基于注意力机制的全海深声速剖面预测方法

TN911.7%TB566; 海水中的声速剖面具有明显的时间演化特性,其预测问题可以看作一个非线性的时间序列预测问题.解决此类问题的常用方法大多使用预定义的非线性形式,无法捕捉真正潜在的非线性关系.循环神经网络作为一种为序列建模特别设计的深度神经网络,在捕捉非线性关系上具有极大的灵活性,在非线性自回归的时间序列预测这一问题上展现了它的有效性;注意力机制能够从众多信息中选择出对当前任务目标最关键的信息,对多变量时间序列在时空维度上的非线性关系进行捕捉.该文利用深度学习中的循环神经网络,添加双层注意力机制构建多变量时间序列预测模型,对浅海环境下时变的全海深声速剖面进行预测.多个模型的预测结果表明,...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Veröffentlicht in:	电子与信息学报 2022-02, Vol.44 (2), p.726-736
Hauptverfasser:	王同, 苏林, 任群言, 王文博, 贾雨晴, 马力
Format:	Artikel
Sprache:	chi
Online-Zugang:	Volltext
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Beschreibung
Zusammenfassung:	TN911.7%TB566; 海水中的声速剖面具有明显的时间演化特性,其预测问题可以看作一个非线性的时间序列预测问题.解决此类问题的常用方法大多使用预定义的非线性形式,无法捕捉真正潜在的非线性关系.循环神经网络作为一种为序列建模特别设计的深度神经网络,在捕捉非线性关系上具有极大的灵活性,在非线性自回归的时间序列预测这一问题上展现了它的有效性;注意力机制能够从众多信息中选择出对当前任务目标最关键的信息,对多变量时间序列在时空维度上的非线性关系进行捕捉.该文利用深度学习中的循环神经网络,添加双层注意力机制构建多变量时间序列预测模型,对浅海环境下时变的全海深声速剖面进行预测.多个模型的预测结果表明,该模型相对于单纯的编码-解码模型有着明显的预测性能提升,并且注意力权重的分布能够与实际物理现象相关联,为水声学中物理模型与机器学习的结合提供了新的思路.
ISSN:	1009-5896
DOI:	10.11999/JEIT210078