[发明专利]基于自注意力机制的电离层foF2空间重构方法

权利要求书

1.一种基于自注意力机制的电离层foF2空间重构方法，其特征在于包括如下步骤：

(1)获取训练样本集R和测试样本集E：

(1a)对连续M个时刻的预测目标点的电离层临界频率foF2值的影响因子，以及N个辅助点中每个辅助点的电离层临界频率foF2的实测值和影响因子分别进行归一化，并将归一化后的预测目标点对应的M个影响因子组成预测目标点向量集合B＝{b_m|1≤m≤M}；同时将归一化后的N个辅助点对应的实测值和影响因子组成M个辅助点向量A＝{A_n|1≤n≤N}，A_n＝{a_nm|1≤m≤M}，其中，M≥8000，N≥3，预测目标点电离层foF2值的影响因子包括预测目标点的积日和太阳高度角，每个辅助点电离层foF2的影响因子包括每个辅助点的积日和太阳高度角，b_m为第m个时刻的预测目标点向量，A_n为第n个辅助点第m个时刻的预测目标点向量，a_nm为第n个辅助点在第m个时刻的辅助点向量；

(1b)对第m个时刻的每个辅助点向量a_nm与预测目标点向量b_m进行拼接，得到M个拼接向量C＝{c_m|1≤m≤M}，c_m＝[a_1m,...,a_nm,...a_Nm,b_m]^T，并将C中的K个拼接向量作为训练样本集R，将其余的M-K个拼接向量作为测试样本集E，其中，c_m为第m个时刻的拼接向量，T为转置符号；

(2)构建基于自注意力机制的预测网络模型H：

构建包括顺次连接的Embedding层、多个自注意力模块、多个全连接-激活函数层的预测网络模型H；其中每个自注意力模块包括依次层叠的自注意力层和归一化层，且每个自注意力层输入端和输出端跨层恒等路径连接；

(3)对基于自注意力机制的预测网络模型H进行迭代训练：

(3a)初始化迭代次数为t，最大迭代次数为T，T≥500，第t次迭代的预测网络模型H^t的权值参数为w_t，偏置参数为b_t，并令t＝1；

(3b)将训练样本集R作为基于自注意力机制的预测网络模型H的输入，Embedding层对每个训练样本进行线性变换；多个自注意力模块对线性变换后的每个预测目标点和辅助点向量进行特征提取；多个全连接-激活函数层对提取的每个特征信息进行非线性整合，得到K个foF2预测值

(3c)将添加至训练样本集R中第k个样本的预测目标点向量b_k中，得到预测目标点新向量b′_k；同时删除第k个样本的第γ个辅助点向量a_γk中的电离层foF2的实测值得到第γ个辅助点新向量a′_γk；并将a′_γk、{a_nk|1≤n≤N,1≤k≤K}和b_k′进行拼接，得到K个新拼接向量C′＝{c′_k|1≤k≤K}，c′_k＝[a_1k,...,b′_k,...,a_nk,a′_γk]^T，其中，γ为常数，1≤γ≤N，且n≠γ，{a_nk|1≤n≤N,1≤k≤K}为第k个样本中除去第γ个辅助点向量的其他辅助点向量，c′_k为第k个新拼接向量；

(3d)将第k个样本的第γ个辅助点向量a_γk中的电离层foF2的实测值作为c′_k的标签，组成新训练样本集R′，并将新训练样本集R′作为模型H的输入进行前向传播，得到K个foF2预测值其中，为第k个新训练样本的标签，为第k个新训练样本的foF2预测值；

(3e)采用均方误差损失函数，通过新拼接向量的标签和其对应的foF2预测值计算H^t的损失值L^t，并通过L^t计算H^t的网络参数梯度，然后采用Adam优化方法，通过网络参数梯度对权值参数w_t及偏置b_t进行更新，得到本次迭代的预测网络模型H^t；

(3f)判断t≥T是否成立，若是，得到训练好的预测网络模型H^*，否则，令t＝t+1，H＝H^t，并执行步骤(3b)；

(4)获取电离层foF2的空间重构结果：

将测试样本集E作为训练好的预测网络模型H^*的输入进行前向传播，得到包含M-K个foF2预测值，并对每个foF2预测值进行反归一化操作，实现对电离层foF2的空间重构。