基于FE-Mamba与多尺度注意力增强UNet的有效波高预测方法
本发明涉及海洋预测,尤其涉及一种基于fe-mamba与多尺度注意力增强unet的有效波高预测方法。
背景技术:
1、海浪有效波高是描述海洋状态的重要水文要素,其精确预测对于海洋工程安全、海上交通运输、海岸带防灾减灾以及波浪能开发利用具有重要的工程应用价值。延长有效波高预测时间是极端天气预警和长期能源消耗规划等实际应用的关键需求,因此有效波高的长期预测精度亟待提升。
2、传统浪高数值预报模型通过求解波浪动力学方程并结合大气强迫、海底地形等信息实现波浪状态模拟,但其计算过程复杂、耗时较长。随着深度学习技术的发展,深度学习方法逐渐应用于海浪有效波高预测。其中,u-net网络能够捕获不同层次的特征信息,提高图像的细节保留能力,适用于有效波高预测。目前,现有深度学习方法在短时序预测中能够取得较好的预测性能,但随着预测步长的增大,历史海况信息与未来海况之间的关联逐渐减弱,预测误差随着预测步长增大而累积,长期预测精度有待提升。此外,频域特征能够反映海浪场中不同频率成分的变化规律,为刻画海浪变化过程提供更加丰富的特征信息。对频域特征进行提取和建模,有助于挖掘不同频率成分所包含的变化信息,增强模型对复杂海浪变化过程的建模能力。因多数有效波高预测方法在时域上建模,对频域信息的利用较为有限,难以充分挖掘其中的有效特征。同时unet模型中编码器与解码器之间的特征传递方式较为简单,容易造成不同尺度特征之间的语义差异,影响有效波高预测结果。
技术实现思路
1、发明目的:本发明的目的是提供一种基于fe-mamba与多尺度注意力增强unet的有效波高预测方法,通过对海浪有效波高特征进行频域特征增强,基于mamba模块实现时间序列的长程依赖,同时在编码器与解码器之间的跳跃连接进行不同尺度特征的传递与融合,以解决当前有效波高预测方法长期预测性能不足,以及编解码之间特征传递过程中存在语义差异的问题。
2、技术方案:本发明提供了基于fe-mamba与多尺度注意力增强unet的有效波高预测方法,其具体为:
3、步骤1:采集目标海域的二维有效波高数据,构建有效波高时空序列数据集;并对有效波高时空序列数据集进行预处理;
4、步骤2:将有效波高时空序列数据集划分为训练集、验证集和测试集;
5、步骤3:构建fem-maunet模型,将输入至fem-maunet模型的数据作为原始数据;fem-maunet模型执行如下操作:
6、采用编码器,提取原始数据中的局部空间变化特征;所述编码器中包括i个依次连接的编码模块,最后一个编码模块中设有fe-mamba模块;将最后一个编码模块的输出输入至瓶颈层;所述瓶颈层中设有fe-mamba模块;将瓶颈层的输出输入至解码器,所述解码器包括i个依次连接的解码模块,第一个解码模块中设有fe-mamba模块,将所有编码模块的层级跳跃特征通过第i个多尺度注意力增强模块与相应的解码模块跳跃连接,最后一个解码模块输出与原始数据空间尺寸一致的波高预测结果;;
7、步骤4:采用训练集、验证集和测试集分别对fem-maunet模型进行训练,验证和测试;
8、步骤5:采用训练好的fem-maunet模型进行有效波高预测。
9、进一步的,步骤1中的预处理包括依次执行的缺失值填充处理和归一化。
10、进一步的,步骤3中的fe-mamba模块包括可变形mamba模块和频域增强模块;将原始数据沿通道维度均匀的划分成两部分,一部分输入至可变形mamba模块,另一部分输入至频域增强模块,将可变形mamba模块的输出特征与频域增强模块的输出特征沿通道维度进行拼接,得到经过fe-mamba模块处理后的特征。
11、进一步的,所述可变形mamba模块采用线性投影对输入特征进行维度映射,然后利用深度可分离卷积提取局部空间特征,随后对局部空间特征分别进行前向扫描,后向扫描和可变形扫描,将三个扫描后的特征分别输入至对应的ssm模型中进行特征建模,采用均值融合模块对三个ssm模型的输出进行均值融合;可变形mamba模块还采用线性投影对输入特征进行维度调整,并经过silu激活函数生成特征调制信息,将特征调制信息与均值融合模块的输出进行逐元素相乘后再进行线性映射,得到可变形mamba模块的输出特征;
12、所述频域增强模块对输入特征采用二维傅里叶变换,以获得频域中的复数表示,得到实部特征和虚部特征;将实部特征和虚部特征在通道维度上进行拼接,然后采用深度可分离卷积提取与拼接后特征频率相关的位置编码信息;将位置编码信息与拼接后的特征进行残差连接,得到频域特征图,将频域特征图分别输入至分组卷积和逐点卷积,分组卷积输出n组特征图,逐点卷积为频域特征图中每个频率位置生成n个权重,针对每个频率位置,将n组特征图与n个权重进行加权求和,得到频率位置处的融合特征图;将融合特征图经过激活函数处理,最后通过二维逆傅里叶变换恢复至空间域,得到频域增强模块的输出特征。
13、进一步的,步骤3中的编码器包括依次连接的3个编码模块,前两个编码模块结构相同,均包括依次连接的第一卷积模块、第二卷积模块和最大池化层;所述第一卷积模块和第二卷积模块结构相同,均包括依次连接的3×3卷积层和激活函数;最大池化层的步长为2,核大小为2×2;最后一个编码模块包括依次连接的fe-mamba模块和最大池化层;第1个编码模块的第二卷积模块输出层级跳跃特征,第2个编码模块的第二卷积模块输出层级跳跃特征,第3个编码模块的fe-mamba模块输出层级跳跃特征。
14、进一步的,步骤3中的所有编码模块通过第i个多尺度注意力增强模块与相应的解码模块跳跃连接,第i个多尺度注意力增强模块将所有的层级跳跃特征分别进行自适应平均池化操作,并将自适应平均池化后的特征拼接后输入至1×1的卷积,得到融合后的上下文特征;然后对进行线性映射,并通过sigmoid激活函数生成特征引导信息,将特征引导信息与第i个编码模块的层级跳跃特征逐元素相加,得到中间融合特征:
15、;
16、其中,表示线性映射,表示sigmoid激活函数,表示逐元素相加;
17、采用1×3和3×1非对称卷积核提取的水平方向特征和垂直方向特征:
18、;
19、;
20、其中,表示卷积操作;
21、对分别进行平均池化操作和最大池化操作,得到平均池化操作后的特征和最大池化操作后的特征,并将和进行拼接,拼接后的特征经过二维卷积层处理,并通过sigmoid激活函数生成水平方向的注意力权重,将水平方向的注意力权重与进行逐元素相乘,得到水平方向的注意力加权特征图:
22、;
23、其中,表示逐元素相乘,表示拼接操作;
24、对分别进行平均池化操作和最大池化操作,得到平均池化操作后的特征和最大池化操作后的特征,并将和进行拼接,拼接后的特征经过二维卷积层处理,并通过sigmoid激活函数生成垂直方向的注意力权重,将垂直方向的注意力权重与进行逐元素相乘,得到垂直方向的注意力加权特征图:
25、;
26、最后将和进行加权求和,得到第i个多尺度注意力增强模块的输出。
27、进一步的,步骤3中瓶颈层包括两个依次连接的fe-mamba模块。
28、进一步的,步骤3中解码器包括3个依次连接的解码模块,第1个解码模块包括依次连接的转置卷积模块和fe-mamba模块,并将第3个多尺度注意力增强模块的输出输入至fe-mamba模块;第2个解码模块和第3个解码模块的结构相同均包括依次连接的转置卷积模块、第三卷积模块以及第四卷积模块,第三卷积模块和第四卷积模块结构相同,均包括依次连接的3×3卷积层和激活函数;并将第2个多尺度注意力增强模块的输出输入至第2个解码模块的第三卷积模块中,将第1个多尺度注意力增强模块的输出输入至第3个解码模块的第三卷积模块中。
29、一种计算机设备,包括存储器、处理器,以及存储在所述存储器中并能够在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的基于fe-mamba与多尺度注意力增强unet的有效波高预测方法。
30、一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述的基于fe-mamba与多尺度注意力增强unet的有效波高预测方法。
31、有益效果:
32、(1)针对传统mamba采用固定扫描路径,难以适应海浪特征空间分布不规则及非线性变化的问题,本发明引入可变形mamba模块,在mamba长程时空依赖建模的基础上,通过可变形扫描分支根据输入特征自适应调整扫描位置和扫描顺序,形成与海浪特征分布相匹配的动态扫描路径,使模型能够更加灵活地捕获海浪空间结构及长程时空依赖关系,从而增强对海浪非线性演化特征的建模能力,提高长期有效波高预测的准确性。
33、(2)针对仅利用空间域特征难以充分表征海浪不同频率变化信息的问题,本发明引入频域增强模块,将输入特征转换至频域,并利用动态频率分组卷积对不同频率成分进行自适应增强,使模型能够根据输入特征动态调整不同频率成分的响应程度。该设计能够对不同频率成分进行差异化增强,使各频率成分中的有效变化信息得到充分利用,减少不同频率成分之间的信息混杂,提高特征对海浪变化信息的区分能力,从而提高有效波高预测的准确性。
34、(3)本发明设计多尺度注意力增强模块,采用层级特征增强与方向特征增强相结合的两阶段结构,使不同层级特征在融合过程中得到充分校准,并进一步强化水平和垂直方向上的有效空间信息。通过两阶段的逐步增强,可减少不同层级特征之间的差异及无关信息干扰,使浅层空间细节与深层语义信息得到更加有效的融合,从而提高跳跃连接的特征传递效果和海浪空间结构的恢复效果。
35、(4)本发明采用由局部到整体的层级化特征建模结构,使海浪特征由浅层局部信息逐步向深层整体信息聚合,实现多尺度海浪时空演化特征的逐级建模。在编码阶段逐级提取不同尺度空间特征,在深层特征阶段利用可变形mamba建立长程依赖关系,并在解码阶段通过跳跃连接融合经多尺度注意力增强的浅层特征,实现深层语义信息与浅层空间细节的协同恢复。该整体结构能够在特征逐级提取和逐级恢复过程中保留不同尺度的空间信息,减少特征传递过程中的信息损失,提高海浪空间结构及不同尺度变化特征的预测效果。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com