[發(fā)明專利]基于深度卷積生成對抗網(wǎng)絡(luò)的發(fā)動(dòng)機(jī)喘振信號模擬方法

在審

• 申請?zhí)枺?/td>: 202011232602.1
• 申請日: 2020-11-06
• 公開（公告）號: CN112528553A
• 公開（公告）日: 2021-03-19
• 發(fā)明（設(shè)計(jì)）人: 張興龍;吳宋偉;張?zhí)旌?/a>;黃向華;盛漢霖
• 申請（專利權(quán)）人: 南京航空航天大學(xué)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 南京君陶專利商標(biāo)代理有限公司 32215
• 代理人: 嚴(yán)海晨

1.基于深度卷積生成式對抗網(wǎng)絡(luò)的喘振信號生成方法，其特征是包括以下步驟：

1）通過逼喘試驗(yàn)采集不同喘振特征的真實(shí)發(fā)動(dòng)機(jī)喘振信號數(shù)據(jù)；

2）對步驟1）所采集真實(shí)發(fā)動(dòng)機(jī)喘振信號數(shù)據(jù)進(jìn)行預(yù)處理，獲得真實(shí)發(fā)動(dòng)機(jī)喘振信號的訓(xùn)練集x；

3）搭建深度卷積生成對抗網(wǎng)絡(luò)模型，根據(jù)輸入的真實(shí)發(fā)動(dòng)機(jī)喘振信號進(jìn)行訓(xùn)練；

4）計(jì)算回歸模型，得到無限接近于真實(shí)的航空發(fā)動(dòng)機(jī)喘振信號。

2.根據(jù)權(quán)利要求1所述的基于深度卷積生成式對抗網(wǎng)絡(luò)的喘振信號生成方法，其特征是所述步驟2）對真實(shí)發(fā)動(dòng)機(jī)喘振信號數(shù)據(jù)進(jìn)行“類圖像化”處理，具體包括以下步驟：

步驟2-1，采用基于Mallat算法的多分辨率分析，對真實(shí)發(fā)動(dòng)機(jī)喘振信號進(jìn)行N層分解，N為小波分析層數(shù)；得到近似系數(shù)和細(xì)節(jié)系數(shù)，其中；

步驟2-2，根據(jù)近似系數(shù)和細(xì)節(jié)系數(shù)，對真實(shí)發(fā)動(dòng)機(jī)喘振信號進(jìn)行數(shù)據(jù)重構(gòu)，獲得含有真實(shí)發(fā)動(dòng)機(jī)喘振信號時(shí)頻信息的二維數(shù)組X，X的大小為（T，N+1），T為截取的喘振信號時(shí)間長度；

步驟2-3，根據(jù)步驟2-2得到的時(shí)頻信息中的二維數(shù)組X，獲得d組訓(xùn)練集；

步驟2-4，根據(jù)擬模擬喘振信號特征需求選擇訓(xùn)練集，設(shè)置mini-batch=m，將訓(xùn)練集中劃分為。

3.根據(jù)權(quán)利要求1所述的基于深度卷積生成式對抗網(wǎng)絡(luò)的喘振信號生成方法，其特征是步驟3）所述搭建深度卷積生成對抗網(wǎng)絡(luò)模型，采用CNN卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成，包括生成網(wǎng)絡(luò)G和判別網(wǎng)絡(luò)D兩部分。

4.根據(jù)權(quán)利要求3所述的基于深度卷積生成式對抗網(wǎng)絡(luò)的喘振信號生成方法，其特征所述生成網(wǎng)絡(luò)G的結(jié)構(gòu)為四個(gè)隱藏層，每個(gè)隱藏層都包括卷積—批標(biāo)準(zhǔn)化處理—LeakyRelu激活函數(shù)，最后一層進(jìn)行flatten處理，并使用sigmoid函數(shù)進(jìn)行輸出。

5.根據(jù)權(quán)利要求3所述的基于深度卷積生成式對抗網(wǎng)絡(luò)的喘振信號生成方法，其特征所述判別網(wǎng)絡(luò)D的結(jié)構(gòu)為四個(gè)隱藏層，每個(gè)隱藏層都包括反卷—批標(biāo)準(zhǔn)化處理—LeakyRelu激活函數(shù)，最后連接至tanh激活函數(shù)進(jìn)行輸出。

6.根據(jù)權(quán)利要求1所述的基于深度卷積生成式對抗網(wǎng)絡(luò)的喘振信號生成方法，其特征是步驟3）所述根據(jù)輸入的真實(shí)發(fā)動(dòng)機(jī)喘振信號進(jìn)行訓(xùn)練，包括以下步驟：

步驟3-1，隨機(jī)獲得1組2維噪聲信號z，其分布為，將噪聲數(shù)據(jù)集中劃分為，作為生成網(wǎng)絡(luò)G的輸入信號，輸出模擬喘振信號；

步驟3-2，將步驟3-1得到的與真實(shí)發(fā)動(dòng)機(jī)喘振信號的訓(xùn)練集x，混合輸入判別網(wǎng)絡(luò)D作為訓(xùn)練樣本，訓(xùn)練過程中生成網(wǎng)絡(luò)G和判別網(wǎng)絡(luò)D相互對抗，交替迭代優(yōu)化，其優(yōu)化目標(biāo)函數(shù)為：

式中，E表示分布函數(shù)的期望值；D(G(z))表示判別網(wǎng)絡(luò)D對標(biāo)注的模擬準(zhǔn)確率，0≤D(G(z))≤1；

步驟3-3，通過Adam梯度下降算法對參數(shù)進(jìn)行更新，減少對應(yīng)的損失、，具體計(jì)算公式分別為：

式中，m為劃分的mini-batch層數(shù)，分別表示第j個(gè)batch的訓(xùn)練集和噪聲，表示生成網(wǎng)絡(luò)G根據(jù)噪聲模擬生成的數(shù)組，表示判別網(wǎng)絡(luò)D對標(biāo)注的模擬準(zhǔn)確率；

步驟3-4，進(jìn)行多次循環(huán)對抗訓(xùn)練，達(dá)到納什平衡時(shí)，獲得最終的生成網(wǎng)絡(luò)G和判別網(wǎng)絡(luò)D并固定模型參數(shù)。

7.根據(jù)權(quán)利要求6所述的基于深度卷積生成式對抗網(wǎng)絡(luò)的喘振信號生成方法，其特征是步驟3-1中低維噪聲信號z從高斯分布中取樣。

8.根據(jù)權(quán)利要求1所述的基于深度卷積生成式對抗網(wǎng)絡(luò)的喘振信號生成方法，其特征是步驟4）所述計(jì)算回歸模型，為綜合輸出的模擬喘振信號的時(shí)頻特征數(shù)組，進(jìn)行逆小波變換。