[发明专利]基于混合神经网络与注意力机制的海杂波预测方法及系统

权利要求书

1.一种基于混合神经网络与注意力机制的海杂波预测方法，其特征在于，包括步骤：

(1)对海杂波数据进行预处理；

(2)基于Attention机制，建立混合神经网络结构；

(3)将预处理后的海杂波数据输入所述混合神经网络结构，输出海杂波预测值。

2.根据权利要求1所述的基于混合神经网络与注意力机制的海杂波预测方法，其特征在于，所述步骤(1)包括：

(11)获取检测到的海杂波数据，对其进行分段聚合近似，得到样本数据；

(12)对所述样本数据进行归一化、相空间重构，得到预处理后的数据；

(13)将所述预处理后的数据划分为训练集和测试集。

3.根据权利要求1所述的基于混合神经网络与注意力机制的海杂波预测方法，其特征在于，步骤(2)中，所述混合神经网络结构包括CNN网络、LSTM模型、Attention机制、两层全连接层，所述CNN网络的输出经过Connect层输入到LSTM模型中，所述LSTM模型的输出输入到Attention机制中，再经过所述两层全连接层输出。

4.根据权利要求3所述的基于混合神经网络与注意力机制的海杂波预测方法，其特征在于，所述CNN网络为三层结构，依次为第一卷积层、第二卷积层与池化层；其中，所述第一卷积层、第二卷积层均为1维。

5.根据权利要求4所述的基于混合神经网络与注意力机制的海杂波预测方法，其特征在于，所述第一卷积层、第二卷积层的激活函数均使用ReLU函数，输出如下公式所示：

其中，x_i为卷积层神经元以局部连接方式接收的输入区域信号，b为偏置项。

6.根据权利要求4所述的基于混合神经网络与注意力机制的海杂波预测方法，其特征在于，所述池化层采用最大池化方式，所述池化层的输出如下公式所示：

f(x)＝max(x_{[i,i+2][j,j+2]})

其中，x_i为卷积层神经元以局部连接方式接收的输入区域信号，i,j代表元素所在位置。

7.根据权利要求3所述的基于混合神经网络与注意力机制的海杂波预测方法，其特征在于，所述Connect层包含Flatten层与RepeatVector层。

8.根据权利要求3所述的基于混合神经网络与注意力机制的海杂波预测方法，其特征在于，所述LSTM模型包括三层LSTM架构和BiLSTM网络，其中，在第一层LSTM后进行dropout，所述三层LSTM架构的输出输入到所述BiLSTM网络中。

9.根据权利要求3所述的基于混合神经网络与注意力机制的海杂波预测方法，其特征在于，所述Attention机制计算公式如下：

其中，key_i与Value_i分别为第i时刻的输入信息，query为给定向量。

10.一种基于混合神经网络与注意力机制的海杂波预测系统，其特征在于，所述系统包括：

数据处理模块，用于对获取的海杂波数据进行预处理；

预测模块，用于基于Attention机制，建立混合神经网络结构，将所述数据处理模块预处理后的海杂波数据输入所述混合神经网络结构，输出海杂波预测值。