一种电磁能装备场云图预测方法技术

本发明专利技术提供了一种电磁能装备场云图预测方法，包括如下步骤：使用数值模拟方法对电磁能装备进行仿真建模，得到电磁能装备场云图数据集，并生成图片序列；将图片序列划分为训练集和测试集，并对图片序列进行数据预处理操作；搭建基于卷积神经网络和Transformer的电磁能装备场云图预测模型；将数据预处理后的图片序列输入到云图预测模型，对云图预测模型进行训练，使用训练好的云图预测模型，预测未来时刻的电磁能装备场时空分布特性云图，并根据预测结果进行模型的评价分析。本发明专利技术有益效果：将卷积神经网络与Transformer相结合，利用Transformer长距离特征捕获能力，充分提取电磁能装备场云图的时空特性，提高场时空特性云图的预测精度。图的预测精度。图的预测精度。

【技术实现步骤摘要】
一种电磁能装备场云图预测方法


[0001]本专利技术属于数值模拟和深度学习领域，尤其是涉及一种电磁能装备场云图预测方法。

技术介绍

[0002]研究电磁能装备的场分布特性是电磁综合性能分析与可靠性统一设计的基础。
[0003]实际工况下，电磁能装备涉及电磁热力耦合复杂的多物理场问题，现有的数值模拟方法很难实现电磁能装备多物理场强耦合问题的全真模拟。深度学习技术具有无需特征提取、适应性强、易于转换等优点。
[0004]卷积神经网络(ConvolutionalNeuralNetwork，CNN)是深度学习技术中最成功的一个分支，具有强大的空间特征提取能力，可以对电磁能装备场云图的空间特征进行有效提取。但是卷积神经网络由于存在固有局部性的局限性，在建立局部图像特征之间的远程依赖关系方面能力有限。
[0005]Transformer网络具有较强的长距离特征捕获能力，任务综合特征抽取能力，并行计算能力及运算效率，可以挖掘电磁能装备场云图时间序列信息之间的多种长距离关联性。
[0006]单纯的卷积神经网络擅长提取电磁能装备场云图的空间特征，如果将卷积神经网络用于预测具有时空特性的电磁能装备场云图，需耗费大量的时间成本且预测精度无法保证。

技术实现思路

[0007]有鉴于此，本专利技术旨在提出一种电磁能装备场云图预测方法，将CNN与Transformer网络结合，充分提取电磁能装备场云图的时空特征，实现电磁能装备的场云图高精度预测，降低数值模拟样本计算量需求和时间成本。
[0008]为达到上述目的，本专利技术的技术方案是这样实现的：
[0009]一种电磁能装备场云图预测方法，包括如下步骤：
[0010]S1：使用数值模拟方法对电磁能装备进行仿真建模，得到电磁能装备场云图数据集，并生成图片序列；
[0011]S2：将图片序列划分为训练集和测试集，并对图片序列进行数据预处理操作；
[0012]S3：搭建基于卷积神经网络和Transformer的电磁能装备场云图预测模型；
[0013]S4：将数据预处理后的图片序列输入到云图预测模型，对云图预测模型进行训练，使用训练好的云图预测模型，预测未来时刻的电磁能装备场时空分布特性云图，并根据预测结果进行模型的评价分析。
[0014]进一步的，步骤S2中，对图片序列进行数据预处理，包括对图片的归一化处理、灰度化、图片裁剪、图片旋转与平移；
[0015]所述对图片的归一化处理通常是将像素值简单缩放到[0,1]区间，其公式为：
其中，x为图像像素点值，xmax、xmin分别为图像像素的最大与最小值。
[0016]进一步的，所述电磁能装备场云图预测模型包括编码器和解码器两部分；
[0017]通过电磁能装备场云图预测模型，预测未来时刻的电磁能装备场时空分布特性云图的过程如下：
[0018]A1：将使用卷积神经网络对输入的图片序列进行卷积操作，提取图片的空间特征，得到具有代表性的图片序列特征；
[0019]A2：将进行卷积操作后得到的图片序列特征进行位置顺序编码，并将位置顺序编码与特征图片序列按位相加，用于位置识别，建立长时间序列的依赖性；
[0020]A3：将具有时空特征的特征图片序列送入到Transformer网络，使用编码器得到更高级别的特征，使用解码器将编码器得到的高级特征解码；
[0021]A4：将解码后的特征图片输入到前馈神经网络以得到最终的预测结果。
[0022]进一步的，步骤A1中，对输入的图片序列进行卷积操作时，对每一时刻的图片经行四次卷积操作，将每一时刻的图片映射为d
model
维的特征图片，图片序列每一次卷积操作后引入修正线性单元激活函数，以增强网络的非线性。
[0023]进一步的，所述Transformer网络中全部采用卷积自注意力机制，所述卷积自注意力机制不关注输入特征向量的位置关系；
[0024]使用编码器得到更高级别的特征的过程中，采用位置编码确定Transformer网路中的图片序列的相对位置信息，位置编码后的图片特征维度与经过四次卷积操作的图片特征维度相同；
[0025]将位置编码后的图片特征维度与相对应的经过四次卷积操作的图片特征维度相加，相加后的图片序列同时具备空间特征与相对位置信息。
[0026]进一步的，所述电磁能装备场云图预测模型的编码器由N个相同的子模块构成，每个子模块由两个子层组成；
[0027]所述编码器每个子模块的两个子层采用多头卷积自注意力机制和二维卷积前馈神经网络代替原始Transformer网络中的多头自注意力机制和前馈神经网络；
[0028]所述电磁能装备场云图预测模型的解码器由N个相同的子模块组成；
[0029]所述解码器每个子模块由三个子层组成，包括编码器两个相同的子层，以及在多头卷积自注意力机制层前，增加的卷积自注意力层。
[0030]进一步的，使用卷积自注意力机制，学习输入电磁能装备不同时刻下场云图序列特征之间相互作用关系；
[0031]使用卷积神经网络对键项矩阵和查询项矩阵进行卷积操作。
[0032]进一步的，所述多头卷积自注意力机制对每一时刻的电磁能场云图的特征并行h次注意力计算，将单一的卷积自注意力模块映射到多个不同的子空间，关注来自不同位置的子空间信息。
[0033]进一步的，在步骤S4中，对电磁能装备场云图预测模型进行训练时采用梯度下降算法计算网络的梯度和更新权重参数，选择均方误差作为损失函数来调整所有层的权重；同时采用自适应矩估计优化器作为最小化目标函数。
[0034]进一步的，对模型进行评价分析时，采用平均绝对误差和平均绝对百分比误差对
预测误差进行分析。
[0035]相对于现有技术，本专利技术所述的一种电磁能装备场云图预测方法具有以下有益效果：
[0036](1)将卷积神经网络与Transformer相结合，利用Transformer长距离特征捕获能力，充分提取电磁能装备场云图的时空特性，提高场时空特性云图的预测精度。
[0037](2)建立基于卷积神经网络和Transformer的电磁能装备场云图预测模型,从而减少数值模拟方法的时间成本和计算量需求，甚至突破数值模拟方法在求解三维复杂电磁能装备场分布特性的瓶颈。
附图说明
[0038]构成本专利技术的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0039]图1为本专利技术实施例所述的电磁能装备场云图预测方法流程示意图；
[0040]图2为本专利技术实施例所述的电磁能装备场云图预测模型结构示意图；
[0041]图3为本专利技术实施例所述的多头卷积自注意力机制和卷积自注意力机制示意图。
具体实施方式
[0042]需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电磁能装备场云图预测方法，其特征在于：包括如下步骤：S1：使用数值模拟方法对电磁能装备进行仿真建模，得到电磁能装备场云图数据集，并生成图片序列；S2：将图片序列划分为训练集和测试集，并对图片序列进行数据预处理操作；S3：搭建基于卷积神经网络和Transformer的电磁能装备场云图预测模型；S4：将数据预处理后的图片序列输入到云图预测模型，对云图预测模型进行训练，使用训练好的云图预测模型，预测未来时刻的电磁能装备场时空分布特性云图，并根据预测结果进行模型的评价分析。2.根据权利要求1所述的一种电磁能装备场云图预测方法，其特征在于：步骤S2中，对图片序列进行数据预处理，包括对图片的归一化处理、灰度化、图片裁剪、图片旋转与平移；所述对图片的归一化处理通常是将像素值简单缩放到[0,1]区间，其公式为：其中，x为图像像素点值，xmax、xmin分别为图像像素的最大与最小值。3.根据权利要求1所述的一种电磁能装备场云图预测方法，其特征在于：所述电磁能装备场云图预测模型包括编码器和解码器两部分；通过电磁能装备场云图预测模型，预测未来时刻的电磁能装备场时空分布特性云图的过程如下：A1：将使用卷积神经网络对输入的图片序列进行卷积操作，提取图片的空间特征，得到具有代表性的图片序列特征；A2：将进行卷积操作后得到的图片序列特征进行位置顺序编码，并将位置顺序编码与特征图片序列按位相加，用于位置识别，建立长时间序列的依赖性；A3：将具有时空特征的特征图片序列送入到Transformer网络，使用编码器得到更高级别的特征，使用解码器将编码器得到的高级特征解码；A4：将解码后的特征图片输入到前馈神经网络以得到最终的预测结果。4.根据权利要求3所述的一种电磁能装备场云图预测方法，其特征在于：步骤A1中，对输入的图片序列进行卷积操作时，对每一时刻的图片经行四次卷积操作，将每一时刻的图片映射为d
model
维的特征图片，图片序列每一次卷积操作后引入修正线性单元激活函数，以增强网络的非线性。5.根据权利要求3所述的一种电磁...

【专利技术属性】
技术研发人员：金亮，尹振豪，巩德鑫，刘元凯，张陈源，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：