【技术实现步骤摘要】
本专利技术属于火力指挥与控制领域，具体地说，是一种基于fedaf(frequencyenhanced decomposed attention free transformer)模型的战场关键资源状态预测方法。
技术介绍
1、在瞬息万变的战场环境中，关键资源的状态随时可能发生变化。对火力指挥与控制而言，指挥信息系统必须提前掌握关键资源的状态变化趋势，才能够在对抗博弈中抢占先机。对于指挥信息系统而言，关键资源的状态由其对应的关键性能指标所表征，如cpu利用率、磁盘读写速率等，其表现形式为随时间变化的数值，即时间序列。因此，通俗而言，指挥信息系统对战场中关键资源的状态预测，即是对表征关键资源状态的时间序列进行预测。在指挥信息系统中对关键资源的指标进行预测，能够帮助指挥员及时发现信息系统可能会面临的情报处理能力下降、信息交互时延增加等问题。
2、然而，对关键性能指标进行长时间序列预测具备两大难点：(1)数据漂移特性明显。战场态势与指控信息系统关键性能指标密切相关，态势的变化会引起关键性能指标的剧烈变化，且该种变化不具备周期性或稳定性，弱化了历史数据在预测未来数据中的作用。(2)对算法计算效率要求严苛。绝大多数部署在信息系统中的计算设备缺乏高性能并行计算加速器；信息系统的计算节点之间的网络异构性、隔离性强，云边协同计算难以实现。这要求算法能够广泛部署在性能较差的网络边缘计算节点中，具备高效的计算方式。
3、如今，针对长时间序列预测问题所提出的模型，均无法解决以上两个难点。在采用深度学习的方法中，transform
技术实现思路
1、为应对上文所提及的数据漂移以及解决计算复杂度高这两大难题，本专利技术提出了一种基于fedaf(frequency enhanced decomposed attention free transformer)模型的方法，用于解决指控信息系统中关键性能指标的长序列预测问题。其通过改进自注意力机制，将计算的空间复杂度和时间复杂度都降低到o(llogl)；通过构建时间序列分解机制，将完整序列分解为趋势项、季节项和随机项，来提升模型在非稳定、非周期序列中的预测能力。
2、实现本专利技术目的的技术解决方案为：一种基于fedaf模型的指挥信息系统关键资源状态预测方法，包括以下步骤：
3、步骤1:数据采集与预处理；将温度、湿度、加速度这些传感器部署于指挥信息系统的关键资源中，采集表征关键资源状态的时间序列，并将采集到的时间序列经过“去异常值”、“平稳化”、“归一化”的预处理，按照时间窗口进行划分；
4、步骤2:将预处理后的数据输入至fedaf模型的编码器，包括cpu利用率、温度、湿度，可形式化为i表示输入长度，n表示编码器层数，d表示嵌入维度；将x输入到编码器encoder中，得到：
5、
6、其中，表示第l个编码器层的输出，l为第l层，n为编码器层数；
7、在编码器内部，数据将依次经过feafm-s注意力计算机制和fddecomp频域降噪时序分解模块；编码器将输出高阶时间序列特征；
8、步骤3:将步骤2中编码器输出的高阶时间特征输入进解码器：
9、
10、其中，表示第l个编码器层的输出表示第l-1层的趋势项，是历史嵌入值的输入；i表示输入长度，m表示解码器层数；
11、在解码器内部，高阶时间特征将依次经过feafm-c注意力计算机制、feafm-s注意力计算机制以及fddecomp频域降噪时序分解模块；解码器将输出预测特征；
12、步骤4:对解码器输出预测特征的趋势性分量和季节性分量进行加权，得到输出；下式中表示权重，oout表示输出：
13、
14、本专利技术与现有技术相比，其显著优点为：1.本专利技术通过提出feafm注意力计算法，将时间序列的注意力计算从时域转换到了频域，在提升了特征提取能力的同时，降低了时间复杂度。2.本专利技术通过提出fddecomp时间序列分解法，将时间序列分成季节项、趋势项以及噪声项，在去除噪声项的同时，缓解了数据漂移所带来的不利影响。3.本专利技术在多个公开的时间序列预测数据集上进行了测试，结果表明本方法相较于原始的注意力机制提高了12.8％的空间利用效率，比其它的注意力机制变体提高了43.63％的时间利用效率。
本文档来自技高网...【技术保护点】
1.一种基于FEDAF模型的指挥信息系统关键资源状态预测方法，其特征在于，包括以下步骤：
2.根据权利要求1中所述的基于FEDAF模型的指挥信息系统关键资源状态预测方法，其特征在于：FEDAF模型基于Transformer模型进行改进，由N个编码器层和M个解码器层组成，N和M作为模型超参数可自行设定；编码器包括FEAFM-s注意力计算机制、FDDecomp频域降噪时序分解模块；解码器包括FEAFM-c注意力计算机制、FEAFM-s注意力计算机制以及FDDecomp频域降噪时序分解模块；FEAFM-s和FEAFM-c设计用于提取频域中的隐藏特征；FDDecomp在将时间序列分解为趋势和季节性成分之前执行傅里叶降噪。
3.根据权利要求1或2中所述的基于FEDAF模型的指挥信息系统关键资源状态预测方法，其特征在于：所述FEAFM-s将时间序列通过快速傅立叶变换转换到频域，并通过哈德玛积进行运算，其计算的方式为：
4.根据权利要求1或2中所述的基于FEDAF模型的指挥信息系统关键资源状态预测方法，其特征在于：所述FEAFM-c在FEAFM-s的基础上，
5.根据权利要求1或2中所述的基于FEDAF模型的指挥信息系统关键资源状态预测方法，其特征在于：所述FDDecomp频域降噪时序分解模块，将时间序列分解为季节项、趋势项以及噪声项，并使用傅立叶阈值降噪法，去除其中的高频部分。
...【技术特征摘要】
1.一种基于fedaf模型的指挥信息系统关键资源状态预测方法，其特征在于，包括以下步骤：
2.根据权利要求1中所述的基于fedaf模型的指挥信息系统关键资源状态预测方法，其特征在于：fedaf模型基于transformer模型进行改进，由n个编码器层和m个解码器层组成，n和m作为模型超参数可自行设定；编码器包括feafm-s注意力计算机制、fddecomp频域降噪时序分解模块；解码器包括feafm-c注意力计算机制、feafm-s注意力计算机制以及fddecomp频域降噪时序分解模块；feafm-s和feafm-c设计用于提取频域中的隐藏特征；fddecomp在将时间序列分解为趋势和季节性成分之前执行傅里叶降噪。
【专利技术属性】
技术研发人员：杨学康，张捷，吕明，马立丰，于琳，周家豪，
申请(专利权)人：南京理工大学，
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。