论文笔记-Two-phase flow regime identification based on the liquid-phase velocity information and machine learning

对象：液相速度信息
方法：CNN、LSTM、SVM
目标：实现了水平管道内两相流态识别

关注特征：从速度时间序列数据中提取的统计特征：均值、均方根和功率谱密度、最大速度比和最大速度差比
结果：SVM-93.1%，CNN-94%，LSTM-不佳73.3%

LSTM：
总共使用了 300 秒的速度数据，然后将其分为 180 秒用于训练和 120 秒用于测试。将数据分为 1 s 组，每组提取 17 个特征作为输入数据。因此，实时流态识别的时间分辨率为1 s。在训练过程之前，根据录制的视频，将每个 1 s 训练组手动分类

LSTM 层包含 100 个隐藏单元，在该层中执行附加交互，以改善训练期间长序列上的梯度流。
基于LSTM层的学习结果，需要全连接层、softmax层和分类输出层来预测类别标签。 LSTM层中的每个神经元通过全连接层连接到softmax层，输出由softmax层表示为概率；在分类层中计算指定数量的类的交叉熵损失。获得了三个流动条件类别的预测结果作为输出，并分析了它们的准确性。