等离子体电磁干扰下圆柱绕流壁面压力信号AI实时降噪.pdf

文章编号：1672-9897(2023)04-0059-07doi：10.11729/syltlx20230030等离子体电磁干扰下圆柱绕流壁面压力信号 AI 实时降噪陈杰1，宗豪华2,*，宋慧敏1,*，梁华1，刘诗敏1，方子淇21.空军工程大学航空动力系统与等离子体技术全国重点实验室，西安7100382.西安交通大学机械工程学院，西安710049摘要：面向闭环主动流动控制的可靠传感需求，提出采用人工神经网络模型对不同等离子体电磁干扰下受污染流场信号进行实时降噪处理。以安装在圆柱表面的动态压力传感器为研究对象，分别采集了正弦交流介质阻挡放电（ACDBD）的“稠密峰”型干扰信号和纳秒脉冲介质阻挡放电（NSDBD）的“稀疏突刺”型干扰信号，对人工合成含干扰的流场压力数据进行了监督学习训练，并对模型的泛化能力进行了测试验证。结果表明：基于人工神经网络模型的实时降噪方法可以有效抑制等离子体激励带来的电磁干扰影响，还原真实的压力信号，且对 ACDBD“稠密峰”型干扰信号的降噪效果更好，降噪后信号波形平滑，与真实信号拟合度高；将模型用于真实的流场压力测量中，通过对比降噪后信号与真实信号均值，验证了降噪神经网络的信号还原精度。关键词：等离子体激励；沿面介质阻挡放电；人工神经网络；降噪；压力信号；圆柱绕流中图分类号：V211.71文献标识码：AAI-based real-time noise reduction of flow field pressure signals underplasma electromagnetic interferenceCHEN Jie1，ZONG Haohua2,*，SONG Huimin1,*，LIANG Hua1，LIU Shimin1，FANG Ziqi21.National Key Lab of Aerospace Power System and Plasma Technology,Air Force Engineering University,Xian710038,China2.School of Mechanical Engineering,Xian Jiaotong University,Xian710049,ChinaAbstract:Forthereliablesensingrequirementsofclosed-loopactiveflowcontrol,areal-timenoise reduction method based on the artificial neural network was proposed for solving theplasmaactuationelectromagneticinterferenceonflowfieldsignals.Takingthedynamicpressuresensorinstalledonthecylindersurfaceastheexperimentalsubject,the“densepeak”typenoisesignalsofalternatingcurrentdielectricbarrierdischarge(ACDBD)andthe“sparsespike”typenoisesignalsofnanosecondpulseddielectricbarrierdischarge(NSDBD)werecollectedrespectively.Artificialsyntheticnoisesignalswereusedforsupervisedlearning,andthegeneralizationoftheartificialneuralnetworkmodelwastestedandverified.Theresultsshowthatthismethodcaneffectivelysuppresstheinfluenceofelectromagneticinterferencecausedbyplasmaactuationandrestoretherealpressuresignal.IthasbetterdenoisingperformanceontheACDBD“densepeak”typenoisesignal.Thedenoisedsignalissmootherandbetterfittedwiththerealone.Thismodelisalsoappliedtotherealflowfieldpressuremeasurement,andtheaccuracyofthedenoisingnetworkpredictionisfurtherverifiedbycomparingthemeanvalueofthedenoisedsignalandtherealsignal.收稿日期：2023-03-13；修回日期：2023-04-25；录用日期：2023-04-27基金项目：国家自然科学基金青年科学基金项目（12002384）；基础加强计划技术领域基金项目（2021-xxxx-JJ-0786）；“两机”基础科学中心项目（P2022-DC-I-003-001）*通信作者E-mail：haohua_；min_引用格式：陈杰,宗豪华,宋慧敏,等.等离子体电磁干扰下圆柱绕流壁面压力信号 AI 实时降噪 J.实验流体力学,2023,37(4):59-65.CHEN J,ZONG H H,SONG H M,et al.AI-based real-time noise reduction of flow field pressure signals under plasmaelectromagneticinterferenceJ.JournalofExperimentsinFluidMechanics,2023,37(4):59-65.第37卷第4期实验流体力学Vol.37，No.42023年8月Journal of Experiments in Fluid MechanicsAug.，2023Keywords:plasma actuation;surface dielectric barrier discharge;artificial neural network;denoising;pressuresignal;flowaroundcircularcylinder 0 引言主动流动控制对于解决关键气动问题具有重要作用1-3。沿面介质阻挡放电作为一种有效的等离子体流动控制技术，具有频带宽、响应迅速、结构简单等特点，在湍流边界层减阻4-7、旋涡控制8-11、分离控制12-15、防除冰16-19等方面展现出巨大的应用潜力，受到了国内外研究者的广泛关注。当前，等离子体流动控制研究大都为开环控制，基于流场状态对等离子体激励强度进行闭环自适应调节是未来研究的发展趋势。但等离子体激励器的高压脉冲电流会对传感器工作造成强电磁干扰，即便进行了良好的接地，传感器采集的信号仍会受到严重污染，突出表现为信号时均值飘移、出现极高幅值的“突刺”，所占据的频谱范围与流场信号重叠，很难将此类干扰信号滤除，这对等离子体流动控制的实验研究与工程应用都带来了严峻挑战。近年来，随着机器学习的不断发展，深度学习被大量应用于图像降噪之中20。巨大的模型容量和精心设计的网络架构赋予了这些图像去噪网络极强的模式表达和拟合能力，使其能够对大规模数据集中蕴含的图像恢复规律进行学习21-24。借助机器学习，是否可以在大规模数据中习得含干扰噪声信号的降噪规律，实现等离子体电磁干扰下流场信号的智能实时降噪？针对这一问题，本文提出一种基于人工神经网络模型的实时降噪方法，以动态压力传感器为对象，选取研究最为广泛的正弦交流介质阻挡放电（ACDBD）与纳秒脉冲介质阻挡放电（NSDBD）进行实验研究，人工合成含干扰的流场压力数据进行训练测试，最后将训练好的模型在真实流场压力测量中进行验证。1 实验系统及方法 1.1 实验系统实验基于圆柱绕流开展。风洞试验段尺寸为1.2 m 1.0 m，来流风速 075 m/s 可调，主流区湍流度 0.2%。圆柱模型竖直安装于试验段，底部用螺丝与底壁紧固（图 1）。模型直径 D=150 mm，高度 H=800 mm，材料选用 ABS 工程塑料。动态压力传感器安装于模型中段，用于测量流场压力变化，型 号 为 ALX314，量 程 为 0 2 kPa，精 度 为0.25%F.S.，输出信号为 05 V 三线制标准模拟信号，信号放大采用差动输入式仪表放大器。压力信号数据由 LabVIEW 程序配合 NI PCI6014 采集卡进行采集存储。圆柱模型动态压力传感器介质阻挡放电激励器图 1 实验设置Fig.1 Experimental setup等离子体激励系统由介质阻挡放电激励器和高压电源组成，如图 2 所示。为防止等离子体激励改变流场状态、增加压力测量的不确定性，激励器安装于风洞试验段底壁、圆柱模型下游 200 mm（图 1）处。激励器由高压电极、绝缘介质层、覆盖电极组成，电极为 5 mm 宽的铜箔胶带，绝缘介质层为厚 0.12 mm的聚酰亚胺，介电常数为 3.4。高压电级介质层覆盖电级高压电源图 2 介质阻挡放电激励器Fig.2 Dielectric barrier discharge actuator根据高压激励电源的不同，介质阻挡放电分为AC DBD（由 Electrofluidsystems Minipulse 2.0 高压正弦波电源驱动）和 NSDBD（由双极性高性能纳秒刀脉冲电源 HVPB3000/IRE 驱动）。DPO4104示波器、P6015A 高压探针和 TCP0030A 电流探针用于测量等离子体激励放电时的电压、电流等参数。实验中测得的 NSDBD 和 ACDBD 典型电压、电流波形如图 3 所示。激励电压波形如图 4 所示，图中 Up为电压峰值、Tpulse为脉冲电压的脉宽时间，Tbase为正弦波电压的载波周期，Ton为一个调制周期内等离子体激励时间，T 为正弦波电压的调制周 期。本 文 电 压 峰 值 Up、载 波 频 率 fbase（fbase=1/Tbase）、调制频率 fm（fm=1/T）、脉冲频率 fp（fp=1/Tpulse）均可调。占空比 DC（Duty Cycle）=Ton/T，60实验流体力学http:/在实验中固定为 50%。另外，为了防止产生共地干扰，利用隔离变压器将等离子体激励系统与数据采集系统隔离开。1.2 实验方法S(t)N(t)本文提出采用人工神经网络模型对不同等离子体电磁干扰下受污染流场信号进行降噪，即将电磁干扰下测得的含干扰压力数据作为输入，输出真实的压力数据。由于在实验过程中无法同时获得含干扰的压力信号和干净的压力信号作为标签进行学习，本文基于加性噪声模型假设，人工构造噪声信号和真实信号（图 5），记无干扰的干净压力数据（即真实信号）为，而与之对应的干扰噪声（即噪声信号）为，则含干扰的压力信号（简称含干扰信号）可表示为：Y(t)=S(t)+N(t)（1）Y(t)Y(t)N(t)S(t)通过学习提供的样本数据，对神经网络模型中的参数进行更新，使得模型对新输入的含干扰信号的处理结果尽可能逼近真实信号，即对中的噪声信号进行压制并恢复其中所含的真实信号：Y(t)S(t):argminEY(t)S(t)2（2）式中：表示神经网络参数，表示参数的范围域。N(t)S(t)Y(t)Y(t)S(t)首先，在无来流条件下，以不同的电参数施加等离子体激励，测得相应的噪声信号，采样频率为40 kHz，采样时间为 30 s，得到 ACDBD“稠密峰”型干扰信号与 NSDBD“稀疏突刺”型干扰信号，如图 6 所示。随后，关闭等离子体激励，在不同的来流速度下随机采集真实信号，采样频率和采样时间与采集噪声信号时相同。人工合成含干扰信号，将与真实信号以每组 400 个采样点分组进行训练。Y(t)S(t)人工神经网络模型选用 6 层网络结构。网络输入包括电参数特征及分段的含干扰信号，输出为分段的真实信号。网络模型参数设置如表 1所示，其中输入层节点数是关键参数之一，NSDBD0.10420241008060402002040Current/mA608010040200Current/A200.0500.05Time/ms（b）ACSDBD（a）NSDBDTime/msVoltage/kV220002004006008001 0000268104Voltage/kV0.100.150.20图 3 介质阻挡放电的典型电压、电流波形Fig.3 Typical voltage and current waveforms of dielectric barrierdischargeVoltageTime（a）NSDBD（b）ACSDBDTpulseTbaseTonUpUpT图 4 激励电压波形Fig.4 Excitation voltage waveform电参数特征人工神经网络模型含干扰信号Y(t)+真实信号S(t)噪声信号N(t)真实信号S(t)图 5 实验方法Fig.5 Experimental method第 4 期陈杰等：等离子体电磁干扰下圆柱绕流壁面压力信号 AI 实时降噪61预测模型输入层节点数选为 402 个（脉冲电压值 Up、脉冲频率 fp和 400 个含干扰信号数据点）；ACDBD预测模型输入层节点数选为 403 个（电压峰值 Up、载波频率 fbase、调制频率 fm和 400 个含干扰信号数据点）。2 实验内容 2.1 模型训练将 Batch Size（一次训练所选取的样本数）设置为 400，Epoch（使用训练集全部样本训练一次即为1 个 Epoch）数设置为 50，选取不同电参数激励下ACDBD 与 NSDBD 采集的动态压力信号进行模型训练，电参数如表 2、3 所示，其中 NSDBD 施加电压上升沿时间设置为 150 ns、脉宽设置为 50 ns、下降沿时间设置为 150 ns。图 7 为人工神经网络训练损失曲线。可以看到，前 10 次 Epoch 损失曲线急剧下降，10 次以后网络趋于收敛，网络训练损失几乎不再减小，NSDBD均方根误差最后收敛约 4.426，ACDBD 均方根误差最后收敛于约 3.54。需要指出的是，动态压力传感器量程为 02 kPa，精度 0.25%F.S.，传感器误差允许范围为 5 Pa，若降噪后信号与真实信号的均方根误差小于 5，即认为降噪后信号与真实信号拟合较好，在误差允许的范围内。取 Epoch 为 50 的网络作为最终模型，用于降噪测试验证。表 2 ACDBD 模型训练电参数Table 2 Electrical parameters of training data for ACDBD model电压Up/kV载波频率fbase/kHz调制频率fm/Hz4，6，8，10，126，8，10，12100，300，500，700，900表 3 NSDBD 模型训练电参数Table 3 Electrical parameters of training data for NSDBD model电压Up/kV脉冲频率fp/Hz4，6，8，10，12200，400，600，800，1000，1200，140003456789101020EpochRMSE30404.4263.5450NSDBDACDBD图 7 人工神经网络训练损失曲线Fig.7 Artificial neural network training loss curve 2.2 模型验证 2.2.1 合成信号还原采用上述训练好的模型对不同电参数下的含干扰信号进行降噪还原，同时，为验证神经网络的泛化能力，将训练集中不包含的电参数用于测试。ACDBD 模型的测试参数设置如表 4 所示。表 4 ACDBD 模型测试电参数Table 4 Electrical parameters of testing data for ACDBD model电压Up/kV载波频率fbase/kHz调制频率fm/Hz5，7，9，115，7，9，11200，400，600，800，1000图 8（a）为随机截取的含干扰信号。用训练好的模型进行还原后，与真实信号对比，如图 8（b）所示，降噪前的压力信号在300 Pa 之间剧烈脉动，周期性出现“稠密峰”，降噪后压力信号波形更加平滑，与真实信号拟合较好。分别计算不同激励电参数下的00.010.020.03时间/s（a）ACDBD“稠密峰”型干扰信号0.040.050.060040801200.010.020.03时间/s压力值/Pa552030压力值/Pa（b）NSDBD“稀疏突刺”型干扰信号0.040.050.06图 6 噪声信号Fig.6 Noise signal表 1 人工神经网络模型参数Table 1 Parameters of artificial neural network model网络模型参数设置值输入层节点数402（NSDBD），403（ACDBD）隐含层数4隐含层节点数512，1024，2048，1024输出层节点数400激活函数Leaky ReLU优化器Adam损失函数均方根误差（RMSE）初始学习率0.001学习率衰减系数0.9662实验流体力学http:/降噪前后信号与真实信号的均方根误差（记降噪前信号与真实信号的均方根误差为 RMSE1，降噪后信号与真实信号的均方根误差为 RMSE2），如表 5 所示，由于电磁干扰导致压力信号均值发生飘移、出现“稠密峰”，RMSE1 均在 30 以上，且数值大小与电压峰值 Up、载波频率 fbase、调制频率 fm均正相关，数值越大表示电磁干扰越强；降噪后 RMSE2 均在误差允许范围内。对于训练集中未涉及的电参数，也能够很好地进行还原，这表明神经网络泛化性较好，适用性更强。00.010.020.03时间/s（a）随机截取的含干扰测试信号0.040.050.0600.010.020.03时间/s（b）降噪后信号与真实信号对比0.040.050.0638343026压力值/Pa403020100压力值/Pa真实信号降噪后信号图 8 ACDBD 模型验证Fig.8 ACDBD model validation表 5 不同电参数下 ACDBD 模型降噪前后均方根误差Table 5 RMSE value of ACDBD model under different testing elec-trical parameters激励电参数RMSE1 RMSE2Up=5 kV，fbase=7 kHz，fm=200 Hz32.863.73Up=5 kV，fbase=9 kHz，fm=400 Hz39.563.27Up=5 kV，fbase=11 kHz，fm=600 Hz42.223.66Up=7 kV，fbase=7 kHz，fm=400 Hz40.232.89Up=7 kV，fbase=9 kHz，fm=600 Hz44.103.12Up=7 kV，fbase=11 kHz，fm=800 Hz48.363.24Up=9 kV，fbase=7 kHz，fm=600 Hz48.303.36Up=9 kV，fbase=9 kHz，fm=800 Hz56.233.78Up=9 kV，fbase=11 kHz，fm=1000 Hz62.353.82Up=11 kV，fbase=7 kHz，fm=800 Hz66.232.99Up=11 kV，fbase=9 kHz，fm=1000 Hz70.513.64Up=11 kV，fbase=11 kHz，fm=200 Hz66.162.81NSDBD 模型的测试参数设置如表 6 所示。随机截取的含干扰信号如图 9（a）所示，采用训练好的模型进行降噪后，与真实信号进行对比，如图 9（b）所示，降噪前信号周期性出现 500700 Pa 的“突刺跳跃”，降噪后大致可以拟合出真实信号的变化趋势，但局部还会出现阶跃。对比不同测试参数下降噪前后信号与真实信号的均方根误差（表 7），可以看到，与 ACDBD 类似，RMSE1 与电压峰值 Up、脉冲频率 fp 正相关；降噪后 RMSE2 相比 ACDBD较大，但也在误差允许范围内。表 6 NSDBD 模型测试电参数Table 6 Electrical parameters of testing data for NSDBD model电压Up/kV脉冲频率fp/Hz5，7，9，11300，500，700，900，110000.010.020.03时间/s（b）降噪后信号与真实信号对比0.040.050.0600.010.020.03时间/s（a）随机截取的含干扰测试信号0.040.050.064020020压力值/Pa100100300500700压力值/Pa真实信号降噪后信号图 9 NSDBD 模型验证Fig.9 NSDBD model validation表 7 不同电参数下 NSDBD 模型降噪前后均方根误差Table 7 RMSE value of NSDBD model under different testing elec-trical parameters激励电参数RMSE1RMSE2Up=5 kV，fp=300 Hz40.364.36Up=5 kV，fp=500 Hz51.634.89Up=5 kV，fp=700 Hz62.224.78Up=7 kV，fp=500 Hz50.244.86Up=7 kV，fp=700 Hz59.334.88Up=7 kV，fp=900 Hz68.364.98Up=9 kV，fp=700 Hz66.324.48Up=9 kV，fp=900 Hz72.564.36Up=9 kV，fp=1100 Hz79.854.90Up=11 kV，fp=300 Hz68.494.22Up=11 kV，fp=900 Hz90.224.23Up=11 kV，fp=1100 Hz105.624.58 2.2.2 实测信号还原进一步对实测的干扰信号进行研究，在 10 m/s第 4 期陈杰等：等离子体电磁干扰下圆柱绕流壁面压力信号 AI 实时降噪63的稳定来流下，分别测得含干扰的压力信号和无干扰的压力信号，并利用训练好的模型进行降噪，对比1 s 内降噪后的压力平均值与干净压力信号的平均值，如表 8 所示，NSDBD 模型降噪后均值差大于ACDBD 模型，但均在 3 Pa 以内，侧面印证了该模型能够有效抑制干扰噪声，可应用于实际测量。表 8 降噪后的压力信号均值与干净压力信号均值对比Table 8 Mean value comparison between the denoised pressuresignal and the clean pressure signal激励电参数降噪后信号与真实信号的均值差/PaACDBDUp=5 kV，fbase=6 kHz，fm=200 Hz1.26Up=5 kV，fbase=8 kHz，fm=400 Hz1.15Up=7 kV，fbase=6 kHz，fm=400 Hz1.36Up=7 kV，fbase=8 kHz，fm=600 Hz1.44Up=9 kV，fbase=6 kHz，fm=600 Hz1.52Up=9 kV，fbase=8 kHz，fm=800 Hz1.21Up=11 kV，fbase=6 kHz，fm=800 Hz1.58Up=11 kV，fbase=8 kHz，fm=1000 Hz1.61NSDBDUp=6 kV，fp=200 Hz2.98Up=7 kV，fp=300 Hz2.32Up=8 kV，fp=400 Hz2.36Up=9 kV，fp=500 Hz2.22Up=10 kV，fp=600 Hz2.43Up=11 kV，fp=700 Hz2.58Up=13 kV，fp=800 Hz2.46Up=14 kV，fp=900 Hz2.77 3 结论本文基于加性噪声模型假设，利用人工神经网络对等离子体电磁干扰下圆柱绕流壁面压力信号进行降噪，人工合成含干扰的流场压力数据进行监督学习训练，并对模型进行了验证，得到如下结论：1）本文方法能够有效消除等离子体激励电磁干扰的影响，还原真实的压力信号，且对 ACDBD 的“稠密峰”型干扰信号的降噪效果比对 NSDBD 的“稀疏突刺”型干扰信号的降噪效果更好，降噪后与原信号拟合更好，波形更加平滑。2）使用本文提出的抑制电磁干扰的方法，需要提供相应的电参数，还需进一步研究普适的神经网络结构，使其不依赖于电参数。参考文献：李应红,吴云.等离子体激励调控流动与燃烧的研究进展与展望J.中国科学(技术科学),2020,50(10):12521273.LI Y H,WU Y.Research progress and outlook of flowcontrol and combustion control using plasma actuationJ.ScientiaSinica(Technologica),2020,50(10):12521273.doi：10.1360/SST-2020-01111赵志杰,罗振兵,刘杰夫,等.基于分布式合成双射流的飞行器无舵 面 三 轴 姿 态 控 制 飞 行 试 验 J.力 学 学 报,2022,54(5):12201228.ZHAOZJ,LUOZB,LIUJF,etal.Flighttestofaircraftthree-axis attitude control without rudders based ondistributed dual synthetic jetsJ.Chinese Journal ofTheoreticalandAppliedMechanics,2022,54(5):12201228.doi：10.6052/0459-1879-21-5862姚张奕,史志伟,董益章.深度强化学习在翼型分离流动控制中的应用J.实验流体力学,2022,36(3):5564.YAO Z Y,SHI Z W,DONG Y Z.Deep reinforcementlearningforthecontrolofairfoilflowseparationJ.JournalofExperimentsinFluidMechanics,2022,36(3):5564.doi：10.11729/syltlx202100853兰子奇,史志伟,孙琪杰,等.ACDBD等离子体激励对L形截面钝体风荷载减阻的实验研究J.实验流体力学,2021,35(2):8391.LANZQ,SHIZW,SUNQJ,etal.ExperimentalstudyondragreductionofL-shapedbluffbodybyACDBDplasmaactuationJ.Journal of Experiments in Fluid Mechanics,2021,35(2):8391.doi：10.11729/syltlx202000954CHENGXQ,WONGCW,HUSSAINF,etal.Flatplatedrag reduction using plasma-generated streamwise vorticesJ.JournalofFluidMechanics,2021,918:A24.doi：10.1017/jfm.2021.3115DUONGAH,CORKETC,THOMASFO.Characteristicsof drag-reduced turbulent boundary layers with pulsed-direct-currentplasmaactuationJ.JournalofFluidMechanics,2021,915:A113.doi：10.1017/jfm.2021.1676LIZ,SHIZW,DUH,etal.Analysisofflowseparationcontrol using nanosecond-pulse discharge plasma actuatorsonaflyingwingJ.PlasmaScienceandTechnology,2018,20(11):116125.7周岩,罗振兵,王林,等.等离子体合成射流激励器及其流动控制技术研究进展J.航空学报,2022,43(3):90132.ZHOUY,LUOZB,WANGL,etal.Plasmasyntheticjetactuator for flow control:reviewJ.Acta Aeronautica etAstronauticaSinica,2022,43(3):90132.doi：10.7498/aps.68.201906838WU B,GAO C,LIU F,et al.Reduction of turbulentboundary layer drag through dielectric-barrier-dischargeplasmaactuationbasedontheSpaldingformulaJ.PlasmaScienceandTechnology,2019,21(4):107114.9金元中,郑博睿,喻明浩,等.滑动放电等离子体控制细长体头部背风区非对称涡实验研究J.实验流体力学,2022,36(5):4351.JINYZ,ZHENGBR,YUMH,etal.Experimentalstudyonflowcontrolofasymmetricvortexovertheleewardregionoftheheadoftheslenderbodybyslidingdischargeplasma1064实验流体力学http:/actuationJ.Journal of Experiments in Fluid Mechanics,2022,36(5):4351.doi：10.11729/syltlx20210101张卫国,史喆羽,李国强,等.风力机翼型动态失速等离子体流动控制数值研究J.力学学报,2020,52(6):16781689.ZHANGWG,SHIZY,LIGQ,etal.Numericalstudyondynamic stall flow control for wind turbine airfoil usingplasma actuatorJ.Chinese Journal of Theoretical andAppliedMechanics,2020,52(6):16781689.doi：10.6052/0459-1879-20-09011黄广靖,戴玉婷,杨超.低雷诺数俯仰振荡翼型等离子体流动控制J.力学学报,2021,53(1):136155.HUANG G J,DAI Y T,YANG C.Plasma-based flowcontrol on pitching airfoil at low Reynolds numberJ.Chinese Journal of Theoretical and Applied Mechanics,2021,53(1):136155.doi：10.6052/0459-1879-20-18312梁华,李应红,程邦勤,等.等离子体气动激励抑制翼型失速分离的仿真研究J.航空动力学报,2008,23(5):777783.LIANG H,LI Y H,CHENG B Q,et al.Numericalsimulationonairfoilstallseparationsuppressionbyplasmaaerodynamic actuationJ.Journal of Aerospace Power,2008,23(5):777783.doi：10.13224/ki.jasp.2008.05.00413杜海,史志伟,程克明,等.纳秒脉冲等离子体分离流控制频率优化及涡运动过程分析J.航空学报,2016,37(7):21022111.DU H,SHI Z W,CHENG K M,et al.Frequencyoptimization and vortex dynamic process analysis ofseparated flow control by nanosecond pulsed plasmadischargeJ.ActaAeronauticaetAstronauticaSinica,2016,37(7):21022111.14郝琳召,张彬乾,陈真利.纳秒等离子体激励控制翼型流动分离机理研究J.航空工程进展,2014,5(1):2532.HAO L Z,ZHANG B Q,CHEN Z L.Investigation onmechanisms of separation control over an airfoil usingnanosecondpulsedplasmaactuatorJ.AdvancesinAeronauticalScienceandEngineering,2014,5(1):2532.doi：10.3969/j.issn.1674-8190.2014.01.00515MENGXS,LONGYX,WANGJL,etal.Dynamicsandcontrolofthevortexflowbehindaslenderconicalforebodyby a pair of plasma actuatorsJ.Physics of Fluids,2018,30(2):024101.doi：10.1063/1.500551416孟宣市,惠伟伟,易贤,等.ACSDBD等离子体激励防/除冰研究现状与展望J.空气动力学学报,2022,40(2):3149.17MENG X S,HUI W W,YI X,et al.Anti-/De-icing byAC SDBD plasma actuators:status and outlookJ.ActaAerodynamicaSinica,2022,40(2):3149.doi：10.7638/kqdlxxb-2021.0159CAIJS,TIANYQ,MENGXS,etal.Anexperimentalstudy of icing control using DBD plasma actuatorJ.ExperimentsinFluids,2017,58(8):102.doi：10.1007/s00348-017-2378-y18WEIB,WUY,LIANGH,etal.SDBDbasedplasmaanti-icing:A stream-wise plasma heat knife configuration andcriteriaenergyanalysisJ.InternationalJournalofHeatandMassTransfer,2019,138:163172.doi：10.1016/j.ijheatmasstransfer.2019.04.05119LATTARIF,GONZALEZLEONB,ASAROF,etal.Deeplearning for SAR image despecklingJ.Remote Sensing,2019,11(13):1532.doi：10.3390/rs1113153220ZHUWQ,MOUSAVISM,BEROZAGC.SeismicsignaldenoisinganddecompositionusingdeepneuralnetworksJ.IEEE Transactions on Geoscience and Remote Sensing,2019,57(11):94769488.doi：10.1109/TGRS.2019.292677221TIANCW,F