一种基于数据分解的潜艇艏部流场预测方法

技术特征：
1.一种基于数据分解的潜艇艏部流场预测方法，其特征在于步骤如下：s1：获取潜艇艏部水下流场数据；s2：通过滑动平均分解将流场原始数据分解为低频分量和高频分量；s3：对所得数据进行预处理，并将数据分为训练集和测试集；s4：根据低频高频数据不同特性对其分别进行基于长短时记忆网络预测模型构建，得到分别对应低频分量和高频分量的大尺度网络和小尺度网络，最后将两种网络型结果进行叠加得到流场预测结果。2.根据权利要求1所述的基于数据分解的潜艇艏部流场预测方法，其特征在于s1中通过fluent软件获取数据。3.根据权利要求1所述的基于数据分解的潜艇艏部流场预测方法，其特征在于s3中的预处理：使用scikit-learn库中的minmaxscaler预处理类实现数据集的归一化，将数据调整到0到1的范围。4.根据权利要求1所述的基于数据分解的潜艇艏部流场预测方法，其特征在于s4中大尺度网络和小尺度网络的层数不一致。5.一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1所述的方法。6.一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1所述的方法。

技术总结
本发明涉及一种基于数据分解的深度学习潜艇流场预测方法。首先通过Fluent获取大量潜艇艏部水下流场数据；通过滑动平均分解将流场原始数据分解为低频分量和高频分量；其次对所得数据进行预处理，并将数据分为训练集和测试集；然后根据低频高频数据不同特性对其分别进行基于长短时记忆网络预测模型构建，最后将两种模型结果进行叠加得到流场预测结果。相比于直接使用原始数据应用单尺度网络进行预测，本申请提出的基于数据分解应用多尺度网络，能够达到更为精确的结果。达到更为精确的结果。达到更为精确的结果。


技术研发人员：黄桥高 何幸 白靖宜 潘光 施瑶
受保护的技术使用者：西北工业大学
技术研发日：2022.06.10
技术公布日：2022/9/13