[发明专利]一种基于合并长短时记忆网络的大气温度数据生成方法

权利要求书

1.一种基于合并长短时记忆网络的大气温度数据生成方法，其特征在于，包括以下步骤：

S1.采集空气密度数据和水蒸气浓度数据作为测试数据；

S2.将测试数据输入至训练后的M-LSTM-AH网络模型，输出大气温度数据；其中所述M-LSTM-AH网络模型包括M个LSTM模型；

所述M-LSTM-AH网络模型的建立及训练方法包括以下步骤：

S21.创建Sequential模型，确定并添加所需要的网络层，堆叠各个所述LSTM模型，形成所述M-LSTM-AH网络模型；

S22.采集样本数据集，并将所述样本数据集分为训练数据集和验证数据集；所述训练数据集和所述验证数据集内均包括样本大气温度数据，还均包括与相应的所述样本大气温度数据相关的样本空气密度数据和样本水蒸气浓度数据；

S23.将训练数据集中的所述样本大气温度数据作为目标参数，所述样本空气密度数据和样本水蒸气浓度数据作为调节参数，对所述M-LSTM-AH网络模型进行训练；

S24.将验证数据集中的所述样本空气密度数据和样本水蒸气浓度数据输入所述M-LSTM-AH网络模型中，对所述M-LSTM-AH网络模型进行验证，判断结果是否与相应的所述样本大气温度数据相符，若不符，则继续对所述M-LSTM-AH网络模型进行训练。

2.根据权利要求1所述的一种基于合并长短时记忆网络的大气温度数据生成方法，其特征在于，S21中所述的网络层包括：全连接层、激活层、Dropout层、整形层、卷积层和循环层；

所述全连接层用于向输出添加密集连接的其它网络层；

所述激活层用于对上一层的输出应用激活函数；

所述Dropout层应用于输入，在训练期间的每次更新中将输入单元按一定的比率随机设置为0，防止过拟合；

所述整形层用于将输入单元的维度重构成特定的维度；

所述卷积层用于完成不同维度的特征提取；

所述循环层用于处理时间序列数据。

3.根据权利要求1所述的一种基于合并长短时记忆网络的大气温度数据生成方法，其特征在于，S21中在添加所需要的网络层前还包括将relu函数作为每个网络层的激活函数。

4.根据权利要求1所述的一种基于合并长短时记忆网络的大气温度数据生成方法，其特征在于，S21中通过调用compile方法配置所述M-LSTM-AH网络模型，且在compile的过程中选用Adam优化器，选用MSE函数作为损失函数。

5.根据权利要求1所述的一种基于合并长短时记忆网络的大气温度数据生成方法，其特征在于，S23和S24中均使用fit方法进行数据与模型的拟合。