买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京航空航天大学申请的专利一种基于掩码深度神经网络和深度强化学习的主动流动控制系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117933092B 。

龙图腾网通过国家知识产权局官网在2025-09-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410196667.7，技术领域涉及：G06F30/27；该发明授权一种基于掩码深度神经网络和深度强化学习的主动流动控制系统是由柳阳威;王非同;赵世航;唐雨萌设计研发完成，并于2024-02-22向国家知识产权局提交的专利申请。

本一种基于掩码深度神经网络和深度强化学习的主动流动控制系统在说明书摘要公布了：本发明公开了一种基于掩码深度神经网络和深度强化学习的主动流动控制系统，其实现的主要过程包括：步骤一，建立数据库；步骤二，按照时间序列构造训练集和测试集；步骤三，搭建掩码深度神经网络并训练；步骤四，结合掩码深度神经网络与深度强化学习算法进行主动流动控制策略设计。通过建立一个基于掩码深度神经网络的流场降阶模型，提供对控制体在任意运动干扰下的非定常流场预测，替代传统的计算流体动力学求解，并作为环境与深度强化学习算法进行交互，实现主动流动控制策略的快速求解，解决传统主动流动控制策略求解过程迭代周期长、计算耗费大的问题，有助于进行主动流动控制系统的快速设计和分析。

本发明授权一种基于掩码深度神经网络和深度强化学习的主动流动控制系统在权利要求书中公布了：1.一种基于掩码深度神经网络和深度强化学习的主动流动控制系统，其特征在于，包括如下步骤： 步骤一，建立数据库； 步骤二，按照时间序列构造训练集和测试集； 步骤三，搭建掩码深度神经网络并训练； 步骤四，结合掩码深度神经网络与深度强化学习算法进行主动流动控制策略设计； ①所述建立数据库包括： 确定所研究的主动流动控制问题需要泛化的参数，采用计算流体力学求解器对所研究的主动流动控制问题算例进行多时间序列的数值模拟计算，得到各时间步的流场数据；其中，所研究的主动流动控制问题算例的空间位置包含流场位置和固体场位置；所述时间序列由时间步1到时间步t构成，所述时间步t的取值为正整数；所研究的主动流动控制问题的控制体的运动方式采用在控制范围内随机运动的方式； 将所述各时间步的流场数据投影到流体矩阵F，将所述各时间步的固体场数据投影到固体矩阵S；其中，所述流体矩阵F与所述固体矩阵S具有同等维度； 将所述固体矩阵S所对应的所述流场位置赋值为1，将所述固体矩阵S所对应的所述固体场位置赋值为0；所述数据库由所述流体矩阵F和所述固体矩阵S共同组成； ②所述按照时间序列构造训练集和测试集包括： 对所述流体矩阵F进行归一化处理得到归一化的流体矩阵Fn，将所述归一化的流体矩阵Fn与所述固体矩阵S进行点乘得到掩码流体矩阵Fm，即Fm＝Fn·S； 将时间步为t-1的掩码流体矩阵和时间步为t的固体矩阵St进行时间维度的拼接处理得到时间步为t的变量矩阵Tt；将时间步为t的掩码流体矩阵作为所述变量矩阵Tt的标签矩阵；将各时间步的所述变量矩阵Tt和各时间步的所述变量矩阵Tt的标签矩阵进行拼接处理得到掩码深度神经网络训练集和掩码深度神经网络测试集； ③所述搭建掩码深度神经网络并训练包括： 采用卷积层、卷积长短时神经网络层和反卷积层搭建所述掩码深度神经网络；所述卷积层用于捕捉所述各时间步的流场数据的空间特征并降低维度；所述卷积长短时神经网络层根据所述时间步为t-1的掩码流体矩阵和时间步为t的固体矩阵St对时间步为t的低维流场特征进行预测；采用所述反卷积层对所述时间步为t的低维流场特征进行重建，得时间步为t的高维流场将所述高维流场和所述时间步为t的固体矩阵St进行点乘得到预测掩码流体矩阵即对所述预测掩码流体矩阵进行反归一化处理得到真实流场； 采用步骤二中所构造的所述掩码深度神经网络训练集和所述掩码深度神经网络测试集对所搭建的所述掩码深度神经网络进行训练，得到可用的掩码深度神经网络模型；采用所述可用的掩码深度神经网络模型可根据时间步为t-1的流体矩阵Ft-1和时间步为t的固体矩阵St完成对时间步为t的流场数据的预测； ④所述结合掩码深度神经网络与深度强化学习算法进行主动流动控制策略设计包括： 采用深度强化学习算法和步骤三中所得到的所述可用的掩码深度神经网络模型搭建基于掩码深度神经网络和深度强化学习的主动流动控制系统； 计算开始时，根据待求解的主动流动控制问题算例，给定流场初始场所对应的流体矩阵F0；深度强化学习算法的智能体将所述流场初始场所对应的流体矩阵F0作为状态，应用卷积神经网络从所述流场初始场所对应的流体矩阵F0中提取特征，并将控制动作输出为固体矩阵S1；将所述固体矩阵S1与所述流场初始场所对应的流体矩阵F0作为由步骤三得到的所述可用的掩码深度神经网络模型的输入，对时间步为1的流体矩阵F1进行预测；所述深度强化学习算法的智能体根据所述时间步为1的流体矩阵F1得到控制动作为所述固体矩阵S1所对应的奖励，完成一次交互和数据采集，并将所述时间步为1的流体矩阵F1作为时间步为2时所述深度强化学习算法的智能体的状态输入； 按照所述时间序列进行迭代，所述深度强化学习算法的智能体将时间步为t-1的流体矩阵Ft-1作为状态，应用卷积神经网络从所述时间步为t-1的流体矩阵Ft-1中提取特征，并将控制动作输出为固体矩阵St；将所述固体矩阵St与所述时间步为t-1的流体矩阵Ft-1作为由步骤三得到的所述可用的掩码深度神经网络模型的输入，对时间步为t的流体矩阵Ft进行预测；所述深度强化学习算法的智能体根据所述时间步为t的流体矩阵Ft得到控制动作为所述固体矩阵St所对应的奖励，完成一次交互和数据采集，并将所述时间步为t的流体矩阵Ft作为时间步为t+1时所述深度强化学习算法的智能体的状态输入； 按照所述时间序列由时间步1到时间步t的顺序进行迭代，直到达到总迭代步数T，完成所述基于掩码深度神经网络和深度强化学习的主动流动控制系统设计。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。