[发明专利]一种基于注意力机制的混沌时间序列嵌入维数的确定方法

权利要求书

1.一种基于注意力机制的混沌时间序列嵌入维数的确定方法，其特征在于，包括以下步骤：

S1、对于待确定嵌入维数的混沌时间序列x(t)，t＝1，2，...n，设定输入嵌入维数初始值m和延迟时间τ，构建输入数据集和输出标签，输入数据为前m个不同时刻的混沌序列值作为输入，下一时刻混沌序列值作为输出标签：

其中Data为输入数据集结构，每一行即为一次输入，取对应行数的输出label的数值为输出标签值，其中M＝n-(m-1)τ为相点数；

所述延迟时间τ的获取方法为：对于待输入的混沌时间序列，获取其自相关函数关于t的图像后，在自相关函数的值为初值的1-1/e时，对应的横坐标t即为重构混沌序列相空间的延迟τ；

S2、构建基于多层感知机的注意力机制网络；

网络的输入为Data中的每一行，对输入层权重初始化后，输入数据乘以输入权重后再通过激活函数softmax进行概率归一化输出，具体激活过程为：

上式中，x_i、x_j表示输入序列x中的第i、j个元素，x_i对应的softmax值为经过感知机后激活得到的S_i，经过激活函数的处理后对每个输入维度输出概率值，随后将概率值与输入值进行合并乘积，具体的输出格式如下：

[x₁，x₂，...，x_n][α₁，α₂，...，α_n]＝[x₁α₁，x₂α₂，…，x_nα_n]

其中α_i代表第i个维度的值x_i的输出概率值；

将得到的输出[x₁α₁，x₂α₂，...，x_nα_n]作为新的输入进入一个全连接层，此时输出维度是1，得到输出值y_i，将输出值与标签值对比计算出损失函数MSE，使用Adam优化进行梯度下降的训练迭代，MSE公式如下：

通过输入数据集经过设定的训练次数训练后，得到训练好的网络模型；

S3、将输入数据通过训练好的网络模型后得到每行输入数据的不同维度的注意力权重值，对相同维度不同行的权重进行平均后输出，获得对应权重大小；

S4、设置混沌序列的m初始值为2，每次递增1进行步骤S1-S3，若到达m＝n+1的时候权重不再保持从第0维度到最后维度的依次递增状态，则获得的n为最大嵌入维度。