Dec, 2023
循环式火焰振荡器阵列的降维与动态模式识别的深度神经网络方法
Dimensionality Reduction and Dynamical Mode Recognition of Circular
Arrays of Flame Oscillators Using Deep Neural Network
TL;DR在振荡燃烧系统中，本文提出了一种基于双层双向长短期记忆变分自编码器（Bi-LSTM-VAE）降维模型和基于二维Wasserstein距离的分类器（WDC）的方法（Bi-LSTM-VAE-WDC），以识别动力学模式。模型通过将燃烧系统的高维空时数据降至低维相空间，并计算相空间网格中相点分布的高斯核密度估计（GKDE），从GKDE图中计算出二维Wasserstein距离值来识别振荡模式。实验结果表明，该方法可以实现有效的无监督模式识别和分类，并且在复杂的火焰系统中比VAE和PCA更具优势，显示出其在研究湍流燃烧方面的潜力。