[發明專利]流體特征提取方法、系統、計算機可讀存儲介質及設備

有效

• 申請號: 202010620107.1
• 申請日: 2020-06-30
• 公開（公告）號: CN111859785B
• 公開（公告）日: 2022-11-11
• 發明（設計）人: 楊旭波;張銳
• 申請（專利權）人: 上海交通大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06F113/08
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 張燕

1.一種流體特征提取方法，其特征在于，包括：

獲取數據樣本；所述數據樣本分為待訓練數據樣本和待測試數據樣本；

根據所述數據樣本，構建一數據訓練模型；

調用所述數據訓練模型訓練所述待訓練數據樣本，以生成適用于所述待訓練數據樣本的匹配數據訓練模型；

評估所述匹配數據訓練模型；

當所述匹配數據訓練模型符合預設評估標準時，將所述測試數據樣本輸入至所述匹配數據訓練模型，以通過所述匹配數據訓練模型預測所述測試數據樣本的屬性特征；

通過所述匹配數據訓練模型預測所述測試數據樣本的屬性特征輸入至預存的分層渦旋框架，以便通過所述分層渦旋框架完成流體渦旋細絲的特征提取和重構；

將通過所述流體特征提取方法完成的流體渦旋細絲的特征提取和重構的結果與若干預存特征提取方法完成的流體渦旋細絲的特征提取和重構的結果進行比對，以獲取所述流體特征提取方法的價值點。

2.根據權利要求1所述的流體特征提取方法，其特征在于，

構建的數據訓練模塊包括：

輸入層、設置于所述輸入層下層的卷積層、設置于所述卷積層下層的池化層、設置于所述池化層下層的全連接層、設置于所述全連接層下層的丟棄層及設置于所述丟棄層下層的輸出層。

3.根據權利要求1所述的特征提取方法，其特征在于，在調用所述數據訓練模型訓練所述待訓練數據樣本的過程中，所述流體特征提取方法還包括利用預存優化函數優化所述數據訓練模型。

4.根據權利要求1所述的流體特征提取方法，其特征在于，所述預設評估標準包括損耗函數；

評估所述匹配數據訓練模型的步驟包括：

計算所述匹配數據訓練模型的損失函數；

將所述匹配數據訓練模型的損失函數的數值與預設損失閾值進行比對，以確定適用于所述待訓練數據樣本的匹配數據訓練模型；其中，適用于所述待訓練數據樣本的匹配數據訓練模型為損失函數的最小數值對應的數據訓練模型。

5.根據權利要求1所述的流體特征提取方法，其特征在于，所述流體特征提取方法完成的流體渦旋細絲的特征提取和重構的結果與若干預存特征提取方法完成的流體渦旋細絲的特征提取和重構的結果在計算精度、計算速度、成本消耗上進行比對。

6.一種流體特征提取系統，其特征在于，包括：

獲取模塊，用于獲取數據樣本；所述數據樣本分為待訓練數據樣本和待測試數據樣本；

構建模塊，用于根據所述數據樣本，構建一數據訓練模型；

模型生成模塊，用于調用所述數據訓練模型訓練所述待訓練數據樣本，以生成適用于所述待訓練數據樣本的匹配數據訓練模型；

評估模塊，用于評估所述匹配數據訓練模型；

預測模塊，用于當所述匹配數據訓練模型符合預設評估標準時，將所述測試數據樣本輸入至所述匹配數據訓練模型，以通過所述匹配數據訓練模型預測所述測試數據樣本的屬性特征；

通過所述匹配數據訓練模型預測所述測試數據樣本的屬性特征輸入至預存的分層渦旋框架，以便通過所述分層渦旋框架完成流體渦旋細絲的特征提取和重構；

將通過所述流體特征提取方法完成的流體渦旋細絲的特征提取和重構的結果與若干預存特征提取方法完成的流體渦旋細絲的特征提取和重構的結果進行比對，以獲取所述流體特征提取方法的價值點。

7.根據權利要求6所述的流體特征提取系統，其特征在于，所述流體特征提取系統中預存有分層渦旋框架。

8.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1至5中任一項所述流體特征提取方法。

9.一種電子設備，其特征在于，包括：處理器及存儲器；

所述存儲器用于存儲計算機程序，所述處理器用于執行所述存儲器存儲的計算機程序，以使所述設備執行如權利要求1至5中任一項所述流體特征提取方法。