[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

说明书

本发明公开了一种不确定性指导集成自训练的半监督流场重建方法，包括：获取多个有标签数据和多个无标签数据；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；利用有标签数据分别对多个第一深度学习模型进行训练；利用完成训练的多个第一深度学习模型获取每个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；利用无标签数据及其对应的完整流场和不确定性权值对第二深度学习模型进行预训练；利用有标签数据对第二深度学习模型进行再训练。本发明的方法能够利用少量的有标签数据得到具有高预测精度的深度学习模型，降低流场重建成本，并提高流场重建精度。

技术领域

本发明涉及流场重建技术领域，具体涉及一种不确定性指导集成自训练的半监督流场重建方法。

背景技术

在实际工程应用中，掌握物理系统的状态对于系统的监测、控制、分析和设计至关重要，也是构建数字孪生系统的一个前提。对于如何掌握物理系统的状态，其中一个关键问题是利用物理系统内的有限数量的传感器测量数据重建物理系统的全局流场。例如，在飞行器表面或者流体流域内布置若干个传感器获取物理系统的部分状态信息，利用获取的部分状态信息重建整个物理系统的速度场、压力场等流场。然而，在实际应用中，直接利用部分观测数据求解逆问题重构全局流场通常是比较困难的，难以得到恰当的重建结果，且所需的计算成本极高。

随着深度学习技术的不断发展，以深度学习为代表的数据驱动方法通过从历史数据学习重建全局流场，在各个流场重建应用中表现出优异的性能。现有的基于深度学习的流场重建方法通过构建深度学习模型，采用大量的包括流场内有限测点数据及其对应的完整流场的有标签样本数据对深度学习模型进行训练，然后利用训练后的深度学习模型进行流场重建。

然而，由于完整流场的真实数据难以获取，有标签样本数据通常通过物理仿真实验和/或数值计算方式来获取，每个有标签样本数据的获取均需要耗费较多的计算资源和计算时间，而现有的基于深度学习的流场重建方法需要大量的有标签样本数据，导致其所需的计算成本极高。

发明内容

为解决上述现有技术中存在的部分或全部技术问题，本发明提供一种不确定性指导集成自训练的半监督流场重建方法。

本发明的技术方案如下：

提供了一种不确定性指导集成自训练的半监督流场重建方法，所述方法包括：

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。

在一些可能的实现方式中，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。