热力图的形式转化为从二维坐标的形式， 并 得到二维坐标； 步骤5.3、 将得到的二维坐标作为所述 最终的转捩点 坐标。 9.根据权利要求8所述的方法， 其特 征在于， 在对所述测试 热力图进行解码中， 包括： 在所述测试 热图上最大概 率值的点的位置进行偏移， 其中： 对所述测试热图进行解码， 其中， l表示解码后的位置， m 表示测试热力图上最大概率值处， 表示卷积神经网络预测模型输出 的热力图, 和 分别表示输出 热力图在m点处的一阶微分和二阶微分。权　利　要　求　书 2/2 页 3 CN 114201930 A 3