[发明专利]一种基于深度置信网络的翼型结冰冰形预测方法及装置

权利要求书

1.一种基于深度置信网络的翼型结冰冰形预测方法，其特征在于，包括如下步骤：

预先构建和训练傅里叶系数深度置信网络模型、上下极限深度置信网络模型；

将待预测的结冰条件进行数据归一化，得到归一化后的结冰条件；

将归一化后的结冰条件输入所述傅里叶系数深度置信网络模型，分别得到冰形曲线傅里叶级数展开式中的傅立叶级数正弦项a_i、傅立叶级数余弦项b_i；将归一化后的结冰条件输入所述上下极限深度置信网络模型，得到冰形曲线傅里叶级数展开式中的上翼面结冰极限处对应的弧长ξu、下翼面结冰极限处所对应的弧长ξl；

将a_i、b_i、ξu、ξl代入冰形曲线傅里叶级数展开式中，得到翼型结冰冰形曲线，所述冰形曲线傅里叶级数展开式为：

其中，m为傅里叶级数展开项个数，ξ为翼型表面弧长；

所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型由多个受限玻尔兹曼机和一个BP神经网络层构成；

所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型通过样本数据进行训练，在训练前进行以下步骤：

将样本数据进行数据预处理，得到可以用来训练所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型的有效样本数据；

将有效样本数据进行数据归一化，得到归一化后的样本数据；

将归一化后的样本数据划分为训练集和测试集，其中，所述训练集用于训练所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型，所述测试集用于测试所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型的性能；

在训练所述傅里叶系数深度置信网络模型和所述上下极限深度置信网络模型通过样本数据的步骤中，包括受限玻尔兹曼机的无监督预训练，所述受限玻尔兹曼机的无监督预训练包括如下步骤：

使所有的受限玻尔兹曼机的权重偏差初始化；

对首个受限玻尔兹曼机进行前向训练，计算首个受限玻尔兹曼机的正向梯度；

对首个受限玻尔兹曼机进行反向重构，计算首个受限玻尔兹曼机的反向梯度；

计算首个受限玻尔兹曼机的对比散度，更新首个受限玻尔兹曼机的权重偏差；

计算首个受限玻尔兹曼机的误差；

当首个受限玻尔兹曼机的误差达到误差阈值或者首个受限玻尔兹曼机的迭代次数达到上限时，完成首个受限玻尔兹曼机的训练；

按照首个受限玻尔兹曼机的训练方式继续训练下一个受限玻尔兹曼机，直到所有的受限玻尔兹曼机训练完成。

2.如权利要求1所述的一种基于深度置信网络的翼型结冰冰形预测方法，其特征在于，所述结冰条件为：来流速度ν、环境温度T、液态水含量LWC、过冷水滴平均等效直径MVD和结冰时间t。

3.如权利要求2所述的一种基于深度置信网络的翼型结冰冰形预测方法，其特征在于，在所述将样本数据进行数据预处理的步骤中，包括以下步骤：

采用翼面坐标转换法提取样本数据的二维冰形曲线；

采用所述冰形曲线傅里叶级数展开式将所述样本数据的二维冰形曲线进行参数化。

4.如权利要求1所述的一种基于深度置信网络的翼型结冰冰形预测方法，其特征在于，在所述将待预测的结冰条件进行数据归一化的步骤中，采用Z-score标准进行归一化，使待预测的结冰条件的均值为0、标准差为1；在所述将有效样本数据进行数据归一化的步骤中，采用Z-score标准进行归一化，使有效样本数据的均值为0、标准差为1。

5.如权利要求1所述的一种基于深度置信网络的翼型结冰冰形预测方法，其特征在于，在将归一化后的样本数据划分为训练集和测试集的步骤中，将归一化后的样本数据中的85％划分为训练集，将归一化后的样本数据中的15％测试集。