一种人工智能鱼模拟系统的流场识别方法

本发明涉及人工鱼流场识别，尤其是涉及一种人工智能鱼模拟系统的流场识别方法。

背景技术：

1、水利生态环境保护是近年来一个十分重要的命题，随着实体装备、数学模型、计算机技术和网络通信等技术的不断进步，它的解空间已经表现出从传统物理解向数字解延展的趋势。要在水生态领域实现物理/数字世界虚实之间的双向映射与动态交互，必须解决一个关键问题——数字化具有自主行为决策能力的水生生命体。因此研发了人工仿生侧线机器，侧线功能在自然界中对于鱼类的生存和适应具有重要意义，鱼类通过侧线功能能够感知环境中的水流情况，从而在某种程度上缩小虚拟智能鱼和自然界真实鱼类的差异，目前提出的仿生侧线流场感知机主要基于初级深度神经网络构建，只能处理离散的、间断的流场信号数据，而在自然界中，鱼类接收到的信号通常是连续的一维时间序列信号。因此，现有方法仍然存在缺陷，无法完全缩小虚拟智能鱼和真实鱼类之间的差距。与处理间断、离散信号的类鱼式侧线流场感知机相比，真实自然界中的流场数据信号通常具有高漂移、高噪声和高非线性等特点，这些特点难以用离散的信号来描述。此外，耦合初级侧线功能的智能鱼还无法适应流速变化的非恒定流，所以这与真实自然界鱼类的行为模式存在很大的不同，因此，提供了一种人工智能鱼模拟系统的流场识别方法。

技术实现思路

1、本发明的目的是提供一种人工智能鱼模拟系统的流场识别方法，使用集群式服务器并行采样，并利用基于长时间序列的循环神经网络或卷积神经网络的感知机不断地获取数据、进行训练和迭代，以识别具有时间序列性质的流场序列数据信号，感知的流场信号包括但不限于流速、压力和涡量等。

2、为实现上述目的，本发明提供了一种人工智能鱼模拟系统的流场识别方法，包包括以下步骤：

3、s1：部署多个仿真环境，在仿真环境中部署深度学习训练后的智慧鱼，组成仿真测试数据库，对多个仿真环境进行仿真测试和并行采样，采集连续的流场时间序列信息数据，并对采集的连续的流场时间序列信息数据设置相应标记；

4、s2：对采集的流场时间序列信息数据进行数据预处理，预处理后的连续流场时间序列信息数据被存入流场记忆数据库；

5、s3：使用流场记忆数据库中的连续流场时间序列信息数据，采用监督学习方法，对基于神经网络的侧线感知机进行训练，并检验训练后的侧线感知机的识别能力，当侧线感知机不满足要求，返回步骤s1，继续采集数据和训练，当侧线感知机满足要求，进入下一步骤；

6、s4：将符合使用要求的侧线感知机与人工智能鱼模拟系统进行耦合，在流场生境中进行仿真测试，侧线感知机持续地对当前流场进行判断与识别，得到识别结果，人工智能鱼模拟系统依据识别结果采取对应的游泳策略；

7、s5：将s4中的仿真测试输入到步骤s1中的仿真测试数据库。

8、优选的，所述步骤s2中，数据预处理的方法包括数据标准化和分割，数据标准化将信号转换为零均值和单位方差，分割将信号分成固定长度的块。

9、优选的，所述步骤s3中，所述的侧线感知机设置为卷积神经网络搭建的高级神经网络或基于长短时记忆循环神经网络。

10、优选的，所述步骤s3中的训练方法，在对侧线感知机训练中，使用反向传播算法更新网络权重和偏置，使用自适应矩估计动量优化器调整相关参数。

11、优选的，所述步骤s3中对侧线感知机的检验方法共两种，第一种是用训练数据集训练的交叉熵损失函数计算的损失值下降至预先设定的标准数值，并在长时间内稳定，表明网络优化完成，第二种是用训练完毕的感知机在判断数据集上进行预感知，预感知的失效的次数要少于设定的期望失效次数，则表明网络优化完成。

12、优选的，所述步骤s4中，识别方法为，将人工智能鱼当前观测的流场序列数据信号作为输入信号送入已训练好的侧线感知机中，依据步骤s1中建立的标记，快速输出识别结果。

13、因此，本发明采用上述方法的一种人工智能鱼模拟系统的流场识别方法，具有以下有益效果：

14、(1)在本发明中，使用集群服务器搭建多个仿真环境，进行并行数据采集，数据采集地更快。

15、(2)在本发明中，使用了连续的时间序列波形信号作为侧线感知机的输入，相对于间断、离散的信号连续的流场时间序列信号将能够更为全面地反映流场的特征。

16、(3)在本发明中，使用流场记忆数据库中的连续时间序列信息数据，对以卷积神经网络或循环神经网络为基础的侧线感知机进行训练，使用卷积神经网络(cnn)能够有效地捕捉信号的时空局部性，使用循环神经网络(rnn)更适用于处理时间序列数据，网络结构会根据流场观测信号的形式进行选择，从而对流场的识别更具有针对性，更好的进行检测。

17、(4)在本发明中，采集到的数据进行数据均值化和分割预处理，数据均值化助于提高训练效果，分割则有助于神经网络的处理。

18、(5)在本发明中，仿真测试的过程，能将其输入到步骤s1仿真测试数据库，通过不断的结果反馈，后生成的智能鱼会带有早生成的智能鱼的记忆，减少重复错误发生的可能性。

19、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

技术特征：

1.一种人工智能鱼模拟系统的流场识别方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种人工智能鱼模拟系统的流场识别方法，其特征在于：所述步骤s2中，数据预处理的方法包括数据标准化和分割，数据标准化将信号转换为零均值和单位方差，分割将信号分成固定长度的块。

3.根据权利要求1所述的一种人工智能鱼模拟系统的流场识别方法，其特征在于：所述步骤s3中，所述的侧线感知机设置为卷积神经网络搭建的高级神经网络或基于长短时记忆循环神经网络。

4.根据权利要求1所述的一种人工智能鱼模拟系统的流场识别方法，其特征在于：所述步骤s3中的训练方法，在对侧线感知机训练中，使用反向传播算法更新网络权重和偏置，使用自适应矩估计动量优化器调整相关参数。

5.根据权利要求1所述的一种人工智能鱼模拟系统的流场识别方法，其特征在于：所述步骤s3中对侧线感知机的检验方法共两种，第一种是用训练数据集训练的交叉熵损失函数计算的损失值下降至预先设定的标准数值，并在长时间内稳定，表明网络优化完成，第二种是用训练完毕的感知机在判断数据集上进行预感知，预感知的失效的次数要少于设定的期望失效次数，则表明网络优化完成。

6.根据权利要求1所述的一种人工智能鱼模拟系统的流场识别方法，其特征在于：所述步骤s4中，识别方法为，将人工智能鱼当前观测的流场序列数据信号作为输入信号送入已训练好的侧线感知机中，依据步骤s1中建立的标记，快速输出识别结果。

技术总结
本发明公开了一种人工智能鱼模拟系统的流场识别方法，涉及人工鱼流场识别技术领域，使用集群式服务器并行采样，取得连续的流场时间序列信息数据，对数据进行预处理后，利用基于长时间序列的循环神经网络或卷积神经网络的侧线感知机不断地获取数据、进行训练和迭代，最终识别具有时间序列性质的流场序列数据信号，感知的流场信号包括但不限于流速、压力和涡量，并不断地将实验结果填充到实验数据库，对后生成的人工鱼起到记忆移植的效果，减少重复性错误的出现，本发明采用上述方法的一种人工智能鱼模拟系统的流场识别方法，可以从波幅、波频、波长等多个方面全面反映流场的特征，从而使得智能鱼在平台模拟中具备了对流场变化的连续感知能力。

技术研发人员：张春泽,侯极,周勤,张湛,刁伟,彭培艺,马倩,米家杉,谢灵运
受保护的技术使用者：重庆交通大学
技术研发日：
技术公布日：2024/1/14