神经网络匹配图像

Question

我对神经网络很陌生，我希望能得到一些指导.也许是关于以下主题的书籍或文章：

我是个翼型设计师。在固定的流动条件下，翼型壁面的压力将因其几何形状而异，例如厚度。对于不同的几何形状，我有一个大的数据集的压力分布沿翼型(他们可以被视为图像)。我的想法是用这些“图片”作为神经网络(输入)的训练数据，其中输出的是翼型的几何形状。然后，我想对墙上的压力(图片)，得到一个很好的翼型设计.

请告诉我，如果你知道类似的研究，如果有任何书籍开始！

Answer 1

如果我理解正确的话，你有类似于热图的图像，如图6所示：

嗯，非自然图像相关的应用可以从DNN和自然图像一样受益，但是您不太可能使用任何传输学习技术。

如果你有这个热地图样的图像(请考虑张贴一些样本)，你可以尝试一个简单的CNN结构。由于您是初学者，您可以从使用这个名为恩尼的建模器并输出Python或Julia的源代码中获益，请记住在CNN上上一个快速的类来了解您的选项。有关完整的课程，请参阅CNN上的斯坦福大学 YouTube播放列表。

与此有关的一些文件：

• 基于深卷积神经网络的翼型逆设计
• 卷积神经网络在机翼升力系数预测中的应用
• 翼型流动雷诺平均Navier数值模拟的深度学习方法

你可以通过他们的模型来启发你的模型架构。

如果你想要一本深入学习的NN书，试试古德费罗.

Answer 2

您需要考虑如何最好地表示翼型的几何形状(您的输出)和压力分布(您的输入)。通常，对于翼型，正如您可能知道的，您可以通过参数化形状和压力来实现这一点，方法是将它们转换为长度的N 1D矢量，从后缘开始和结束。

请记住，除了压力分布外，翼型的最终形状还将取决于M附加变量:雷诺数、入射角、马赫数(假设你正在处理可压缩流动)以及可能的更多变量。这些可能需要作为输入向量的一部分包括在内。

然后，您应该创建一个具有N+M输入神经元的网络、多个完全连接的隐藏层(您应该实验不同的层数和节点)和具有适当激活函数的N输出神经元，从线性的激活函数开始。

如果您对神经网络还不熟悉，我建议使用Python中的喀拉斯设置它。