典型文献
基于深度学习的爆炸冲击波信号重构模型
文献摘要：
针对爆炸冲击波信号重构问题,引入深度卷积神经网络(DCNN)捕捉冲击波信号的局部信息和高阶特征,引入双向长短期记忆网络(Bi-LSTM)捕捉冲击波超压数据时序依赖关系,进而构建了基于深度学习的爆炸冲击波信号重构模型.相关实验研究表明,本文构建的爆炸冲击波信号重构模型,综合考量了信号的时序关系、频谱特征、数据变化规律等特征信息;在基于有限测点数据的冲击波场压力分布重构实验中,模拟和实测超压峰值平均误差分别为3.53％和13.71％,正压作用时间平均误差分别为7.35％和14.26％,比冲量平均误差分别为4.02％和11.92％;在基于残缺数据的冲击波压力曲线重构实验中,模拟和实测信号重构的缺失值与原始值基本吻合,且偏差均在0附近;均满足爆炸冲击波压力重构指标要求.研究结果对爆炸冲击波信号重构有重要指导意义.
文献关键词：
动态测试;冲击波超压;信号重构;深度学习
中图分类号：
作者姓名：
孙传猛;裴东兴;陈嘉欣;许瑞嘉;崔春生;高群昌
作者机构：
中北大学省部共建动态测试技术国家重点实验室,山西太原030051;中北大学电气与控制工程学院,山西太原030051
文献出处：
引用格式：
[1]孙传猛;裴东兴;陈嘉欣;许瑞嘉;崔春生;高群昌-.基于深度学习的爆炸冲击波信号重构模型)[J].计测技术,2022(02):57-67
A类：
压力分布重构
B类：
爆炸冲击波,冲击波信号,信号重构,重构模型,深度卷积神经网络,DCNN,局部信息,双向长短期记忆网络,Bi,冲击波超压,依赖关系,时序关系,频谱特征,数据变化,特征信息,有限测点,冲击波场,超压峰值,平均误差,正压,作用时间,时间平均,比冲量,残缺,冲击波压力,压力曲线,曲线重构,实测信号,缺失值,指标要求,动态测试
AB值：
0.289208
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。
