买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆大学

摘要：本发明具体涉及基于改进生成对抗网络与模型压缩的翼型流场预测方法，包括：将边界条件输入经过训练的流场预测模型，输出对应的预测流场图像；训练流场预测模型时：首先将边界条件作为生成器的输入并输出预测流场图像，判别器基于真实流场图像对预测流场图像进行判断并更新自身参数，最后将判别器的参数更新结果反馈至生成器，以供生成器更新自身参数；重复迭代并不断更新生成器和判别器的参数；最终，对经过训练的流场预测模型进行模型压缩。本发明通过深度卷积生成对抗网络提取翼型流场的复杂特征，并能够将高维数据并转换为潜在的低维表示以更好的实现翼型流场预测，同时能够通过模型压缩来降低模型的参数量和运算量。

主权项：1.基于改进生成对抗网络与模型压缩的翼型流场预测方法，其特征在于，包括：S1：获取待预测对象的边界条件；S2：将边界条件输入经过训练的流场预测模型，输出对应的预测流场图像；流场预测模型基于深度卷积生成对抗网络构建；训练流场预测模型时：将包含边界条件及对应真实流场图像的训练数据集输入流场预测模型；每轮迭代时，首先将边界条件作为生成器的输入，输出对应边界条件下的预测流场图像，然后将预测流场图像和对应的真实流场图像作为判别器的输入，判别器基于真实流场图像对预测流场图像进行判断，并结合损失函数更新自身参数，最后将判别器的参数更新结果反馈至生成器，以供生成器更新自身参数；重复迭代并不断更新生成器和判别器的参数；最终，对经过训练的流场预测模型进行模型压缩，并将压缩后的流场预测模型用于翼型流场预测；步骤S2中，通过如下步骤训练流场预测模型：S211：构建流场预测模型的损失函数；S212：将m组边界条件和真实流场图像输入流场预测模型中；S213：在每轮迭代中，先固定生成器参数，生成器基于边界条件生成预测流场图像，判别器对真实流场图像和预测流场图像进行判断，并结合损失函数更新判别器的参数直至判别器能够区分真实流场图像和预测流场图像；S214：再固定判别器参数，将判别器的参数更新结果反馈至生成器，并结合损失函数更新生成器的参数直至生成器生成的预测流场图像能够通过判别器的判断；S215：重复步骤S213至S214进行不断迭代，直至流场预测模型收敛，得到训练好的生成器和判别器；步骤S211中，通过如下步骤表示流场预测模型的损失函数： 式中：E表示期望；μ表示边界条件；G表示生成器；Gμ表示生成器输出的边界条件对应的预测流场图像；D表示判别器；μ表示边界条件；φd表示真实流场图像；pμμ表示边界条件μ产生随机数据集的先验分布；pdataφd表述真实流场图像φd对应的概率数据分布；步骤S212中，通过最大化判别器函数更新判别器的参数，θD表示判别器损失函数中的参数； 步骤S213中，通过最小化生成器函数更新生成器的参数，θG表示生成器损失函数中的参数； 反向传播时，令θD＝wD,bD，θG＝wG,bG；wD、bD和wG、bG分别表示判别器和生成器的权值和偏差；参数θG和θD在反向传播时由如下的代理损失更新；公式描述为： 式中：η表示学习率；P表示迭代步骤，当P→∞时，θD达到局部最优，其中通过如下步骤对流场预测模型进行模型压缩：S221：将流场预测模型的原始权重归一化至区间[-1,1]，然后设定阈值来将区间[-1,1]的原始权重量化为{-1,0,1}三个中间值；S222：随机初始化Wn，Wp的值：Wn表示压缩前流场预测模型中小于-Δl的原始权重，Wp表示压缩前流场预测模型中大于Δl的原始权重；S223：基于损失函数采用两个梯度反向传播对Wn、Wp进行训练：将梯度反向传播G1到全分辨率权重，学习三元权重的分配；将梯度G2反向传播到Wn、Wp，学习三元权重的大小；在每层l中的正负权重分别引入两个待训练的量化权重和代表第L层大于Δl的权重，代表第L层小于-Δl的权重；每层的和分别组成Wp和Wn；在前向传播过程中，量化后的三元权重计算为如下公式： 在反向传播过程中，根据梯度下降规则，权重梯度更新为： S224：重复步骤S223，直至流场预测模型满足要求，得到三元权重Wn、0、Wp，并通过三元权重Wn、0、Wp替换流场预测模型压缩前的原始权重；S3：将对应预测流场图像中的预测流场参数作为待预测对象的流场预测结果。

全文数据：

权利要求：

百度查询： 重庆大学 基于改进生成对抗网络与模型压缩的翼型流场预测方法