申请/专利权人:浙江大学
申请日:2024-03-04
公开(公告)日:2024-04-05
公开(公告)号:CN117825743A
主分类号:G01P5/20
分类号:G01P5/20;G06V10/77;G06V10/75;G06V10/82;G06N3/045;G06N3/0464;G06N3/08
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.23#实质审查的生效;2024.04.05#公开
摘要:本发明公开了一种基于傅里叶特征增强和全局匹配的PIV测速方法与装置。方法是构造了具有特征编码模块、特征增强模块、全局匹配模块、迭代更新生成流场模块和上下文特征提取模块的神经网络模型,再利用数据集对所述神经网络模型进行训练,将PIV实验粒子图像输入到所述神经网络模型处理得到速度场。本发明采用基于注意力机制的全局匹配方法,并在所述神经网络结构中引入傅里叶神经算子得到频率域特征,解决目前基于AI的PIV测速方法对大速度流场预测不准的问题,提高了模型的鲁棒性和抗干扰能力。
主权项:1.一种基于傅里叶特征增强和全局匹配的PIV测速方法,其特征在于:步骤101:构造神经网络模型;所述的神经网络模型包括特征编码模块、特征增强模块、全局匹配模块、迭代更新生成流场模块和上下文特征提取模块;将相邻时间间隔至少两幅PIV粒子图像输入到所述特征编码模块获得至少两个编码特征,再将所述至少两个编码特征输入到所述特征增强模块中获得至少两个增强特征,将所述至少两个增强特征输入到所述全局匹配模块后获得两个匹配特征,将至少一幅PIV粒子图像输入到所述上下文特征提取模块中提取获得对应的一个上下文特征信息,再将所述至少两个匹配特征和所述至少一个上下文特征信息共同输入到所述迭代更新生成流场模块中进行-多次迭代计算得到最终的位移矢量场;步骤102:利用数据集对神经网络模型进行训练;步骤103:读取PIV实验粒子图像;步骤104:输入到神经网络模型处理得到速度场。
全文数据:
权利要求:
百度查询: 浙江大学 基于傅里叶特征增强和全局匹配的PIV测速方法与装置
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。