×
刘，杨;鲁、宇通;王乐清;孙栋;邓，梁;万云波;王芳

基于深度度量学习的CFD数据关键时间步选择。 （英语） Zbl 1466.76035号

计算。流体 195，文章ID 104318，第9页（2019年）.
摘要：作为流动可视化的主要技术之一，关键时间步长的选择在解决存储限制方面起着关键作用，并得到了广泛的研究。本文将深度度量学习（DML）引入计算流体动力学（CFD）数据的关键时间步长选择中，提出了一种基于DML的局部选择方法。具体来说，该方法从CFD数据中抽取小块数据，训练一个具有两个卷积神经网络（CNN）对称结构的暹罗深度神经网络，然后根据网络评估的连续时间步长之间的相似性选择关键时间步长。与现有的局部选择方法之一Myers方法相比，我们的方法在准确性、精密度和召回率方面具有优势，并且选择结果更好。实验结果也证明了该方法在CFD数据集上的良好通用性。

MSC公司：

76米27 可视化算法在流体力学问题中的应用

关键词：

流动可视化;关键时间步长选择;CFD流场;深度度量学习

软件：

传感器
PDF格式BibTeX公司 XML格式引用
\textit{Y.Liu}等人，计算。Fluids 195，文章ID 104318，9 p.（2019；Zbl 1466.76035）
全文： 内政部

参考文献：

[1] A.C.鲍尔。；阿巴斯，H。；Ahrens，J。；Childs，H。；Geveci，B。；克拉斯基，S。；莫兰，K。；O’Leary，P。；维什瓦纳，V。；惠特洛克，B。；Bethel，E.W.，高性能计算平台上的原位方法、基础设施和应用，计算网格论坛，35，3，577-597（2016）
[2] 阿亚奇特，美国。；Bauer，A。；杜克，E。；艾森豪尔，G。；费里尔，N。；顾J。；Jansen，K。；Loring，B。；卢基克，Z。；梅农，S。；莫罗佐夫，D。；O’Leary，P。；Ranjan，R。；拉斯金，M。；斯通，C。；维什瓦纳，V。；韦伯，G。；惠特洛克，B。；Wolf，M。；Bethel，E.W.，《性能分析、设计考虑和极端规模原位基础设施的应用》，《高性能计算、网络、存储和分析国际会议论文集》，921-932（2016）
[3] 唐，X。；Lee，T.-y。；Shen，H.-W.，从具有动态时间扭曲的大规模时变数据集中选择显著时间步长，IEEE大数据分析与可视化（LDAV）研讨会论文集，49-56（2012），IEEE
[4] 王，C。；Yu，H。；Ma，K.-L.，重要性驱动的时变数据可视化，IEEE Trans-Vis计算图，14，6，1547-1554（2008）
[5] 周，B。；Chiang，Y.-j.，使用信息理论故事板选择大规模时变体积数据集的关键时间步长，欧洲图形可视化会议论文集，37，37-49（2018）
[6] 萨卢姆，M。；Bennett，J.C。；Pinar，A。；巴加瓦拉，A。；Chen，J.H.，《通过触发检测实现自适应科学工作流》，《现场基础设施实现极端尺度分析和可视化（ISAV）第一次研讨会论文集》，41-45（2015）
[7] Myers，K。；劳伦斯，E。；Fugate，M。；鲍恩，C.M。；蒂克纳，L。；伍德林，J。；温德尔伯格，J。；Ahrens，J.，《运行时对大型模拟进行分区》，Technometrics，58，3329-340（2016）
[8] Ling，J。；Kegelmeyer，W.P。；Reed，K.A。；护套，T.M。；Iv，W.L.D.，《使用特征重要性度量来检测科学计算应用中感兴趣的事件》，IEEE信号处理和信息技术国际研讨会论文集，55-63（2017）
[9] Banesh，D。；Wendelberger，J。；彼得森，M。；Ahrens，J。；Hamann，B.，海洋涡流分析的变化点检测，环境科学可视化研讨会论文集，EnvirVis，27-33（2018）
[10] Larsen，M。；伍兹，A。；Marsaglia，N。；哈里森，C。；Childs，H.，《现场触发器的灵活系统》，《用于实现极端尺度分析和可视化的现场基础设施研讨会论文集》，1-6（2018）
[11] Bengio，Y.，《学习人工智能的深层架构》，Found Trends Mach Learn，2，1，1-127（2009）·Zbl 1192.68503号
[12] Schmidhuber，J.，《神经网络中的深度学习：概述》，神经网络，61，85-117（2015）
[13] Dara，S。；Tumma，P.，《利用深度学习进行特征提取：一项调查》，第二届电子、通信和航空航天技术国际会议论文集，ICECA，1795-1801（2018）
[14] Farias，G。；多尔米多·坎托，S。；Vega，J。；Ratt，G。；瓦尔加斯，H。；Hermosilla，G。；阿尔法罗，L。；Valencia，A.，使用深度学习方法在大型融合数据库中自动提取特征，fusion Eng-Des，112，979-983（2016）
[15] 江，B。；杨，J。；Lv，Z。；田，K。；孟，Q。；严毅，基于深度学习的互联网跨媒体检索，《J Vis Commun Image Representation》，48，356-366（2017）
[16] Y.Hayakawa。；Oonuma，T。；小林，H。；高桥，A。；千叶，S。；Fujiki，N.M.，使用深度神经网络的视频特征提取，IEEE第15届认知信息学认知计算国际会议论文集，465-470（2016）
[17] 莫森，H。；El-Dahshan，E.-S.A。；El Horbaty，E.-S.M.公司。；Salem，A.-B.M.，使用深度学习神经网络进行脑肿瘤分类，Future Comput Inform J，3，1，68-71（2018）
[18] 郭，X。；李伟（Li，W.）。；Iorio，F.，用于稳定流近似的卷积神经网络，第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集。第22届ACM SIGKDD知识发现和数据挖掘国际会议论文集，KDD’16，481-490（2016），ACM：美国纽约州纽约市ACM
[19] Ling，J。；Kurzawski，A。；Templeton，J.，使用嵌入不变性的深度神经网络进行雷诺平均湍流建模，《流体力学杂志》，807155-166（2016）·Zbl 1383.76175号
[20] Lee S，You D.《利用深度学习预测圆柱上的层流涡旋脱落》，2017年，arXiv:1712.07854。
[21] 刘，Y。；Wang，Y。；邓，L。；Wang，F。；刘，F。；卢，Y。；Li，S.，基于生成对抗网络的CFD数据原位压缩新方法，J Vis，22，1，95-108（2019）
[22] 刘，Y。；卢，Y。；Wang，Y。；Sun，D。；邓，L。；Wang，F。；Lei，Y.，基于CNN的流动可视化冲击检测方法，计算流体，184,1-9（2019）·Zbl 1411.76125号
[23] 邓，L。；Wang，Y。；刘，Y。；Wang，F。；李，S。；Liu，J.，基于CNN的涡流识别方法，J Vis，22，1，65-78（2019）
[24] 蒙福特，M。；卢西亚尼，T。；Komperda，J。；齐巴特，B。；马沙耶克，F。；Marai，G.E.，《识别湍流燃烧张量场中激波位置的深度学习方法》，《Ana-Vis各向异性模型》，375-392（2017）
[25] Kulis，B.，《度量学习：一项调查》，Found Trends®Mach Learn，5，4，287-364（2012）·Zbl 1278.68014号
[26] 库利斯，B。；Jain，P。；Grauman，K.，《学习度量的快速相似性搜索》，IEEE Trans-Pattern Ana Mach Intell，31，12，2143-2157（2009）
[27] 弗罗姆，A。；辛格，Y。；沙·F。；Malik，J.，学习基于形状的图像检索和分类的全球一致性局部距离函数，IEEE第11届计算机视觉国际会议论文集，1-8（2007）
[28] 戴维斯，J.V。；Dhillon，I.S.，高维问题的结构化度量学习，第14届ACM SIGKDD知识发现和数据挖掘国际会议论文集。第14届ACM SIGKDD知识发现和数据挖掘国际会议论文集，KDD，195-203（2008），ACM：美国纽约州纽约市ACM
[29] Yi，D。；雷，Z。；Li，I.S.Z.，针对实际人再识别的深度度量学习，第22届模式识别国际会议论文集，34-39（2014）
[30] Bromley，J。；盖恩，I。；乐村，Y。；萨克金格，E。；Shah，R.，使用暹罗时延神经网络进行签名验证，《国际J模式识别技术》，第7、4、669-688页（1993年）
[31] 巴尔迪，P。；Chauvin，Y.，指纹识别的神经网络，神经计算，5，402-418（1993）
[32] 弗雷，S。；Ertl，T.，交互式体积可视化的基于流的时间选择，Comput Gr论坛，36，8，153-165（2017）
[33] 伍德林，J。；Shen，H.，通过时间聚类可视化电子表格进行多尺度时间活动数据探索，IEEE Trans-Vis计算图，15，1，123-137（2009）
[34] Lee，T。；Shen，H.，多元时变数据中时间趋势关系的可视化和探索，IEEE Trans-Vis计算图，15，6，1359-1366（2009）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。