一种基于非线性数据降维的动态模态分解流场预测方法

本发明属于计算机辅助的流体力学技术领域，提出了一种基于非线性数据降维的动态模态分解流场预测方法，结合了正交分解与多层感知机自编码器。首先通过两步POD提取非定常流场中的模态系数，形成低维特征，然后通过多层感知机自编码器对低维特征进行非线性特征学习，从而更好地捕捉非定常流场的复杂动力学行为。本发明的非定常流场预测方法不仅可以大幅度降低计算复杂度，还能保留非定常流场中的关键特征。此外，本发明还结合了动态模态分解与随机森林算法，进一步提高了模态系数的时间演化预测精度，特别适用于高维非线性流场的快速预测与重构。