Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

一种测量水流流速的方法 

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!

摘要:本申请公开了一种测量水流流速的方法,涉及超声波测量技术领域,包括:采集多普勒超声波信号和环境温度;对采集的多普勒超声波信号进行采样,并对采样数据进行快速傅里叶变换,得到频谱图;计算频谱图中的频移偏量,根据频移偏量,计算水流的流速;获取不同环境参数下,已知流速的标准流体的数据集;数据集包含频移偏量、流速和温度;根据数据集,采用支持向量回归算法,训练得到频移-流速-温度的多元回归补偿模型;将计算得到的流速和采集的环境温度作为输入,通过训练后的多元回归补偿模型,获取环境温度补偿后的流速值,作为最终的水流流速输出。针对现有技术中水流流速测量精度低,本申请通过补偿温度消除温度影响,提高流速测量精度。

主权项:1.一种测量水流流速的方法,包括:S1,采集多普勒超声波信号和环境温度;S2,对采集的多普勒超声波信号进行采样,并对采样数据进行快速傅里叶变换,得到频谱图;S3,计算频谱图中的频移偏量,根据频移偏量,计算水流的流速;S4,获取不同环境参数下,已知流速的标准流体的数据集;数据集包含频移偏量、流速和温度;S5,根据数据集,采用支持向量回归算法,训练得到频移-流速-温度的多元回归补偿模型;S6,将计算得到的流速和采集的环境温度作为输入,通过训练后的多元回归补偿模型,获取环境温度补偿后的流速值,作为最终的水流流速输出;S5,根据数据集,采用支持向量回归算法,训练得到频移-流速-温度的多元回归补偿模型,包括:将构建的数据集随机划分为训练集和测试集;分别对训练集和测试集中的频移偏量和温度进行归一化处理;采用自适应多核学习策略,选择支持向量回归算法的径向基函数作为核函数;将归一化后的训练集输入径向基函数,通过计算频移偏量和温度之间的高斯距离,利用核函数技巧将归一化后的训练集从低维特征空间映射到高维特征空间;对于每个映射到高维特征空间的训练样本点,引入松弛变量和,其中表示样本点在ε-不敏感损失函数间隔带上方的偏离度,表示样本点在ε-不敏感损失函数间隔带下方的偏离度;构建支持向量回归算法的凸二次规划问题,并转化为对偶问题求解,得到支持向量和权重系数;根据得到支持向量和权重系数,构建频移偏量、温度和流速之间的非线性多元回归模型,作为频移-流速-温度的多元回归补偿模型;采用自适应多核学习策略,选择支持向量回归算法的径向基函数作为核函数,包括:构建多个不同核宽度参数的高斯核函数作为候选核函数;在训练支持向量回归模型时,同时使用多个候选核函数,对每个核函数单独训练一个支持向量回归子模型,得到多个子模型;基于训练集数据,计算每个子模型的预测残差,并将预测残差作为新的训练目标,训练一个残差支持向量回归模型,用于学习不同子模型的残差模式;将多个子模型的预测结果和残差支持向量回归模型的预测结果进行加权组合,得到自适应多核支持向量回归模型;使用验证集,计算自适应多核支持向量回归模型和各个子模型在验证集上的均方根误差RMSE和平均绝对误差MAE,选择RMSE和MAE最小的高斯核函数作为核函数;构建频移偏量、温度和流速之间的非线性多元回归模型,作为频移-流速-温度的多元回归补偿模型,包括:将映射到高维特征空间的训练集数据输入支持向量回归算法,通过构建支持向量回归算法的凸二次规划问题,并设置松弛变量和以及惩罚系数C;求解支持向量回归算法的对偶问题,得到最优的拉格朗日乘子和,根据最优的拉格朗日乘子选择支持向量;利用支持向量和对应的权重系数,构建频移偏量、温度和流速之间的非线性决策函数,作为频移-流速-温度的多元回归补偿模型;其中,非线性决策函数由支持向量与待预测样本点的核函数值与权重系数的线性组合以及偏置项b组成;权重系数由最优拉格朗日乘子和的差值计算得到;偏置项b通过支持向量的加权松弛变量求解得到;频移偏量和温度作为决策函数的输入,流速作为决策函数的输出;基于最优的拉格朗日乘子和选择支持向量,包括:对于每个映射到高维特征空间的训练样本点,设置松弛变量和,以及拉格朗日乘子和;其中,拉格朗日乘子和分别为样本点对应的一对乘子,用于将凸二次规划问题转化为对偶问题求解;通过引入拉格朗日乘子,将支持向量回归算法的凸二次规划问题转化为其对偶问题;求解支持向量回归算法的对偶问题,得到最优的拉格朗日乘子和;根据最优的拉格朗日乘子和的值,选择满足或的训练样本点,作为支持向量;其中,为第i个样本点的个体惩罚系数;通过引入拉格朗日乘子,将凸二次规划问题转化为其对偶问题,包括:将选择的RMSE和MAE最小的高斯核函数作为支持向量回归算法的核函数;利用核函数技巧,将对偶问题的目标函数和约束条件中的内积运算替换为核函数运算,得到基于核函数的对偶问题;其中,目标函数为最大化拉格朗日乘子与核函数值的和减去拉格朗日乘子与加权松弛变量的积;约束条件为拉格朗日乘子和的和等于零,且每个拉格朗日乘子的绝对值不超过其对应样本点的个体惩罚系数;求解基于核函数的对偶问题,得到最优的拉格朗日乘子和。

全文数据:

权利要求:

百度查询: 杭州鸿鹄电子科技有限公司 一种测量水流流速的方法

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。