典型文献
基于深度神经网络的流场时空重构方法
文献摘要：
针对流场粒子图像测速实验中时间和空间高分辨率测量代价高的问题,研究了数据驱动的流场时空重构方法.为了对实验测得的低分辨率数据进行时空高分辨率重构,提出了一种基于深度神经网络的流场时空重构方法,并构建了一种基于卷积神经网络和长短时记忆神经网络的混合深度神经网络.该混合深度神经网络能够学习流场的时空演化特征,训练完成后可实现对实验数据的时空高分辨率重构.测试结果表明:只进行流场空间高分辨率重构时,重构出的流场与真实流场之间的均方根误差为0.0065左右,流场数据点数是原来的51倍;同时进行流场时间和空间高分辨率重构时,重构出的流场与真实流场之间的均方根误差可保持在0.065左右,流场时间维度的密度是原来的5倍,可极大提高实验效率,节约实验成本.
文献关键词：
深度神经网络;高分辨率;重构;时空特征
中图分类号：
作者姓名：
韩仁坤;刘子扬;钱炜祺;王文正;陈刚
作者机构：
西安交通大学 航天航空学院 陕西省先进飞行器服役环境与控制重点实验室,西安 710049;中国空气动力研究与发展中心,绵阳 621000;机械结构强度与振动国家重点实验室,西安 710049
文献出处：
引用格式：
[1]韩仁坤;刘子扬;钱炜祺;王文正;陈刚-.基于深度神经网络的流场时空重构方法)[J].实验流体力学,2022(03):118-126
A类：
B类：
深度神经网络,时空重构,重构方法,粒子图像测速,中时,价高,低分辨率,分辨率重构,长短时记忆神经网络,够学,时空演化特征,据点,差可,时间维度,高实,实验效率,时空特征
AB值：
0.198839
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
