1.一种基于人工智能的软性磨粒两相湍流流型识别方法，其特征在于：所述软性磨粒两相湍流流型识别方法包括以下步骤：

1)软性磨粒两相湍流压力信号的采集

使用FLUENT软件中欧拉模型与重整化群双方程模型相结合的仿真技术，对小尺寸弯道内不同速度下的软性磨粒两相流进行仿真，设定仿真时间，对小尺寸弯道内壁面顶点处压力进行采集，所述的小尺寸弯道为出口处带有一小段直管的1800°大曲率圆管；

2)压力信号特征提取及分析

采用小波包方法将频带进行多层次划分，对多分辨率没有细分的高频部分进一步分解，并根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱匹配；具体实施过程如下：2.1)对采集到的压力信号进行四层小波包分解，分别提取第四层从低频到高频所有频率成分的信号；2.2)对小波包分解系数进行重构，提取各频带范围的信号，得到重构信号，对第四层的所有结点进行分析，得到新的总信号表示；2.3)将信号的小波包分解看成是对信号的一种划分，定义这种划分的测度，并根据信息熵的基本理论，定义小波包信息熵；2.4)以信息熵为元素构造能取做指纹的特征矢量，对信息熵特征向量进行归一化，以归一化后的信息熵作为元素构造特征向量，作为输入概率神经网络的训练样本并进行识别；

3)利用概率神经网络对由定义的特征参数构成的流型样本进行训练并识别，根据概率神经网络结构和学习样本的关系，所述学习样本为归一化后的小波包信息熵特征向量，确定用于流型识别的概率神经网络的结构，对该网络进行相关设置并进行学习训练，使用该概率神经网络对不同流型样本的识别；具体实施过程如下：

3.1)流型识别的概率神经网络的结构的确定：由概率神经网络结构和归一化后的小波包信息熵特征向量的关系，确定概率神经网络结构为由输入层、隐含层和输出层组成的三层前向网络；

3.2)对概率神经网络进行设置并进行学习训练，其步骤为：3.2.1)将压力波动信号的归一化小波包信息熵作为网络的输入向量；3.2.2)对输入层至模式层的权值进行初始化；

3.2.3)将作为概率神经网络输入的第i个样本的第j个属性参数的值作为隐含层基函数的中心；3.2.4)隐含层的基函数为高斯函数，输出层的传递函数为竞争函数，在其寻找到输入特征向量中的最大元素后，把相应的神经元的输出置为1，其余输出置为0，从而得到在该流型下对应的一个特征序列值，该序列值就代表不同类别的软性磨粒两相流流型；

3.3)使用概率神经网络对不同流型的识别是通过完成输入特征向量到流型类别的非线性映射实现的，其流程为：3.3.1)把采集到的压力信号经小波包分析得到的归一化后的小波包信息熵测试样本提供给输入节点，每一个模式层神经元都计算内积，得到“网络激励”，并产生该“网络激励”的一个非线性函数；3.3.2)每一个类别层神经元将与之相连的模式层神经元的结果进行相加；3.3.3)在分类层的待预测软性磨粒两相流流型样本矩阵中，计算每个流型样本归入各个流型的初始概率和，即计算隐含层每一类径向基元的输出对分类层各个神经元的加权之和；3.3.4)计算每个流型样本归入各个类别流型的归一化概率，用竞争函数作用第i个样本归入第j种流型的归一化概率，找出该测试样本归入四种流型中第几种流型的概率最大，则该被测试样本就属于概率最大的那种流型类别，得到所输入的测试样本为何种磨粒两相流流型。

2.如权利要求1所述的一种基于人工智能的软性磨粒两相湍流流型识别方法，其特征在于：所述步骤3.1)中，输入层的神经元个数与归一化后的小波包信息熵特征向量的元素个数相等，为16个，隐含层有20个神经元，输入层与隐含层各神经元之间均有连接；流型的类别决定输出层神经元个数，输出层其每一个神经元代表一种模式类型，且只与属于自己类别的隐含层神经元相连接，而与隐含层的其它神经元没有连接，输出为相应神经元之间的加权和，隐含层与求和层以等权值连接来匹配概率。

3.如权利要求1或2所述的一种基于人工智能的软性磨粒两相湍流流型识别方法，其特征在于：在所述步骤3.3.2)中，每一个模式层神经元向与之相连的那个类别层神经元贡献一个信号，这个信号的强度等于以当前软性磨粒两相湍流流型的训练样本为中心的高斯函数产生该流型测试样本点的初始概率。