【技術實現步驟摘要】
本專利技術涉及噪聲預測，特別是涉及一種基于局部優化和深度學習的殼體高頻聲輻射預報方法。
技術介紹
1、隨著工業自動化和信息化水平的提高，對設備的噪聲控制要求越來越高。在彈性介質中，只要波源所激起的縱波的頻率在20-20000hz之間，就能引起人的聽覺，這一頻率范圍內的振動稱為聲振動，由聲振動所激起的縱波稱為聲波。聲波借助各種介質向四面八方傳播。聲波通常是縱波，也有橫波，聲波所到之處的質點沿著傳播方向在平衡位置附近振動，聲波的傳播實質上是能量在介質中的傳遞。特別是在船舶、水下航行器等領域，水聲仍然是水下信息傳遞最有效的手段。高頻聲輻射的準確預測對于改善產品性能、降低環境噪聲污染具有重要意義。
2、然而，傳統的聲輻射預測方法往往依賴于復雜的數值模擬和實驗測試，耗時耗力且難以滿足實時性要求。因此，亟需一種基于局部優化和深度學習的殼體高頻聲輻射預報方法，實現對水下殼體的高頻聲輻射預報。
技術實現思路
1、本專利技術的目的是提供一種基于局部優化和深度學習的殼體高頻聲輻射預報方法，解決傳統的聲輻射預測方法往往依賴于復雜的數值模擬和實驗測試，耗時耗力且難以滿足實時性要求的問題。
2、本專利技術提供了一種基于局部優化和深度學習的殼體高頻聲輻射預報方法，所述方法包括：
3、獲取水下航行器的殼體的歷史運行數據，所述歷史運行數據包括速度數據、振動數據和聲輻射數據；
4、對所述歷史運行數據進行數據清洗和標準化處理，并提取關鍵特征；
5、構建深度學
6、并采用局部優化算法對深度學習網絡模型進行優化，得到所述深度學習網絡模型參數的最優解；
7、將所述參數的最優解賦予訓練后的深度學習網絡模型，得到殼體高頻聲輻射預報模型；
8、獲取水下航行器的殼體的實時運行數據，并基于所述殼體高頻聲輻射預報模型，根據所述實時運行數據確定所述殼體的高頻聲輻射預報數值。
9、在本申請的一些實施例中，所述速度數據包括水下航行器的殼體行駛速度、水流方向和水流速度；
10、所述振動數據包括振動頻率和振動幅度；
11、所述聲輻射數據包括聲頻率和聲壓級。
12、在本申請的一些實施例中，所述數據清洗包括：缺失值處理、異常值處理和重復值處理。
13、在本申請的一些實施例中，提取關鍵特征，包括：
14、對所述歷史運行數據的時間序列圖像進行傅里葉變換，得到所述歷史運行數據的頻譜圖像；
15、根據所述頻譜圖像提取所述歷史運行數據中的關鍵特征。
16、在本申請的一些實施例中，采用局部優化算法對深度學習網絡模型進行優化，得到所述深度學習網絡模型參數的最優解，包括：
17、采用梯度下降算法對所述深度學習網絡模型進行優化；
18、設置所述深度學習網絡模型的優化目標和學習率；
19、對所述深度學習網絡模型的參數進行初始化；
20、計算所述參數的梯度，將梯度最小的參數作為當前的最優解；
21、開始迭代優化，直到達到最大迭代次數或滿足預設條件，得到最終的最優解。
22、在本申請的一些實施例中，所述梯度下降算法的計算式為：
23、
24、其中，θ為深度學習網絡模型的參數，j(θ)為損失函數，α為學習率，為梯度。
25、在本申請的一些實施例中，得到殼體高頻聲輻射預報模型之后還包括：
26、在所述歷史運行數據中隨機抽取若干數據組成測試集；
27、根據所述測試集對所述殼體高頻聲輻射預報模型進行測試，根據測試結果得到測試后的殼體高頻聲輻射預報模型；
28、若測試結果的偏差在接受范圍內，則保留所述殼體高頻聲輻射預報模型；
29、若測試結果的偏差不在接受范圍內，則對所述殼體高頻聲輻射預報模型的參數進行調整，并重新進行測試。
30、在本申請的一些實施例中，所述深度學習網絡模型包含隱藏層和全連接層。
31、本申請還公開了一種計算機可讀存儲介質，所述計算機可讀存儲介質中存儲有至少一條指令、至少一段程序、代碼集或指令集，所述指令、程序、代碼集或指令集由處理器加載并執行以實現上述的基于局部優化和深度學習的殼體高頻聲輻射預報方法。
32、本申請還公開了一種設備，所述設備包括處理器和存儲器，所述存儲器中存儲有至少一條指令、至少一段程序、代碼集或指令集，所述指令、程序、代碼集或指令集由所述處理器加載并執行以實現上述的基于局部優化和深度學習的殼體高頻聲輻射預報方法。
33、與現有技術相比，本專利技術的有益效果在于，通過水下航行器殼體的歷史運行數據進行分析處理，提取關鍵特征，并根據關鍵特征建立深度學習網絡模型并訓練，同時對模型進行局部優化，保證模型的預測效果達到最優，提高了聲輻射預測的準確性，能夠更好地反映殼體在實際工作狀態下的聲輻射特性。通過深度學習自動提取特征，減少了人為干預，提高了預測效率。局部優化算法的應用使得模型更加精確地擬合實際數據，提高了預測的可靠性。可以實現快速預測，滿足實時性要求，適用于在線監測和控制系統。
本文檔來自技高網...【技術保護點】
1.基于局部優化和深度學習的殼體高頻聲輻射預報方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于局部優化和深度學習的殼體高頻聲輻射預報方法，其特征在于，所述速度數據包括水下航行器的殼體行駛速度、水流方向和水流速度；
3.根據權利要求1所述的基于局部優化和深度學習的殼體高頻聲輻射預報方法，其特征在于，所述數據清洗包括：缺失值處理、異常值處理和重復值處理。
4.根據權利要求1所述的基于局部優化和深度學習的殼體高頻聲輻射預報方法，其特征在于，提取關鍵特征，包括：
5.根據權利要求1所述的基于局部優化和深度學習的殼體高頻聲輻射預報方法，其特征在于，采用局部優化算法對深度學習網絡模型進行優化，得到所述深度學習網絡模型參數的最優解，包括：
6.根據權利要求5所述的基于局部優化和深度學習的殼體高頻聲輻射預報方法，其特征在于，
7.根據權利要求1所述的基于局部優化和深度學習的殼體高頻聲輻射預報方法，其特征在于，得到殼體高頻聲輻射預報模型之后還包括：
8.根據權利要求1所述的基于局部優化和深度學習的殼體
9.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質中存儲有至少一條指令、至少一段程序、代碼集或指令集，所述指令、程序、代碼集或指令集由處理器加載并執行以實現如權利要求1至8任一項所述的基于局部優化和深度學習的殼體高頻聲輻射預報方法。
10.一種設備，其特征在于，所述設備包括處理器和存儲器，所述存儲器中存儲有至少一條指令、至少一段程序、代碼集或指令集，所述指令、程序、代碼集或指令集由所述處理器加載并執行以實現如權利要求1至8任一項所述的基于局部優化和深度學習的殼體高頻聲輻射預報方法。
...【技術特征摘要】
1.基于局部優化和深度學習的殼體高頻聲輻射預報方法，其特征在于，所述方法包括：
2.根據權利要求1所述的基于局部優化和深度學習的殼體高頻聲輻射預報方法，其特征在于，所述速度數據包括水下航行器的殼體行駛速度、水流方向和水流速度；
3.根據權利要求1所述的基于局部優化和深度學習的殼體高頻聲輻射預報方法，其特征在于，所述數據清洗包括：缺失值處理、異常值處理和重復值處理。
4.根據權利要求1所述的基于局部優化和深度學習的殼體高頻聲輻射預報方法，其特征在于，提取關鍵特征，包括：
5.根據權利要求1所述的基于局部優化和深度學習的殼體高頻聲輻射預報方法，其特征在于，采用局部優化算法對深度學習網絡模型進行優化，得到所述深度學習網絡模型參數的最優解，包括：
6.根據權利要求5所述的基于局部優化和深度學習的殼體高頻聲輻射預報方法，其特征在于，
【專利技術屬性】
技術研發人員：成瑋，王樺瑀，陳雪峰，張鵬，韓圣明，楊志勃，張興武，高琳，
申請(專利權)人：西安交通大學，
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。