(19)国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 202210505983.9
(22)申请日 2022.05.11
(71)申请人 中国海洋大学
地址 266100 山东省青岛市崂山区松岭路
238号
(72)发明人 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
(74)专利代理机构 北京科家知识产权代理事务
所(普通合伙) 11427
专利代理师 沈小明
(51)Int.Cl.
G06F 30/27(2020.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)G06Q 10/04(2012.01)G06Q 50/26(2012.01)G06F 119/06(2020.01)G06F 119/10(2020.01)
(54)发明名称
一种基于SL-TrellisNets网络的超视距传 (57)摘要
本发明涉及一种基于SL ‑TrellisNets网络
来提高超视距传播损耗预测的精度。此外，为了过滤掉原始数据的
时间噪声，运用一维卷积自动编码器提取数据特
征来滤除超视距时间序列中的噪声，并且通过短
时和长时并行网络时间卷积网络模型的精准预
测，实现海洋温度、风速、相对湿度、大气温度和
气海温差这些环境知识对超视距传播损耗信号
预测精度的贡献进行解释和分析。权利要求书2页 说明书9页 附图7页CN 114611415 A 2022.06.10
C N 114611415
A
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‑TrellisNets网络的超视距传播损耗预测方法，其特征在于所述步骤（1）中的编码器阶段，滑动卷积核对输入序列实现卷积操作，池化层通过池化窗口输出池化后的最大值；上采样层通过零填充来实现对池化层的逆过程，反卷积核滑过特征以执行反卷积运算，反卷积层实现了数据解码；
对于卷积层，第i个一维卷积核，其输出是第i个特征通道：
作为激活函数，X代表输入，为第i个卷积核，b
代表偏置；通过一维池化层降
i
低了输入数据的维度；对于长度为L的第i个通道的特征，池化后的输出定义为：
池化窗口W大小为2，步幅S大小为2，T
代表输入，L代表输入序列的长度，n代表跨度区
i
间，经过池化后每个通道特征的长度变为原始数据长度的四分之一。
3.根据权利要求1所述的一种基于SL‑TrellisNets网络的超视距传播损耗预测方法，其特征在于所述步骤（1）中的解码阶段：
解码器网络由三个反卷积层和三个上采样层组成，与编码器网络的操作相反；由公式
推导出反卷积层第i个通道的输出如下：
代表偏置，代表反卷积核在输入特征 X上滑动以进行反其中代表反卷积核，b
i
卷积操作；
上采样层的输出是对上一层输入数据的放大，恢复池化后的数据维度；对于输入的第 i 个特征，其输出为：
其中l是特征的长度，j
是池化过程中记录的最大值的位置；X i代表第i个输入的特征；
k
该网络通过最小化重构误差来训练，误差函数表示为:
其中，代表重构误差函数，x为初始网络状态观测矩阵输入数据，为重构数据，n和m代表了输入的时间序列的长度和维度。
4.根据权利要求1所述的一种基于SL‑TrellisNets网络的超视距传播损耗预测方法，其特征在于所述步骤（4）中，短时和长时并行双流TrellisNets：并行S‑TrellisNets网络和L‑TrellisNets网络获得时间序列的非线性关系；并行化的网络进行输出表示如下：
其中和分别代表了L‑TrellisNet网络和S‑TrellisNet网络的网络层的数量；
代表TrellisNet网络在e层的整体操作，代表TrellisNet网络在f层的整体操作；代表了SL‑TrellisNet网络的实际输出；代表两个网络输出的拼接操作。
一种基于SL‑TrellisNets网络的超视距传播损耗预测方法
技术领域
[0001]本发明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。
背景技术
[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。
发明内容
[0004]为解决以上问题，本发明提供了一种基于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‑TrellisNets)网络，来提高超视距传播损耗预测的精度。此外，为了过滤掉原始数据的时间噪声，运用一维卷积自动编码器提取数据特征来滤除超视距时间序列中的噪声，并且通过短时和长时并行网络时间卷积网络模型的精准预测，实现海洋温度、风速、相对湿度、大气温度和气海温差这些环境知识对超视距传播损耗信号预测精度的贡献进行解释和分析。
[0005]本发明是通过如下技术方案来实现的：
一种基于SL‑TrellisNets网络的超视距传播损耗预测方法，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，基于Adam优化器和反向误差传播算法获得良好的训练结果，从而显著提高一维卷积自动编码器的模型性能；
（2）超视距传播损耗时间特征建模为了对超视距传播损耗的时间序列进行时间序列关联关系分析，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；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。
[0006]进一步，在步骤（1）中的编码器阶段，滑动卷积核对输入序列实现卷积操作，池化层通过池化窗口输出池化后的最大值；上采样层通过零填充来实现对池化层的逆过程，反卷积核滑过特征以执行反卷积运算，反卷积层实现了数据解码；
对于卷积层，第个一维卷积核，其输出是第个特征通道：
作为激活函数，X代表输入，为第个卷积核，代表偏置；通过一维池化层降低了输入数据的维度；对于长度为L的第个通道的特征，池化后的输出定义为：
池化窗口W大小为2，步幅S大小为2，代表输入，L代表输入序列的长度，n代表跨度区间，经过池化后每个通道特征的长度变为原始数据长度的四分之一。
[0007]进一步，在步骤（1）中的解码阶段：
解码器网络由三个反卷积层和三个上采样层组成，与编码器网络的操作相反；由
公式推导出反卷积层第个通道的输出如下：
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议