基于径向基函数GAN的流场重建
信号处理
2020-09-07 v1 机器学习
图像与视频处理
流体动力学
摘要
非线性稀疏数据回归与生成一直是一项长期挑战，流场重建即是典型例子。计算流体力学（CFD）巨大的计算成本使得大规模CFD数据生成十分昂贵，这正是我们需要更廉价方式的原因；传统的降阶模型（ROMs）虽有前景，但无法生成大量全域流场数据（FFD）以实现高精度流场重建。受现有方法问题的驱动及生成对抗网络（GANs）在计算机视觉领域成功的启发，我们证明了一个最优判别器定理：在处理非线性稀疏FFD回归与生成时，GAN的最优判别器是径向基函数神经网络（RBFNN）。基于该定理，提出了两种基于径向基函数的GAN（RBF-GAN和RBFC-GAN），分别用于回归与生成。应用三个不同数据集验证了我们模型的可行性。结果表明，在均方误差（MSE）和均方百分比误差（MSPE）方面，RBF-GAN和RBFC-GAN的性能均优于GANs/cGANs。此外，与GANs/cGANs相比，RBF-GAN和RBFC-GAN的稳定性分别提升了34.62%和72.31%。因此，我们提出的模型可用于从有限稀疏数据集生成全域FFD，满足高精度流场重建的需求。
引用
@article{arxiv.2009.02285,
title = {Flow Field Reconstructions with GANs based on Radial Basis Functions},
author = {Liwei Hu and Wenyong Wang and Yu Xiang and Jun Zhang},
journal= {arXiv preprint arXiv:2009.02285},
year = {2020}
}