[发明专利]基于复杂网络和深度学习的两相流多元信息融合法及应用

摘要

一种基于复杂网络和深度学习的两相流多元信息融合法及应用：针对循环激励双模态传感器得到的多通道时间序列分别构建复杂网络；对于循环激励双模态传感器得到的每一个多通道时间序列分别建立加权相关系数复杂网络和无权相关系数复杂网络，得到网络指标，将所述的网络指标组合成一个特征向量；深度学习模型训练与相含率测量，得到一个能够实现双模态多元信息融合的深度学习模型。采用由循环激励多电极电导传感器和循环激励多电极电容传感器组成的循环激励双模态传感器进行垂直油水两相流实验，固定油相和水相的配比，改变油相和水相的流量进行实验。本发明可实现对两相流相含率的测量。

主权项

1.一种基于复杂网络和深度学习的两相流多元信息融合法，其特征在于，包括如下步骤：1)针对循环激励双模态传感器得到的多通道时间序列分别构建复杂网络，包括：(1)获取包含有两相流流体局部流动信息的S组长度均为L的由循环激励双模态传感器得到的多通道时间序列k表示时间序列的任意一通道；(2)对于每一通道的时间序列，在时域提取最大值、最小值、平均值、标准偏差、陡度函数、和峭度函数6个特征指标；对每个时间序列进行快速傅里叶变换，将原始信号变换到频域，在频域提取最大值、最小值、平均值、标准偏差、陡度函数和峭度函数6个特征指标；对于每一通道的时间序列中的时域和频域共12个特征指标归一化后组成了每一通道时间序列的特征向量T；其中，对于通道k的信号最大值Max和最小值Min分别表示为Max＝max(x_k,1,x_k,2,...,x_k,l,...,x_k,L)，Min＝min(x_k,1,x_k,2,...,x_k,l,...,x_k,L)；均值表示为标准偏差表示为陡度函数表示为峭度函数表示为多通道时间序列变换到频域后，表示为C为频域序列的长度；对于k通道的频域序列，最大值Max_f和最小值Min_f分别表示为Max_f＝max(y_k,1,y_k,2,...,y_k,b,...,y_k,C)，Min_f＝min(y_k,1,y_k,2,...,y_k,b,...,y_k,C)；均值表示为标准偏差表示为陡度函数表示为峭度函数表示为(3)对于任一通道k_i的各项指标归一化后组成的特征向量和任一通道k_j的各项指标归一化后组成的特征向量计算二者的皮尔森相关系数其中，和表示特征向量和中m维的值，和分别表示特征向量和的均值，并且k_i≠k_j；(4)将每一通道的信号视作复杂网络的一个节点，以两通道信号特征向量间的皮尔森相关系数的大小作为复杂网络中两节点间的权值，建立一个加权相关系数复杂网络和该加权相关系数复杂网络的加权相关系数矩阵；对于该加权相关系数矩阵，采用Fisher变换，对于变换后的矩阵给定一个FDR控制水平q，采用错误发现率算法即FDR将复杂网络中错误连边的概率控制在q值以下,其中q＝0.05，继而得到一个阈值；若两通道间的相关系数大于该阈值，则在复杂网络中对应的两节点间有连边，反之，则二者之间没有连边，从而得到一个无权相关系数复杂网络和所述无权相关系数复杂网络的邻接矩阵A；(5)基于第(4)步中的加权相关系数复杂网络和无权相关系数复杂网络，分别提取每个网络的网络指标；2)对于循环激励双模态传感器得到的每一个多通道时间序列分别采用步骤1)的方法，建立加权相关系数复杂网络和无权相关系数复杂网络，得到网络指标，包括节点加权聚集系数、节点加权度、节点聚集系数、节点度、节点介数、节点接近中心性和节点特征向量中心性,将所述的网络指标组合成一个特征向量；3)深度学习模型训练与相含率测量，得到一个能够实现双模态多元信息融合的深度学习模型。