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：南京航空航天大学

摘要：本发明提出一种监测超声速进气道流动状态的方法，采用时频分析技术和深度学习相结合的方法，从动态传感器信号中监测超声速进气道的流动状态。首先，使用连续小波变换对动态传感器信号进行初步的信号处理，将动态传感器信号转换为时频谱图，然后输入到卷积神经网络ConvolutionalNeuralNetwork，简称CNN中进行分类。为了减少分类误差，本发明提出了同时考虑交叉熵损失和区分性特征学习的双通道三通道卷积神经网络DoubletTripletConvolutionalNeuralNetworkcombinedwithDiscriminativeLearning，简称DDL‑CNNTDL‑CNN。所提出的方法鼓励卷积模块将时频谱图投射到一个特征空间，使得在该空间里不同的流动状态变得更加可分。实验结果表明，与传统CNN相比，DDL‑CNNTDL‑CNN在多个指标上具有更好的性能。

主权项：1.一种超声速进气道流动状态的监测方法，其特征在于，包括如下步骤：步骤1，在超声速进气道的内部流道上布置若干个传感器，分别采集各传感器的动态压力信号，经过切分后得到不同流动状态下的样本；步骤2，利用连续小波变换分别对每个传感器的样本进行时频分析，得到对应的时频谱图，然后将其划分成训练集、验证集和测试集；步骤3，利用步骤2得到的各传感器的训练集分别训练DDL-CNN或TDL-CNN网络，并利用验证集选择最佳超参数；步骤4，利用步骤3训练好的DDL-CNN或TDL-CNN网络分别对各传感器的测试集进行测试，得到测试结果；所述步骤3中，DDL-CNN或TDL-CNN网络模型的训练步骤包括：步骤2.1，初始化网络参数，包括DDL-CNN或TDL-CNN倒数第二层之前的所有参数{θ}以及输出层的权重和偏置{Wj，bj}；其中，Wj是倒数第二层和输出层第j个节点之间的权重，bj是输出层第j个节点的偏置；步骤2.2，利用式1-2分别计算倒数第二层和输出层的输出；fi＝gXi|θ1zij＝WjTfi+bj2其中，Xi表示第i个训练样本，g·|θ表示从输入层到倒数第二层之间的映射关系，fi表示第i个训练样本在倒数第二层处的输出，也可认为是由卷积模块提取出的特征，zij是输出层第j个节点的输出；步骤2.3，利用式3-4分别计算对输出层施加Softmax后的输出以及交叉熵损失； 其中，yij和分别表示Xi属于第j类的真实概率和预测概率，表示所有训练样本的交叉熵损失，N表示所有训练样本的数目，M表示所有类别数目；步骤2.4，计算DDL-CNN或TDL-CNN的总损失；步骤2.5，利用Adam优化算法对网络参数进行更新；计算DDL-CNN的的总损失的具体步骤包括：DDL-CNN不仅需要将输入的两个样本Xi1和Xi2分类正确，同时需要确保在经由卷积模块映射后的特征空间里，若Xi1和Xi2来自于同一类，则它们应该较为接近，否则应该相互远离；因此，DDL-CNN的总损失由两部分组成，如式5所示： 其中，表示对输入的两个样本进行分类的平均交叉熵损失，表示是否正确判断来自同一类或不同类的损失，ρ是和之间的权重系数，的计算如式6所示； 其中，Yi1，j表示Xi1属于第j类的真实概率，表示Xi1属于第j类的真实概率，zi1，j表示未进入Softmax层之前输出层的线性输出； 表示是否正确判断来自同一类或不同类的损失，即需要确保输入的两个样本在特征空间满足特定的距离关系：若两个样本来自同一类，则它们在特征空间里的距离应该较小，否则应该较大，如式7所示： 其中，δ表示两个样本之间的基准距离，Δ代表两个样本之间的间隔；如果对于来自同一类的两个样本有hi,12＝-1，对于来自不同类的样本有hi,12＝+1，那么式7可写成一个与支持向量机类似的限制条件； 其中，且di，12＝[gxi1|θ′-gXi2|θ′]T[gXi1|θ′-gXi2|θ′]是由卷积模块提取的特征之间的距离；g·|θ′是g·|θ除以后的参数，代表两个样本之间归一化后的距离；因此，可写成与支持向量机类似的损失函数； 最终，DDL-CNN的总损失可由式10计算； 令则式10可进一步写成式11； 其中，C′＝ρC，且表示预测概率；C和C′代表两个损失项之间的权重系数；为了更新θ′，uj，bj，β，将式11转化成无限制条件的优化问题，如式12所示，然后再利用基于梯度的优化算法进行更新； 其中，表示一组新的权重参数；在更新参数之前，利用式13-16计算关于θ′，uj，bj，β的导数； 关于β的导数计算如式13所示； 其中，II{·}是指示函数； 关于bj的导数计算如式14所示； 关于uj的导数计算如式15所示； 关于θ′的导数计算如式16所示； 其中，是gXi1|θ′gXi2|θ′关于θ′的雅克比矩阵；计算DDL-CNN的总损失的具体步骤包括：TDL-CNN不仅需要将输入的三个样本Xi1、Xi2和Xi3分类正确，其中，Xi1和Xi2来自同一类，但Xi1和Xi3来自不同类，同时需要确保在经由卷积模块映射后的特征空间里，Xi1和Xi3之间的距离应该大于Xi1和Xi2之间的距离；因此，TDL-CNN的总损失也由两部分组成，如式17所示； 其中，表示对输入的三个样本进行分类的平均交叉熵损失，如式18所示； 需要确保输入的三个样本在特征空间满足特定的距离关系：不同类样本之间的距离应该要大于同一类样本之间的距离，如式19所示； 式19与支持向量机的限制条件较为相似；因此，也可写成与支持向量机类似的损失函数； 最终，TDL-CNN的总损失可由式21计算； 令则式21可进一步写成式22； 为了更新θ′，uj，bj，将式22转化成无限制条件的优化问题，如式23所示，然后再利用基于梯度的优化算法进行更新； 在更新参数之前，利用式24-26计算关于θ′，uj，bj的导数； 关于bj的导数计算如式24所示； 关于uj的导数计算如式25所示； 关于θ′的导数计算如式26所示； 其中，是gXi1|θ′gXi2|θ′gXi3|θ′关于θ′的雅克比矩阵。

全文数据：

权利要求：

百度查询： 南京航空航天大学 基于区分性特征学习的超声速进气道流动状态监测方法