【技術實現步驟摘要】
本專利技術涉及電磁學領域，具體涉及一種基于小波變換時頻譜特征的2d-cnn網絡尾流電磁場探測方法。
技術介紹
1、水下航行器在水下航行時排開海水形成的尾流，能持續較長時間并傳播較遠距離。尾流只受限于水下航行器的水動力學行為，而與本身的建造材料沒有關聯。海水本身含有大量的帶電離子，當水下航行器航行促使海水運動時，帶電離子獲得外部激勵。在地磁場作用下，將打破局部電中性，在整個流場分布的范圍內形成感應電流，從而在空間中激發電磁場分布。尾流電磁場探測是一種新型的水下航行器探測技術和前沿發展方向，同時也是現有非聲探測技術的重要補充。因此，探索尾流電磁場探測方法具有重要意義和潛在應用價值。
2、盡管電磁場傳感技術得到了長足發展，目前國內外已實現超低噪聲電磁場傳感器，但無法直接將先進的電磁場傳感器應用于水下航行器尾流電磁場探測。這是因為受海洋背景電磁場噪聲的影響，水下航行器極微弱的尾流電磁場會被噪聲所淹沒，導致難以實現目標探測。關于尾流電磁場的研究國內外剛起步，目前其探測方法鮮有公開報道。傳統的水下航行器電磁場探測技術主要依賴簡化模型，例如將水下航行器等效為磁偶極子或電偶極子模型，利用該模型與噪聲模型的差異性，通過算法從背景噪聲中提取水下航行器微弱的電磁場信號。但水下航行器尾流電磁場的產生機制比較復雜，需要利用水動力學和電磁學相互耦合進行計算求解，并無有效的電磁場簡化模型，因此傳統的水下航行器電磁場探測技術無法適用于尾流電磁場信號檢測。
技術實現思路
1、為解決水下航行器尾流電磁場探
2、本專利技術方法以深度學習方法作為檢測手段、以速度場模擬作為模擬基礎，以電磁場模擬作為核心數據來源，大幅度提升了可用于模型訓練的數據量，提高了檢測準確率。
3、更具體而言，本專利技術從三個方面提升尾流電磁場的探測能力：一是通過大量的水下航行器尾流電磁場計算數據訓練和優化深度學習模型，解決了復雜尾流電磁場探測模型的構建問題；二是通過水動力學和電磁學的多物理場耦合方法生成水下航行器尾流電磁場計算數據集，解決了深度學習訓練樣本的創建問題；三是通過小波變換提取水下航行器尾流電磁場的時頻譜特征，解決了深度學習在尾流電磁場探測中的特征表示問題。
4、具體而言，本專利技術提供了一種基于小波變換時頻譜特征的2d-cnn網絡尾流電磁場探測方法，所述方法包括：
5、步驟(1)通過水動力學和電磁學的多物理場耦合方法生成潛航器尾流電磁場計算數據集，
6、該步驟(1)包括：
7、(1.1)在動力場模擬軟件中構建幾何模型，設置幾何模型的計算域；
8、(1.2)對所設置的計算域進行網格劃分；
9、(1.3)為所述幾何模型設定邊界條件，所述邊界條件至少包括速度入口、壓力出口、對稱面和壁面；
10、(1.4)在動力場模擬軟件中求解計算域中的速度場分布；
11、(1.5)基于獲得的速度場分布，按照下述公式對計算域中任一點的尾流電場e和尾流磁場b進行計算：
12、e(r)＝v0(r)×b(r)＝v0(r)×(be(r)+bi(r))≈v0(r)×be(r)(1)
13、
14、式(1)和式(2)中，位置矢量r'和位置矢量r分別表示源點的位置和待測點的位置，其中，j(r')表示位置r'處的電流密度，v表示積分體積，v0表示根據速度場計算獲得的待測點的水流速度，μ表示海水磁導率，σ表示海水電導率，be表示地磁場；
15、(1.6)修改輸入參數和模型參數，重復上述步驟，獲得不同輸入參數和模型參數條件下的尾流電場e和尾流磁場b分布，獲得多組尾流電場e和尾流磁場b數據，構成數據集；
16、步驟(2)將整個計算域作為測定區域，從測定區域中，選取若干測量點，從數據集中獲取不同條件下各個測量點的電、磁場隨時間變化的數據，對所獲得的電、磁場數據進行小波變換，獲得小波變換后的數據集；
17、步驟(3)構建2d-cnn深度神經網絡，將所構建的數據集分成訓練集和測試集，將訓練集中的數據輸入到2d-cnn深度神經網絡中，對2d-cnn深度神經網絡進行訓練并利用測試集進行測試，獲得訓練后的2d-cnn深度神經網絡，將所獲得的訓練后的2d-cnn深度神經網絡用于尾流電磁場探測。
18、在一種優選實現方式中，所述動力場模擬軟件為cfd軟件。
19、在另一種優選實現方式中，所述計算域為一個長方體區域，在所述計算域中設置suboff模型，用于模擬水下航行器。
20、在另一種優選實現方式中，電流密度j通過下述公式計算：
21、j＝σv0×be。
22、其中σ表示海水電導率，v0表示根據速度場計算獲得的待測點的水流速度，be表示地磁場。
23、在另一種優選實現方式中，小波變換采用下述公式進行：
24、
25、其中ψ(t)表示小波基函數；ψω,τ(t)表示小波基函數經放縮和平移產生的子小波；wf(ω,τ)為對信號f(t)做小波變換的結果。
26、在另一種優選實現方式中，所述計算域使用局部網格剖分和內插方法計算尾流電磁場。
27、在另一種優選實現方式中，所述網絡模型包括卷積模塊和全連接器模塊，所述卷積模塊包含7個卷積層及relu層、3個批歸一化層、4個池化層；全連接分類器模塊包含1個展平層、3個全連接層、2個relu層。
28、另一方面，本專利技術提供一種用于尾流電磁場探測模型訓練的數據集獲取方法，
29、所述方法包括：
30、(1.1)在動力場模擬軟件中構建幾何模型，設置幾何模型的計算域；
31、(1.2)在所構建幾何模型中，對計算域進行網格劃分；
32、(1.3)為所述幾何模型設定邊界條件，所述邊界條件至少包括速度入口、壓力出口、對稱面和壁面；
33、(1.4)在動力場模擬軟件中求解計算域中的速度場分布；
34、(1.5)基于獲得的速度場分布，按照下述公式計算計算域中任意點的尾流電場e和尾流磁場b：
35、e(r)＝v0(r)×b(r)＝v0(r)×(be(r)+bi(r))≈v0(r)×be(r)(4)
36、
37、式(4)和式(5)中，位置矢量r'和位置矢量r分別表示源點的位置和待測點的位置，其中，j(r')表示位置r'處的電流密度，v表示體積，v0表示根據速度場計算獲得的速度，μ表示海水磁導率，σ表示海水電導率，be表示地磁場。
38、(1.6)重復上述步驟修改輸入參數和模型參數，獲得不同輸入參數和模型參數條件下的尾流電場e和尾流磁場b分布，獲得多組尾流電場e和尾流磁場b數據，構成數據集。
39、本專利技術以實現尾流電磁場探測為目標，具有如下優點：
40、第本文檔來自技高網...
【技術保護點】
1.一種基于小波變換時頻譜特征的2D-CNN網絡尾流電磁場探測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于小波變換時頻譜特征的2D-CNN網絡尾流電磁場探測方法，其特征在于，
3.根據權利要求1所述的基于小波變換時頻譜特征的2D-CNN網絡尾流電磁場探測方法，其特征在于，
4.根據權利要求1所述的基于小波變換時頻譜特征的2D-CNN網絡尾流電磁場探測方法，其特征在于，
5.根據權利要求1所述的基于小波變換時頻譜特征的2D-CNN網絡尾流電磁場探測方法，其特征在于，
6.根據權利要求1所述的基于小波變換時頻譜特征的2D-CNN網絡尾流電磁場探測方法，其特征在于，
7.根據權利要求1所述的基于小波變換時頻譜特征的2D-CNN網絡尾流電磁場探測方法，其特征在于，所述網絡模型包括卷積模塊和全連接器模塊，所述卷積模塊包含7個卷積層及RELU層、3個批歸一化層、4個池化層；全連接分類器模塊包含1個展平層、3個全連接層、2個RELU層。
8.一種用于尾流電磁場探測模型訓練的數據集獲取方法，其特
...【技術特征摘要】
1.一種基于小波變換時頻譜特征的2d-cnn網絡尾流電磁場探測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于小波變換時頻譜特征的2d-cnn網絡尾流電磁場探測方法，其特征在于，
3.根據權利要求1所述的基于小波變換時頻譜特征的2d-cnn網絡尾流電磁場探測方法，其特征在于，
4.根據權利要求1所述的基于小波變換時頻譜特征的2d-cnn網絡尾流電磁場探測方法，其特征在于，
5.根據權利要求1所述的基于小波變換時頻譜特征的2d-cnn網絡...
【專利技術屬性】
技術研發人員：左超，歐陽君，王作帥，陳盟，王建勛，肖涵琛，李子圓，王司霖，楊喆瑜，陳志偉，楊文鐵，耿攀，羅偉，吳浩偉，陳濤，楊曉非，彭澤禹，楊雨淳，
申請(專利權)人：中國船舶集團有限公司第七一九研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。