我对神经网络很陌生，我会很感激一些指导......也许是关于以下主题的书籍或文章：
我是一名翼型设计师。在固定流量条件下，翼型壁上的压力将根据其几何形状（例如厚度）而不同。对于不同的几何形状，我有大量沿翼型的压力分布数据集（它们可以被视为图像）。我的想法是使用这些“图片”作为神经网络（输入）的训练数据，其中输出将是翼型的几何形状。然后，我想针对墙上的压力（图片）并获得一个漂亮的翼型设计......
如果您知道类似的研究以及是否有任何书可以开始，请告诉我！
神经网络匹配图像
数据挖掘
Python
神经网络
2021-09-30 13:02:39
2个回答
如果我理解正确，您的图像类似于图 6 所示的热图：
好吧，非自然图像相关的应用程序可以像自然图像一样从 DNN 中受益，但您不太可能使用任何迁移学习技术。
如果你有类似热图的图像（请考虑发布一些示例），你可以尝试一个简单的 CNN 结构。由于您是初学者，因此您可以从使用名为Ennui的建模器中受益，并使用 Python 或 Julia 输出源代码，只需记住在 CNN 上上一堂快速课程以了解您的选择。如需完整课程，请参阅斯坦福大学在 CNN 上的 YouTube 播放列表。
一些与之相关的论文：
您可以通过他们的模型激发您的模型架构
如果您想要一本书涵盖 NN 进行深度学习，请尝试Goodfellow 的。
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，对于机翼，您可能知道，您可以通过将形状和压力参数化为长度为N1D 的向量来实现这一点，该向量在后缘开始和结束。
请记住，除了压力分布外，翼型的最终形状将可选地取决于M其他变量：雷诺数、入射角、马赫数（假设您正在处理可压缩流）等等。这些可能需要作为输入向量的一部分包含在内。
然后，您应该创建一个包含N+M输入神经元、许多完全连接的隐藏层（您应该尝试不同的层数和节点）和N具有适当激活函数的输出神经元的网络，从线性开始。
如果您不熟悉神经网络，我建议您在 Python 中使用Keras进行设置。