申请/专利权人：哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院)

申请日：2024-01-11

公开（公告）日：2024-07-05

公开（公告）号：CN118297801A

主分类号：G06T3/4053

分类号：G06T3/4053;G06T3/4038;G06T3/4046;G06V10/44;G06V10/764;G06V10/82;G06N3/042;G06N3/0464;G06N3/08;G06F30/28;G06F113/08;G06F119/14

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明涉及城市环境监测与预测技术领域，具体地说，是一种城市风场环境实时超分辨率方法，包括CFD技术、残差图卷积神经网络分类器算法、图特征编码器、物理信息图辅助自编码器、物理损失生成器；其中，计算流体动力学模拟技术获取研究区域内各风攻角下的时空间数据，残差图卷积神经网络分类器算法对传感器及其周边数据进行高维特征提取，以此为依据判断当前数据所属的风攻角并向物理信息图辅助自编码器提供辅助信息，图特征编码器将差图卷积神经网络分类器所提供的辅助信息进行结构重组后输送给物理信息图辅助自编码器，物理信息图辅助自编码器在综合高维辅助信息与传感器风速数据后预测对应时刻风速场，物理损失生成器用于增强模型精度。

主权项：1.一种基于稀疏数据的城市风场实时超分辨率方法，其特征在于，使用到计算流体动力学模拟技术、残差图卷积神经网络分类器算法、图特征编码器、物理信息图辅助自编码器、物理损失生成器五部分，其中，各算法的工作顺序为：计算流体动力学模拟技术、残差图卷积神经网络分类器、图特征编码器、物理信息图辅助自编码器、物理损失生成器，具体包括以下步骤：步骤一、基于计算流体动力学模拟技术对目标城市区域进行风场模拟，获取该区域多个风攻角下的时空间数据，并对该数据进行规则栅格化离散，并进行进一步后处理，得到空间距离函数值与障碍物分布掩码数据，为后续步骤提供保障；步骤二、由图特征捕获神经网络层对栅格化的传感器风速数据及其周边环境数据进行图数据结构构建及数据结构重组，使其转变为以“传感器及其周边环境数据点数”、“传感器数量”、“数据特征数量”三种维度构建起的三维数据张量，为后续步骤提供保障；步骤三、由临近点数据集成层对步骤一处理后的图数据结构进行空间维度数据特征提取，将“传感器及其周边环境数据点数”这一数据维度压缩，图数据结构转变为“传感器数量”和“数据特征数量”两种维度构建起的二维数据矩阵，为后续步骤提供保障；步骤四、由点云与图特征强化层对步骤三处理后的图数据结构进行表征性数据特征提取，在“传感器数量”这一数据维度求解各“数据特征”的均值与最大值，从而得到两个一维数据向量，其长度均为“数据特征数量”，之后将这两个数据向量进行拼接，得到长度为两倍“数据特征数量”的一维向量，为后续步骤提供保障；步骤五、由残差图卷积神经网络分类器对步骤二至步骤四中的神经网络层进行串联，并训练残差图卷积神经网络分类器算法基于处理后的图结构数据，对数据所对应的风攻角进行分类，从而引导残差图卷积神经网络分类器算法协同步骤二至步骤四中的神经网络层，充分提取传感器风速数据及其周边环境数据之间的相互影响关系及高维数据信息特征；步骤六、由图特征编码器在残差图卷积神经网络分类器算法的图特征捕获神经网络层与临近点数据集成层之间五个不同深度位置进行图特征信息再提取与数据结构重组，将提取出的各传感器及其周边环境信息按其在风场中的空间位置重新排布，并以0补全空间中其他位置，形成高维稀疏数值矩阵，为后续主神经网络结构提供辅助信息；步骤七、由物理信息图辅助自编码器同时接收由稀疏传感器传来的风速数据以及由图特征编码器提供的高维稀疏数值矩阵，并基于两者的信息，以对应时刻的风场数据作为目标进行模型训练，从而使物理信息图辅助自编码器拥有基于稀疏数据实时预测对应时刻风场数据的能力；步骤八、由物理损失生成器基于流体连续性方程对物理信息图辅助自编码器生成流场结果进行物理修正，提高模型预测结果精度。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种基于稀疏数据的城市风场实时超分辨率方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD