[发明专利]一种基于注意力机制循环神经网络的三维声速场预测方法

权利要求书

1.一种基于注意力机制循环神经网络的三维声速场预测方法，其特征在于，包括以下步骤：

(1)将时序连续的k个预报三维声速场和后报三维声速场作为输入，并与随后输出的h个后报三维声速场组成多组数据对，以构建训练集；

(2)构建DA-RNN，并根据训练集对构建的DA-RNN进行训练，以获取最终的DA-RNN；

(3)将预报三维声速场输入到最终的DA-RNN中，以获取预测的后报三维声速场，并评价DA-RNN预测的准确度。

2.根据权利要求1所述的基于注意力机制循环神经网络的三维声速场预测方法，其特征在于，所述步骤(2)包括以下子步骤：

(2.1)构建DA-RNN，所述DA-RNN包括空间注意力层和时间注意力层，所述空间注意力层和时间注意力层连接；

(2.2)根据步骤(1)得到的训练集对步骤(2.1)构建的DA-RNN进行训练，并更新DA-RNN的参数以获取最终的DA-RNN。

3.根据权利要求2所述的基于注意力机制循环神经网络的三维声速场预测方法，其特征在于，所述步骤(2.1)包括以下子步骤：

(2.1.1)将预报三维声速场输入三维卷积层以获取空间注意力特征，以完成空间注意力层的构建；

(2.1.2)将空间注意力特征输入时间注意力层以获取预测的后报三维声速场，以完成时间注意力层的构建。

4.根据权利要求3所述的基于注意力机制循环神经网络的三维声速场预测方法，其特征在于，所述步骤(2.1.1)包括以下子步骤：

(2.1.1.1)将三维声速场定义为三维数组；

(2.1.1.2)将预报三维声速场输入空间注意力层，并根据t-1时刻LSTM单元的状态p_t-1和输出h_t-1以及t时刻的预报三维声速场c_t计算t时刻的空间注意力矩阵；

(2.1.1.3)通过softmax函数对空间注意力矩阵进行归一化，计算t时刻的注意力权重矩阵；

(2.1.1.4)根据注意力权重矩阵与预报三维声速场获取加权后的预报三维声速场；

(2.1.1.5)根据加权后的预报三维声速场获取k个时序连续的空间注意力特征，以完成空间注意力层的构建。

5.根据权利要求3所述的基于注意力机制循环神经网络的三维声速场预测方法，其特征在于，所述步骤(2.1.2)包括以下子步骤：

(2.1.2.1)将空间注意力特征以及对应时刻的后报三维声速场输入时间注意力层，并根据t-1时刻LSTM单元的状态s_t-1和输出d_t-1以及所有时刻的预报三维声速场注意力特征计算时间注意力矩阵；

(2.1.2.2)通过softmax函数对时间注意力矩阵进行归一化，计算时间注意力加权矩阵；

(2.1.2.3)根据时间注意力加权矩阵对空间注意力特征进行加权获取时-空注意力特征；

(2.1.2.4)将后报三维声速场与时-空注意力特征进行拼接，获取加权后的预报三维声速场；

(2.1.2.5)根据加权后的预报三维声速场与时-空注意力特征获取预测的后报三维声速场，以完成时间注意力层的构建。

6.根据权利要求2所述的基于注意力机制循环神经网络的三维声速场预测方法，其特征在于，所述步骤(2.2)包括以下子步骤：

(2.2.1)将训练集中的预报三维声速场输入到DA-RNN中，输出后报三维声速场预测值；

(2.2.2)使用均方误差计算后报三维声速场预测值与训练集中的后报三维声速场的误差；

(2.2.3)判断所述步骤(2.2.2)中的误差是否小于等于设置的误差阈值，若误差小于等于设置的误差阈值，则停止训练，以获取最终的DA-RNN；否则，则通过梯度下降法调整DA-RNN的参数的数值，再通过后向传播算法更新DA-RNN的参数，返回所述步骤(2.2.1)。

7.根据权利要求1所述的基于注意力机制循环神经网络的三维声速场预测方法，其特征在于，所述DA-RNN预测的准确度通过均方根误差进行判断，其表达式为：

其中，RMSE表示预测的后报三维声速场和真实测量的后报三维声速场之间的误差，c^*(i,j,m)表示DA-RNN预测的后报三维声速场在(i,j,m)位置上的声速值，c^′(i,j,k)表示真实测量的后报三维声速场在(i,j,m)位置上的声速值，X、Y、Z为后报三维声速场在x轴、y轴、z轴上的采样数，X*Y*Z为后报三维声速场的整体采样数。