买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：重庆大学

摘要：本发明具体涉及基于VAE‑GAN和自注意力机制的压力系数预测方法，包括：将翼型二维坐标输入压力预测模型中，输出对应的预测压力系数曲线；压力预测模型基于VAE‑GAN网络构建；训练时，VAE的编码器基于翼型二维坐标提取翼型几何特征、翼型流形特征和翼型环境特征，并分析特征之间的相互影响，再融合生成翼型融合特征；VAE的解码器分别基于翼型融合特征和随机噪声生成对应的预测压力系数曲线和虚假压力系数曲线；GAN的鉴别器计算对应的损失函数并更新压力预测模型的网络参数，直至模型收敛。本发明能够提取翼型几何特征、流形特征和环境特征等多个维度特征，并且能够分析不同特征之间的相互影响和相关性，进而更好的融合不同特征之间的相互关系。

主权项：1.基于VAE-GAN和自注意力机制的压力系数预测方法，其特征在于，包括：S1：获取待预测的翼型二维坐标；S2：将待预测的翼型二维坐标输入经过训练的压力预测模型中，输出对应的预测压力系数曲线；压力预测模型基于VAE-GAN网络构建；训练时，将用作训练样本的翼型二维坐标和真实压力系数曲线作为压力预测模型的模型输入：首先，VAE的编码器基于翼型二维坐标提取对应的翼型几何特征、翼型流形特征和翼型环境特征，并通过自注意力模块分析翼型几何特征、翼型流形特征和翼型环境特征之间的相互影响，再通过特征融合网络融合自注意力模块输出的自注意力特征，生成对应的翼型融合特征；然后，VAE的解码器分别基于翼型融合特征和设置的随机噪声生成对应的预测压力系数曲线和虚假压力系数曲线；最后，GAN的鉴别器基于真实压力系数曲线结合生成的预测压力系数曲线和虚假压力系数曲线计算对应的损失函数，进而基于损失函数更新压力预测模型的网络参数，直至模型收敛；步骤S2中，首先通过贝塞尔曲线提取翼型二维坐标的黎曼度量和曲率作为对应的翼型流形特征；然后通过全连接神经网络对翼型流形特征进行编码，以将翼型流形特征转换为预设维度的数据；使用贝塞尔曲线将翼型二维坐标表示为多个多项式，从每个多项式的切线空间计算两个垂直向量的内积，进而提取对应的黎曼度量；公式描述如下： 式中：gvwt表示翼型在t处的黎曼度量；表示偏导数的方向；表示每段贝塞尔曲线对参数t求偏导；rD；t表示贝塞尔曲线的函数；Pi表示翼型坐标；D表示翼型坐标所在的样本空间；t表示贝塞尔曲线的参数；n表示贝塞尔曲线的阶数；通过如下公式计算曲率： 式中：C表示曲率；R表示曲率半径，即曲率的倒数；y′表示翼型纵坐标y的一阶导数；y″表示翼型纵坐标y的二阶导数；步骤S2中，自注意力模块的工作逻辑如下：S201：将翼型几何特征、翼型流形特征和翼型环境特征通过神经网络提取后的特征作为自注意力模块的输入向量；S202：对于每一个输入向量ai，分别乘上三个系数wq、wk、wv；公式描述如下：qi＝wq·aiki＝wk·ai；vi＝wv·ai式中：q、k、v分别表示query、key和value；S203：通过q、k计算两个输入向量之间的相关性，即计算Attention的值α，所有α组成的矩阵即表示为相关性矩阵A；公式描述如下： αi,j＝qi·kj；S204：对相关性矩阵A进行softmax操作或者relu操作得到对应的关系矩阵A′；S205：通过关系矩阵A′计算每个输入向量ai的self-attention层的输出向量bi，作为对应输入向量即对应特征的自注意力特征；公式描述如下： 式中：bi表示输入向量ai考虑了所有输入向量相互影响的自注意力特征；vi＝wv·ai，表示输入向量与权重矩阵的乘积；α′i,j表示关系矩阵A′中的元素；步骤S2中，通过如下公式表示VAE的编码器和解码器： 式中：Encx表示编码器，x作为其输入；z表示编码器的输出；qz∣x表示编码器输出的分布；Decz表示解码器，z作为其输入；表示解码器的输出；表示解码器输出的分布；S3：将压力预测模型输出的预测压力系数曲线作为对应的压力系数预测结果。

全文数据：

权利要求：

百度查询： 重庆大学 基于VAE-GAN和自注意力机制的压力系数预测方法