[发明专利]不确定性指导集成自训练的半监督流场重建方法

权利要求书

1.一种不确定性指导集成自训练的半监督流场重建方法，其特征在于，包括：

获取多个有标签数据和多个无标签数据，其中，所述有标签数据包括流场内多个设定测点的状态观测值及其对应的完整流场，所述无标签数据包括流场内多个设定测点的状态观测值；

构建具有不同初始化模型参数的多个第一深度学习模型、以及具有初始化模型参数的第二深度学习模型；

利用所述有标签数据分别对多个所述第一深度学习模型进行训练以拟合流场内多个设定测点的状态观测值与完整流场的映射关系；

利用完成训练的多个所述第一深度学习模型获取每个所述无标签数据对应的完整流场及其对应的不确定性，并计算不确定性对应的不确定性权值；

利用所述无标签数据及其对应的完整流场和不确定性权值对所述第二深度学习模型进行预训练以拟合流场内多个设定测点的状态观测值与完整流场的映射关系；

利用所述有标签数据对所述第二深度学习模型进行再训练以拟合流场内多个设定测点的状态观测值与完整流场的映射关系。

2.根据权利要求1所述的不确定性指导集成自训练的半监督流场重建方法，其特征在于，利用所述有标签数据对所述第一深度学习模型进行训练，包括：

将所述有标签数据中的流场内多个设定测点的状态观测值作为输入，将所述有标签数据中的完整流场作为输出，训练所述第一深度学习模型。

3.根据权利要求2所述的不确定性指导集成自训练的半监督流场重建方法，其特征在于，将所述有标签数据中的流场内多个设定测点的状态观测值作为输入，将所述有标签数据中的完整流场作为输出，训练所述第一深度学习模型，包括以下步骤：

步骤S301，将多个所述有标签数据中的流场内多个设定测点的状态观测值依次输入所述第一深度学习模型，得到所述第一深度学习模型输出的预测流场；

步骤S302，将所述第一深度学习模型输出的预测流场与所述有标签数据中的完整流场进行比较，计算所述第一深度学习模型的预测准确率；

步骤S303，判断连续的至少两次得到的预测准确率是否大于预设准确率阈值，若是，则将当前的所述第一深度学习模型作为完成训练的所述第一深度学习模型，若否，则计算预设损失函数，利用预设损失函数更新所述第一深度学习模型的参数，并返回步骤S301。

4.根据权利要求3所述的不确定性指导集成自训练的半监督流场重建方法，其特征在于，在训练所述第一深度学习模型时，损失函数为：

其中，N表示有标签数据的数量，Ω表示流场的面积，表示第i个有标签数据中的完整流场中某一点x处的状态，表示第i个有标签数据对应的第一深度学习模型输出的预测流场中某一点x处的状态。

5.根据权利要求1-4中任一项所述的不确定性指导集成自训练的半监督流场重建方法，其特征在于，无标签数据对应的完整流场利用以下公式确定：

完整流场对应的不确定性利用以下公式确定：

其中，y^p表示无标签数据对应的完整流场，n表示第一深度学习模型的数量，表示无标签数据对应的第i个第一深度学习模型输出的预测流场，U_p表示不确定性。

6.根据权利要求5所述的不确定性指导集成自训练的半监督流场重建方法，其特征在于，所述不确定性权值利用以下公式计算：

W＝1-Norm(U_p)

其中，W表示不确定性权值，Norm(U_p)表示将不确定性U_p归一化至区间[0,1]。

7.根据权利要求1或6所述的不确定性指导集成自训练的半监督流场重建方法，其特征在于，利用所述无标签数据及其对应的完整流场和不确定性权值对所述第二深度学习模型进行预训练，包括：

将所述无标签数据中的流场内多个设定测点的状态观测值和所述无标签数据对应的不确定性权值作为输入，将所述无标签数据对应的完整流场作为输出，训练所述第二深度学习模型。