【技术实现步骤摘要】
本专利技术涉及电磁学领域，具体涉及一种基于小波变换时频谱特征的2d-cnn网络尾流电磁场探测方法。
技术介绍
1、水下航行器在水下航行时排开海水形成的尾流，能持续较长时间并传播较远距离。尾流只受限于水下航行器的水动力学行为，而与本身的建造材料没有关联。海水本身含有大量的带电离子，当水下航行器航行促使海水运动时，带电离子获得外部激励。在地磁场作用下，将打破局部电中性，在整个流场分布的范围内形成感应电流，从而在空间中激发电磁场分布。尾流电磁场探测是一种新型的水下航行器探测技术和前沿发展方向，同时也是现有非声探测技术的重要补充。因此，探索尾流电磁场探测方法具有重要意义和潜在应用价值。
2、尽管电磁场传感技术得到了长足发展，目前国内外已实现超低噪声电磁场传感器，但无法直接将先进的电磁场传感器应用于水下航行器尾流电磁场探测。这是因为受海洋背景电磁场噪声的影响，水下航行器极微弱的尾流电磁场会被噪声所淹没，导致难以实现目标探测。关于尾流电磁场的研究国内外刚起步，目前其探测方法鲜有公开报道。传统的水下航行器电磁场探测技术主要依赖简化模型，例如将水下航行器等效为磁偶极子或电偶极子模型，利用该模型与噪声模型的差异性，通过算法从背景噪声中提取水下航行器微弱的电磁场信号。但水下航行器尾流电磁场的产生机制比较复杂，需要利用水动力学和电磁学相互耦合进行计算求解，并无有效的电磁场简化模型，因此传统的水下航行器电磁场探测技术无法适用于尾流电磁场信号检测。
技术实现思路
1、为解决水下航行器尾流电磁场探
2、本专利技术方法以深度学习方法作为检测手段、以速度场模拟作为模拟基础，以电磁场模拟作为核心数据来源，大幅度提升了可用于模型训练的数据量，提高了检测准确率。
3、更具体而言，本专利技术从三个方面提升尾流电磁场的探测能力：一是通过大量的水下航行器尾流电磁场计算数据训练和优化深度学习模型，解决了复杂尾流电磁场探测模型的构建问题；二是通过水动力学和电磁学的多物理场耦合方法生成水下航行器尾流电磁场计算数据集，解决了深度学习训练样本的创建问题；三是通过小波变换提取水下航行器尾流电磁场的时频谱特征，解决了深度学习在尾流电磁场探测中的特征表示问题。
4、具体而言，本专利技术提供了一种基于小波变换时频谱特征的2d-cnn网络尾流电磁场探测方法，所述方法包括：
5、步骤(1)通过水动力学和电磁学的多物理场耦合方法生成潜航器尾流电磁场计算数据集，
6、该步骤(1)包括：
7、(1.1)在动力场模拟软件中构建几何模型，设置几何模型的计算域；
8、(1.2)对所设置的计算域进行网格划分；
9、(1.3)为所述几何模型设定边界条件，所述边界条件至少包括速度入口、压力出口、对称面和壁面；
10、(1.4)在动力场模拟软件中求解计算域中的速度场分布；
11、(1.5)基于获得的速度场分布，按照下述公式对计算域中任一点的尾流电场e和尾流磁场b进行计算：
12、e(r)＝v0(r)×b(r)＝v0(r)×(be(r)+bi(r))≈v0(r)×be(r)(1)
13、
14、式(1)和式(2)中，位置矢量r'和位置矢量r分别表示源点的位置和待测点的位置，其中，j(r')表示位置r'处的电流密度，v表示积分体积，v0表示根据速度场计算获得的待测点的水流速度，μ表示海水磁导率，σ表示海水电导率，be表示地磁场；
15、(1.6)修改输入参数和模型参数，重复上述步骤，获得不同输入参数和模型参数条件下的尾流电场e和尾流磁场b分布，获得多组尾流电场e和尾流磁场b数据，构成数据集；
16、步骤(2)将整个计算域作为测定区域，从测定区域中，选取若干测量点，从数据集中获取不同条件下各个测量点的电、磁场随时间变化的数据，对所获得的电、磁场数据进行小波变换，获得小波变换后的数据集；
17、步骤(3)构建2d-cnn深度神经网络，将所构建的数据集分成训练集和测试集，将训练集中的数据输入到2d-cnn深度神经网络中，对2d-cnn深度神经网络进行训练并利用测试集进行测试，获得训练后的2d-cnn深度神经网络，将所获得的训练后的2d-cnn深度神经网络用于尾流电磁场探测。
18、在一种优选实现方式中，所述动力场模拟软件为cfd软件。
19、在另一种优选实现方式中，所述计算域为一个长方体区域，在所述计算域中设置suboff模型，用于模拟水下航行器。
20、在另一种优选实现方式中，电流密度j通过下述公式计算：
21、j＝σv0×be。
22、其中σ表示海水电导率，v0表示根据速度场计算获得的待测点的水流速度，be表示地磁场。
23、在另一种优选实现方式中，小波变换采用下述公式进行：
24、
25、其中ψ(t)表示小波基函数；ψω,τ(t)表示小波基函数经放缩和平移产生的子小波；wf(ω,τ)为对信号f(t)做小波变换的结果。
26、在另一种优选实现方式中，所述计算域使用局部网格剖分和内插方法计算尾流电磁场。
27、在另一种优选实现方式中，所述网络模型包括卷积模块和全连接器模块，所述卷积模块包含7个卷积层及relu层、3个批归一化层、4个池化层；全连接分类器模块包含1个展平层、3个全连接层、2个relu层。
28、另一方面，本专利技术提供一种用于尾流电磁场探测模型训练的数据集获取方法，
29、所述方法包括：
30、(1.1)在动力场模拟软件中构建几何模型，设置几何模型的计算域；
31、(1.2)在所构建几何模型中，对计算域进行网格划分；
32、(1.3)为所述几何模型设定边界条件，所述边界条件至少包括速度入口、压力出口、对称面和壁面；
33、(1.4)在动力场模拟软件中求解计算域中的速度场分布；
34、(1.5)基于获得的速度场分布，按照下述公式计算计算域中任意点的尾流电场e和尾流磁场b：
35、e(r)＝v0(r)×b(r)＝v0(r)×(be(r)+bi(r))≈v0(r)×be(r)(4)
36、
37、式(4)和式(5)中，位置矢量r'和位置矢量r分别表示源点的位置和待测点的位置，其中，j(r')表示位置r'处的电流密度，v表示体积，v0表示根据速度场计算获得的速度，μ表示海水磁导率，σ表示海水电导率，be表示地磁场。
38、(1.6)重复上述步骤修改输入参数和模型参数，获得不同输入参数和模型参数条件下的尾流电场e和尾流磁场b分布，获得多组尾流电场e和尾流磁场b数据，构成数据集。
39、本专利技术以实现尾流电磁场探测为目标，具有如下优点：
40、第本文档来自技高网...
【技术保护点】
1.一种基于小波变换时频谱特征的2D-CNN网络尾流电磁场探测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于小波变换时频谱特征的2D-CNN网络尾流电磁场探测方法，其特征在于，
3.根据权利要求1所述的基于小波变换时频谱特征的2D-CNN网络尾流电磁场探测方法，其特征在于，
4.根据权利要求1所述的基于小波变换时频谱特征的2D-CNN网络尾流电磁场探测方法，其特征在于，
5.根据权利要求1所述的基于小波变换时频谱特征的2D-CNN网络尾流电磁场探测方法，其特征在于，
6.根据权利要求1所述的基于小波变换时频谱特征的2D-CNN网络尾流电磁场探测方法，其特征在于，
7.根据权利要求1所述的基于小波变换时频谱特征的2D-CNN网络尾流电磁场探测方法，其特征在于，所述网络模型包括卷积模块和全连接器模块，所述卷积模块包含7个卷积层及RELU层、3个批归一化层、4个池化层；全连接分类器模块包含1个展平层、3个全连接层、2个RELU层。
8.一种用于尾流电磁场探测模型训练的数据集获取方法，其特
...【技术特征摘要】
1.一种基于小波变换时频谱特征的2d-cnn网络尾流电磁场探测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于小波变换时频谱特征的2d-cnn网络尾流电磁场探测方法，其特征在于，
3.根据权利要求1所述的基于小波变换时频谱特征的2d-cnn网络尾流电磁场探测方法，其特征在于，
4.根据权利要求1所述的基于小波变换时频谱特征的2d-cnn网络尾流电磁场探测方法，其特征在于，
5.根据权利要求1所述的基于小波变换时频谱特征的2d-cnn网络...
【专利技术属性】
技术研发人员：左超，欧阳君，王作帅，陈盟，王建勋，肖涵琛，李子圆，王司霖，杨喆瑜，陈志伟，杨文铁，耿攀，罗伟，吴浩伟，陈涛，杨晓非，彭泽禹，杨雨淳，
申请(专利权)人：中国船舶集团有限公司第七一九研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。