(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110742982.1 (22)申请日 2021.07.01 (65)同一申请的已公布的文献号 申请公布号 CN 113343606 A (43)申请公布日 2021.09.0 3 (73)专利权人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 张鑫帅　季廷炜　谢芳芳　郑鸿宇　 郑耀　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 邱启旺 (51)Int.Cl. G06F 30/28(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 113/08(2020.01) G06F 119/14(2020.01) (56)对比文件 CN 10859578 8 A,2018.09.28 WO 201810 6805 A1,2018.0 6.14 刘哲等.基于DMD方法的可变形状空腔流动 模态分析. 《振动与 冲击》 .2020, Xuefang Lai 等.Characterizi ng complex flows using adaptive sparse dynamic mode decompositi on with error approximati on. 《Int J Numer Meth Fluids》 .2019, B. Kramer等.Sparse sensi ng and DMD based identificati on of flow regimes and bifurcati ons in complex fl ows. 《society for industrial and ap plied mathematics》 .2018, 审查员 许莎莎 (54)发明名称 一种基于压缩感知降阶模型从稀疏传感器 信息预测全流场的方法 (57)摘要 本发明提供了一种新型压缩感知降阶模型 用于从稀 疏传感器信息预测全流场的方法。 该发 明所提出的方法包含两个阶段， 离线训练和在线 学习。 在离线学习阶段， 首先通过LSTM模型来对 传感器信号进行建模。 随后利用稀疏驱动的DMD 算法将复杂的完整流场进行 降维得到其低维模 态， 并对所有低维模态进行自动挑选， 使得在相 同的DMD模态数量下得到更高的重构精度。 然后 通过DNN网络训练得到传感器信息到流场低维表 示之间的非线 性关系。 最后， 通过DNN预测的低维 信息重构出全流场信息。 在在线学习阶段， 将训 练好的模型用于实际实验中进行预测。 该方法实 现简单， 通用性好。 可以广泛应用于从稀疏点信 息对复杂全流场的重构与预测， 结果表明该方法的预测精度高， 鲁棒 性好。 权利要求书2页 说明书6页 附图5页 CN 113343606 B 2022.04.26 CN 113343606 B 1.一种基于压缩感知降阶模型从稀疏传感器信息预测全流场的方法， 其特征在于， 该 方法具体包括： 离线阶段， 包括以下步骤： 步骤S1， 通过数值模拟得到不同时刻的流场全状态数据， 并将数据映射到均匀的笛卡 尔坐标上， 构建得到流场数据集 ； 步骤S2， 从得到的流场数据集 中选择部分数据作为传感器采集的数据： si ， i ＝ 1 ，  2 ，…， m ， 其中， m表示传感器数目； 步骤S3， 将 得到的流场数据集 进行DMD分解， 得到该流场数据集 的低维表示， 即DMD模 态 和相应的DMD动力学系数 ， 并使用稀疏驱动算法对DMD模 态进行挑选， 获取该流场的占优DMD模态和相应的DMD动力学系数 ； 其中， r表示获得的DMD模态个数， n 为占优DMD模态个数； 具体包括如下子步骤： 步骤S3.1， 将步骤S1得到的流场数据集X根据时序分解 为如下两个数据集： 其中： 为流场数据集的时间序列个数； 步骤S3.2， 对数据集 进行奇异值分解， 分别得到左右奇异向量 和 ， 以及特征值 ， 如 下式所示： ； 其中， *表示复共 轭矩阵; 步骤S3.3， 计算得到DMD的状态 矩阵： ; 步骤S3.4， 对矩阵 进行特征值分解， 得到该矩阵的特征向量矩阵 和相应的特征 值矩阵 ； 步骤S3.5， 通过 特征向量矩阵 可得到DMD模态， 计算公式如下： 得到DMD模态 ， 其中， r为 矩阵的列数； 步骤S3.6， 将DMD的幅值作为对角元素， 构建出对角矩阵 ， 并通过特征值 得到DMD动 力学系数： 其中， 为特征值 的范德蒙矩阵； 得到相应的DMD动力学系数 ， DMD的幅值 计算公式为： ； 步骤S3.7， 利用稀疏驱动DMD算法， 对DMD模态进行挑选， 获取该流场的占优DMD模态 和相应的DMD动力学系数 ： 权　利　要　求　书 1/2 页 2 CN 113343606 B 2其中， 参数决定了DMD模态的稀疏程度， 表示Frobenius模， 为第j个DMD模态的 幅值， 构成对角矩阵 ； 步骤S4， 构建全流场预测模型， 所述模型包括LSTM神经网络和深度神经网络， 其中LSTM 神经网络的输入为上一时刻 t的作为传感器采 集的数据 ， 输出为预测时刻 的作为 传感器采集的数据 ； 深度神经网络的输入为LSTM神经网络的输出， 输出为DMD动 力学系数 预测值； 利用步骤S1 ‑S2得到的数据对全流场预测模型进行训 练， 从而获得训练好的全流场预测模型； 在线预测阶段， 具体为： 根据步骤S2中选择数据的位置安装传感器， 实时采集传感器数据 ； 并 输入至训练好的全流场预测模型， 获得DMD动力学系数 ； 将预测的DMD动力学系数 ， 结合离线阶段获得的DMD模态 ， 从而获得流场的全状态信息： ； 其中， 是由DMD模态的幅值作为对角元 素构成的对角矩阵。 2.如权利要求1所述的方法， 其特征在于， 所述步骤S1中， 流场数据集 包括速度场、 压 力场。 3.如权利要求1所述的方法， 其特征在于， 所述步骤S2中， 还包括对数据 的标准化处理 步骤。 4.如权利 要求1所述的方法， 其特征在于， 所述步骤S2中， 从得到的流场数据集 中流场 尾迹部分选择作为传感器采集的数据。权　利　要　求　书 2/2 页 3 CN 113343606 B 3