【技术实现步骤摘要】
本专利技术属于人工智能与空间科学交叉领域，更进一步涉及一种多模态f10.7指数预测方法，可广泛应用于航天、通信及空间天气预警。
技术介绍
1、随着人类对太阳活动及其对地球空间环境影响的研究不断深入，f10.7指数作为衡量太阳活动强度的重要指标，已广泛应用于航天航空、卫星通信、导航系统及空间天气预警等领域。然而，现有的f10.7指数预测方法在精度和适应性方面仍存在显著不足。
2、最早的f10.7指数预测主要依赖于物理模型，这些模型基于太阳物理理论模拟太阳活动变化进行预测。然而，这些物理模型对高精度观测数据的依赖限制了其实用性。为克服这一问题，基于时间序列分析的统计方法应运而生，该方法通过对大量历史数据的统计分析进行预测。但统计方法通常假设数据关系为线性，这使得其在捕捉太阳活动的非线性和时变特性时存在困难，进而影响预测精度。
3、机器学习技术的引入部分缓解了上述问题。相比统计方法，机器学习在处理非线性特征方面表现更优。然而，传统机器学习方法对手工设计特征的依赖较大，尤其在处理高维数据时难以高效提取有效特征，预测精度仍然有限。
4、近年来，深度学习技术的快速发展为f10.7指数预测提供了新思路。长短期记忆网络lstm等深度学习方法在时间序列建模中展现出巨大潜力，但现有深度学习模型大多聚焦于时间序列或图像数据的单一模态，忽视了太阳活动图像与时间序列之间的关联性，未能充分挖掘多模态驱动特性。此外，深度学习模型在训练过程中计算开销较大，且易出现梯度爆炸或梯度消失问题，特别是在太阳活动高年条件下，预测精度仍
5、申请号为cn202310775667.8的专利文献提出了一种基于太阳多个波段观测影像数据序列的f10.7指数预测方法，其通过考虑太阳不同波段观测图像与f10.7指数之间的相关性，克服了短期预测精度不足的问题。然而，该方法在训练过程中存在较高的计算成本，同时在图像特征与时间序列特征的融合上仍有优化空间。
6、申请号为cn202310134273.4的专利文献提出了一种结合scinet网络和经验模态分解emd技术的f10.7指数预测模型，其通过依据数据自身的时间尺度特征进行信号分解，减少现有模型在训练过程中的时间成本问题，提升预测效率。但该方法由于未考虑太阳活动图像与f10.7指数之间的关联性，故在预测精度上仍有较大的提升空间。
技术实现思路
1、本专利技术的目的在于针对上述现有技术的不足，提出一种基于多模态数据融合的深度学习预测方法，以提升f10.7指数的预测精度和效率，并降低计算成本。
2、实现本专利技术目的的技术思路是：通过结合太阳活动图像和时间序列特征，并引入自注意力机制，充分挖掘多模态数据之间的潜在关联性，以提升f10.7指数的预测精度；通过在卷积核中引入扩张因子即在相邻元素之间插入间隔，有效扩大卷积核的感受野，使卷积核能够覆盖更广的输入区域，以在保持模型参数量和计算量基本不变的前提下，提升计算效率，降低计算成本。
3、根据上述技术思路，本专利技术的技术方案包括如下：
4、(1)构建多模态数据：
5、1a)从sdo观测网站下载不同年份的sdo/hmi太阳活动图像数据，从nasa官网获取对应年份的f10.7指数时间序列数据，并对这两类数据分别进行预处理；
6、1b)对预处理后的图像数据和时间序列数据进行时间对齐，得到多模态数据，并采用hdf5格式存储，按年份将其划分为训练集和测试集；
7、(2)搭建多模态预测模型：
8、2a)建立包括多层卷积层、池化层和全连接层级联组成的三维卷积神经网络，利用该网络提取太阳活动图像的局部和全局空间特征，生成高度集成的图像特征向量；
9、2b)构建包含多层膨胀卷积残差模块和全连接层级联组成的时间卷积网络，利用该网络提取f10.7指数时间序列数据中的时序特征，生成包含重要时序信息的特征向量；
10、2c)通过自注意力模块对图像特征和时间序列特征进行融合，动态调整不同特征的权重，突出关键特征，建立图像与时间序列数据之间的关联性，生成更具解释性和预测能力强的特征向量；
11、2d)将融合后的特征向量输入含有两层的全连接网络进行非线性处理和回归分析，
12、将特征向量映射为f10.7指数值；
13、2e)将三维卷积神经网络与时间卷积网络并联后，再与特征融合模块和全连接网络依次串联构成多模态预测模型；
14、(3)对多模态预测模型进行训练：
15、3a)使用均方误差mse作为多模态预测模型的损失函数；
16、3b)将训练集输入到多模态模型，利用adam优化器对其进行训练，直至达到设置的迭代次数，得到训练好的多模态模型；
17、(4)将测试集数据输入到训练好的多模态模型，输出f10.7指数预测值。
18、本专利技术与现有技术相比，具有以下优点：
19、其一，本专利技术将太阳活动图像特征与时间序列特征相结合进行f10.7指数预测，并引入自注意力模块，能根据输入数据的特性动态调整图像与时间序列特征的重要性，提升f10.7指数的预测精度。
20、其二，本专利技术在时间卷积网络中引入膨胀卷积技术，扩大卷积核的感受野，使其能够覆盖更广的输入区域，在保持模型参数量和计算量基本不变的前提下，提升计算效率，降低计算成本。
本文档来自技高网...【技术保护点】
1.一种基于图像特征与时间序列的多模态F10.7指数预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，步骤1a)中对太阳活动图像数据和时间序列数据这两类数据进行预处理，实现如下：
3.根据权利要求1所述的方法，其特征在于，步骤2a)建立的三维卷积神经网络，各层结构功能及参数如下：
4.根据权利要求1所述的方法，其特征在于，步骤2b)建立的时间卷积网络，各层结构功能及参数如下：
5.根据权利要求1所述的方法，其特征在于，步骤2c)中通过自注意力模块对图像特征和时间序列特征进行融合，实现如下：
6.根据权利要求1所述的方法，其特征在于，所述步骤2d)，其具体实现如下：
7.根据权利要求1所述的方法，其特征在于，步骤3a)中将现有的均方误差MSE作为多模态预测模型的损失函数，其公式如下：
8.根据权利要求1所述的方法，其特征在于，步骤3b)中将训练集输入到多模态模型，利用Adam优化器对其进行训练，实现步骤包括如下：
【技术特征摘要】
1.一种基于图像特征与时间序列的多模态f10.7指数预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，步骤1a)中对太阳活动图像数据和时间序列数据这两类数据进行预处理，实现如下：
3.根据权利要求1所述的方法，其特征在于，步骤2a)建立的三维卷积神经网络，各层结构功能及参数如下：
4.根据权利要求1所述的方法，其特征在于，步骤2b)建立的时间卷积网络，各层结构功能及参数如下：
5.根据权利要...
【专利技术属性】
技术研发人员：韩冰，林圣龙，赵玮雄，高新波，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。