(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111267376.5 (22)申请日 2021.10.2 9 (71)申请人 齐鲁工业大学 地址 250000 山东省济南市西部新城大 学 科技园 (72)发明人 王晓晓　刘云静　张丽　井明　 (74)专利代理 机构 天津垠坤知识产权代理有限 公司 12248 代理人 于德江　江洁 (51)Int.Cl. G06T 7/269(2017.01) G06V 10/70(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06K 9/62(2022.01)G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的流场特征提取方法、 装 置及存储介质 (57)摘要 本申请涉及一种基于机器学习的流场特征 提取方法、 装置及存储介质， 方法包括构建训练 样本、 利用Adaboost迭代算法， 针对训练样本训 练四个维度的弱分类器并确定各个弱分类器的 权重， 四个弱分类器包括基于识别压力的局部最 小值或涡度的局部最大值的局部技术的第一弱 分类器、 基于归一化螺旋度的技术、 基于速度梯 度张量J的涡旋检测方法的第二弱分类器、 基于 Δ、 Q和λ2检测器表达式中出现的各种项的维数 一致性来确定等效阈值的方法构建的第三弱分 类器以及基于固定点的涡流识别方法的第四弱 分类器； 通过Adaboo st集成学习算 法将第一弱分 类器、 第二弱分类器、 第三弱分类器和第四弱分 类器进行集成得到复合分类器。 该方法能提高涡 旋分类的精准度和鲁棒 性。 权利要求书1页 说明书5页 附图1页 CN 114037739 A 2022.02.11 CN 114037739 A 1.一种基于 机器学习的流场特 征提取方法， 其特 征在于， 包括以下步骤： 步骤S1， 构建训练样本： 使用弱分类器将涡旋流场进行可视化， 识别并分离可视化涡旋 流场中包 含涡旋的候选流场区域； 在所述候选流场 区域中， 通过迭代调整流线和参考系的位置， 同时添加均匀的平移速 度， 生成闭合或螺 旋的连续 流线； 根据所述连续 流线标记包 含在涡旋流场区域中的点并输出 标签集； 步骤S2， 集成弱分类器： 利用Adaboost迭代算法， 针对所述训练样本训练多个弱分类器 并确定各个弱分类器的权重， 多个所述弱分类器包括基于识别压力的局部最小值或涡度的 局部最大值的局部技术构建的第一弱 分类器、 基于归一化螺旋度的技术、 基于速度梯度张 量J的涡旋检测方法构建的第二弱分类器、 基于Δ、 Q和 λ2检测器表达式中出现的各种项的 维数一致性来确定等效阈值的方法构建的第三弱分类器以及基于固定点的涡流识别方法 构建的第四弱分类 器； 步骤S3， 通过Adaboost集成学习算法将第一弱分类器、 第二弱分类器、 第三弱分类器和 第四弱分类 器进行集成， 得到复合分类 器。 2.根据权利要求1所述的基于机器学习的流场特征提取方法， 其特征在于， 还包括： 将 待检测的流场数据输入到所述复合分类 器中， 得到涡旋检测结果。 3.根据权利要求2所述的基于机器学习的流场特征提取方法， 其特征在于， 还包括： 输 出并显示所述检测结果。 4.根据权利 要求1所述的基于机器学习的流场特征提取方法， 其特征在于， Adaboost集 成学习算法通过最小化指数损失惩罚 函数来集成所述第一弱 分类器、 所述第二弱 分类器、 所述第三弱分类 器和所述第四弱分类 器。 5.根据权利要求1所述的基于机器学习的流场特征提取方法， 其特征在于， 根据 所述连 续流线标记包含在涡旋流场区域中的点并输出标签集， 具体包括： 手动选择位于识别的包 含涡旋的连续空间区域的网格节点， 根据选择 结果输出 标签集合。 6.根据权利要求1所述的基于机器学习的流场特征提取方法， 其特征在于， 根据 所述连 续流线标记包 含在涡旋流场区域中的点并输出 标签集， 具体包括： 使用几何图形框选三维区域， 将三维区域上的点投影到视 图平面上， 同时标记包含在 几何图形内切椭圆 区域的点， 在此期间， 涡旋轴与视图平面的法线保持对齐； 使用带有二进制标志的选择工具 标记包含在涡旋流场区域中的点并输出 标签集。 7.一种基于 机器学习的流场特 征提取装置， 其特 征在于， 包括： 存储器， 用于存 储程序指令； 处理器， 用于调用所述存储器 中存储的所述程序指令以实现如权利要求1至6 中任一项 所述的基于 机器学习的流场特 征提取方法。 8.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有程序代码， 所述程序代码用于实现如权利要求1至6中任一项所述的基于机器学习的流场特征提取方 法。权　利　要　求　书 1/1 页 2 CN 114037739 A 2一种基于机 器学习的流场特征提取方 法、 装置及存储介质 技术领域 [0001]本申请涉及流场分析技术领域， 尤其涉及一种基于机器学习的流场特征提取方 法、 装置及存 储介质。 背景技术 [0002]可视化技术是可以应用于众多领域的技术， 随着应用领域的增加， 可视化技术从 简单的绘制数据图表发展到 绘制3D图形或通过图形展示数据的训练过程和结果， 可视化技 术拥有强大的可延展性和可读性。 [0003]但是随着数据集的增加， 可视化技术需要处理的数据也是海量增加的， 因此海量 数据下的数据分类是可视化技术中很重要的关键点， 数据分类的准确性和鲁棒性直接决定 着可视化结果的精确度， 但是在数亿级海量数据背景下， 数据分类经常出现错误分类或稳 定性差的问题， 因此有必要针对这类问题进行改进。 发明内容 [0004]为了解决上述背景技术提到的技术问题或者至少部分地解决上述技术问题， 本申 请提供一种基于机器学习的流场特征提取方法、 装置及存储介质， 提高涡旋分类的精准度 和鲁棒性。 [0005]第一方面， 本申请提供了一种基于 机器学习的流场特 征提取方法， 包括以下步骤： [0006]步骤S1， 构建训练样本： 使用弱分类器将涡旋流场进行可视化， 识别并分离可视化 涡旋流场中包 含涡旋的候选流场区域； [0007]在所述候选流场区域中， 通过迭代调整流线和参考系的位置， 同时添加均匀的平 移速度， 生成闭合或螺 旋的连续 流线； [0008]根据所述连续 流线标记包 含在涡旋流场区域中的点并输出 标签集； [0009]步骤S2， 集成弱分类器： 利用Adaboost迭代算法， 针对所述训练样本训练多个弱分 类器并确定各个弱分类器的权重， 多个所述弱分类器包括基于识别压力的局部最小值或涡 度的局部最大值的局部技术构建的第一弱 分类器、 基于归一化螺旋度的技术、 基于速度梯 度张量J的涡旋检测方法构建的第二弱分类器、 基于Δ、 Q和 λ2检测器表达式中出现的各种 项的维数一致性来确定等效阈值的方法构建的第三弱分类器以及基于固定点的涡流识别 方法构建的第四弱分类 器； [0010]步骤S3， 通过Adaboost集成学习算法将第一弱分类器、 第二弱分类器、 第三弱分类 器和第四弱分类 器进行集成， 得到复合分类 器。 [0011]优选的， 基于机器学习的流场特征提取方法还包括： 将待检测的流场数据输入到 所述复合分类 器中， 得到涡旋检测结果。 [0012]优选的， 基于 机器学习的流场特 征提取方法还包括： 输出并显示所述检测结果。 [0013]优选的， Adaboost集成学习算法通过最小化指数损失惩罚函数来集成所述第一弱 分类器、 所述第二弱分类 器、 所述第三弱分类 器和所述第四弱分类 器。说　明　书 1/5 页 3 CN 114037739 A 3