【技术实现步骤摘要】
一种基于SL
‑
TrellisNets网络的超视距传播损耗预测方法
[0001]本专利技术属于海洋大气遥感领域,尤其涉及一种基于SL
‑
TrellisNets网络的超视距传播损耗预测方法。
技术介绍
[0002]海上蒸发波导超视距通信由于解决了在远距离、信号弱的情况下海上通信难的瓶颈而受到了广泛的关注。然而,受到近海海面复杂环境影响,传统气象数值模拟超视距传播损耗预报出现较大的误差,并且缺乏对超视距预报产生影响的环境知识解释分析。
[0003]国内外学者基于第五代中尺度模式(MM5)和天气研究与预报模式(WRF),模拟电磁传播的耦合物理方程,生成超视距传播损耗预测。受全球背景物理场的数据限制,蒸发波导环境的超视距预报的时间分辨率和水平分辨率较低。此外,在中国沿海陆海交界处,由于湍流和复杂的海气传热过程,以及表征海面粗糙度及其影响较为复杂,海洋环境在较短的时间和空间尺度上存在差异。使得这样的分辨率不能准确反映超视距传播损耗时间序列的非线性关系。更值得关注的是,预测未来的数据至少要考虑过去几小时的超视距传播损耗,过量的超视距观测样本使得传统的GRU和LSTM固有的递归神经网络结构体系在训练过程中出现梯度消失和爆炸,严重影响了实际预测结果的有效性。
技术实现思路
[0004]为解决以上问题,本专利技术提供了一种基于SL
‑
TrellisNets网络的超视距传播损耗预测方法。所述方法提出了短时和长时并行网络时间卷积(SL
‑
Tre ...
【技术保护点】
【技术特征摘要】
1.一种基于SL
‑
TrellisNets网络的超视距传播损耗预测方法,其特征在于所述方法包括以下几个步骤:(1)一维卷积自动编码器特征提取建模 提出的一维卷积自动编码器特征提取网络包括两个阶段:编码器和解码器网络;在编码器阶段,应用3个卷积层和3个池化层来将超视距传播损耗数据编码为低自由度降噪矩阵;在解码阶段中,3个解码卷积层和3个上采样层解码超视距传播损耗数据;(2)超视距传播损耗时间特征建模 运用皮尔逊相关系数和皮尔逊偏自相关系数来定量分析超视距传播损耗时间序列关联关系分析;对超视距传播损耗长时间观测的线性相关性通过皮尔逊自相关系数来判断;对临近短时分钟的时间序列预测引用皮尔逊偏自相关系数来剔除中间时间间隔的干扰,判断短时超视距数据之间的关联性;(3)基本的时间卷积TrellisNet网络模块建模 TrellisNet网络由一个跨时间和跨网络层组成的像网格一样的网络组成,一个基本的TrellisNet的特征向量由上一层的隐藏输出和输入序列向量组成;首先将上一层的隐藏输出和输入序列向量进行前馈线性变换输出预激活向量,随后再通过激活函数对预激活的向量以及上一层的隐藏层输出进行非线性变换来输出特征向量,在所有网络层和时间序列中都应用了以上的转换过程,实现了跨时间层和跨网络层的时间卷积TrellisNet网络模块的建模;(4)SL
‑
TrellisNet预测网络模块搭建 SL
‑
TrellisNets预测模型包括四个部分:输入数据、模型参数设置、短时和长时并行双流TrellsNets网络搭建及网络输出;输入数据来自经过一维卷积自动编码器进行特征提取的超视距传播损耗及环境参数,模型的超参包括Adam优化器、权重损失、空洞卷积和权值归一化;根据步骤(2)将皮尔逊相关系数进行超视距传播损耗时间序列长短时间序列区间划分,搭建短时和长时并行双流TrellisNets获得时间序列的非线性关系;基于对网络模型参数的训练,将传播损耗最精确的预测结果进行输出并对模型保存;(5)环境知识驱动超视距传播损耗预测解释 采用定制化的SL
‑
TrellisNet模型来实现环境知识驱动的超视距传播损耗预测;将超视距传播损耗预测序列中分别抽取出一种环境因素,得出剩下的四种环境因素对超视距传播损耗预测的均方根误差,进而判断五种不同环境因素对超视距传播损耗预测准确率的贡献力。2.根据权利要求1所述的一种基于SL
‑
Trelli...
【专利技术属性】
技术研发人员:吴佳静,魏志强,贾东宁,殷波,张金鹏,温琦,盛艳秀,李清亮,许佳丽,郭相明,纪汉杰,杨巧巧,谢珂珍,盛晶晶,王艺卫,
申请(专利权)人:中国海洋大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。