申请/专利权人：江苏科技大学

申请日：2023-11-03

公开（公告）日：2024-04-16

公开（公告）号：CN117892069A

主分类号：G06F18/15

分类号：G06F18/15;G06F17/16;G06F16/951;G06N3/0442;G06N3/084

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.05.03#实质审查的生效;2024.04.16#公开

摘要：本发明公开了一种基于深度学习的多点射电流量预报预警方法，是由数据库、深度学习预报算法模型、多种接口和前端构成。所述方法采用一种长短时记忆人工神经网络LSTM来克服时间序列对预测数据的影响。所述LSTM网络，为一种时间循环神经网络，可以解决一般的循环神经网络的长期以来问题，在实际太阳射电流量预测中提高预测精度。该方法在LSTM网络后端添加注意力机制，该机制在太阳射电流量信息处理的瓶颈期，选择性的关注对预报更有用的信息，忽略一些信息，一次提升深度学习预报模型的效率，提升在太阳处于活跃期时的预测速度和精度。上述方法起到了同时对多点射电流量的预报预警，对通信、导航具有重要的警示作用和指导价值。

主权项：1.一种基于深度学习的多点射电流量预报预警方法，其特征在于包括以下步骤：第一步，构建用于训练预报模型的数据库：使用python从SWS网站中爬取多点射电流量数据，并对数据进行预处理，将数据规范为标准正态分布数据；第二步，构造基于LSTM及注意力机制的多点射电流量神经网络模型：S21：设研究对象为一个M行N列的矩阵，每一行代表一个频段的射电流量数据，任一时刻t，某频段X所对应的射电流量频率记为N,整个矩阵的频率可用一个M×N的矩阵U来表示： 在时刻tn，利用前n-1个历史多点射电流量矩阵，预测未来某一时刻的多点射电流量矩阵，建立多点射电流量的预测模型，即： 式中，τ代表预测步长，f代表预测模型的隐函数，θ代表预测模型的参数空间；S22：训练基于深度学习的多点射电流量预测模型；S23：在预测模型中添加注意力机制；第三步：模型测试与部署。

全文数据：

权利要求：

百度查询： 江苏科技大学 一种基于深度学习的多点射电流量预报预警方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD