基于双分支动态神经算子的列车空气动力学分析方法、装置、设备及介质

本发明涉及计算机，特别涉及一种基于双分支动态神经算子的列车空气动力学分析方法、装置、设备及介质。

背景技术：

1、目前的神经算子方法如深度算子网络（deeponet，deep operator network）、傅里叶神经算子（fno，fourier neural operator）和小波神经算子（wno，wavelet neuraloperator）等在偏微分方程的求解问题上已取得了较高的精度，但是对于高分辨率问题，这些算子通常需要大量高保真的训练数据以及大量的计算资源，这就导致了模型规模庞大且能耗显著，从而对它们在大规模科学计算、资源受限的边缘设备以及能源有限的环境中的部署构成了一个关键瓶颈。

2、由上可见，如何避免算子在高分辨率场景下训练成本高、能耗高是目前亟待解决的问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于双分支动态神经算子的列车空气动力学分析方法、装置、设备及介质，能够避免算子在高分辨率场景下训练成本高、能耗高。其具体方案如下：

2、第一方面，本技术提供了一种基于双分支动态神经算子的列车空气动力学分析方法，包括：

3、基于目标列车对应的初始空间数据并利用目标神经算子中的lsm分支的输入层进行脉冲编码，以得到编码后脉冲序列；所述初始空间数据为利用车载边缘设备采集的列车空气动力学偏微分方程的流场时空张量；

4、利用预设权重矩阵将所述编码后脉冲序列转换为输入电流，基于所述输入电流对所述lsm分支的液体层的神经元状态进行更新，以得到相应的脉冲响应序列，对所述脉冲响应序列进行平均和线性映射，以得到第一目标特征；

5、对所述初始空间数据进行维度变换，并将得到的变换后空间数据输入至所述目标神经算子中的lstm分支，以得到第二目标特征；

6、确定所述第一目标特征和所述第二目标特征分别对应的强度指标和质量指标，并拼接所述第一目标特征和所述第二目标特征得到分析向量，基于所述分析向量并利用多层感知器生成融合权重，利用所述融合权重对所述第一目标特征和所述第二目标特征进行调整，以得到注意力机制中的查询、键和值；所述强度指标为反映特征激活程度的指标；所述质量指标为反映特征可信度的指标；

7、基于所述查询、所述键和所述值并利用交叉注意力机制和特征增强器确定输出的目标融合特征，并利用所述目标融合特征完成所述目标神经算子对所述列车空气动力学偏微分方程的求解，以基于得到的列车空气动力学偏微分方程求解结果生成所述目标列车对应的列车空气动力学分析结果。

8、可选的，所述基于目标列车对应的初始空间数据并利用目标神经算子中的lsm分支的输入层进行脉冲编码，以得到编码后脉冲序列，包括：

9、对目标列车对应的初始空间数据进行下采样和展平处理，以得到处理后空间数据，并对所述处理后空间数据进行归一化，以得到归一化后空间数据；

10、将所述归一化后空间数据依次输入至目标神经算子中的lsm分支的输入层，以基于所述输入层并利用速率编码方式将所述归一化后空间数据转换为脉冲序列，以得到编码后脉冲序列。

11、可选的，所述利用预设权重矩阵将所述编码后脉冲序列转换为输入电流，基于所述输入电流对所述lsm分支的液体层的神经元状态进行更新，以得到相应的脉冲响应序列，包括：

12、利用预设权重矩阵将所述编码后脉冲序列转换为输入电流，基于所述输入电流中当前时间步的当前输入电流、所述当前时间步的当前突触电流和第一预设衰减系数确定下一时间步的目标突触电流；

13、基于所述目标突触电流、所述当前时间步的当前膜电位、第二预设衰减系数和所述液体层内部的递归反馈输入数据确定所述下一时间步的目标膜电位；所述递归反馈输入数据为基于所述当前时间步的当前脉冲情况并利用预设递归连接权重矩阵进行反馈得到的信号；

14、判断所述目标膜电位是否大于目标阈值；

15、若大于所述目标阈值，则表征所述下一时间步的目标脉冲情况为产生脉冲；

16、若不大于所述目标阈值，则表征所述下一时间步的目标脉冲情况为不产生脉冲；

17、将所述输入电流中下一时间步对应的下一输入电流确定为新的当前输入电流，将所述目标突触电流确定为新的当前突触电流，并将所述目标膜电位确定为新的当前膜电位，将所述目标脉冲情况确定为新的当前脉冲情况，然后跳转至所述基于所述输入电流中当前时间步的当前输入电流、所述当前时间步的当前突触电流和第一预设衰减系数确定下一时间步的目标突触电流的步骤，直至所述输入电流中所有时间步更新完成，以得到各目标脉冲情况，并对各所述脉冲情况按照时间顺序进行拼接，以得到相应的脉冲响应序列。

18、可选的，所述对所述初始空间数据进行维度变换，并将得到的变换后空间数据输入至所述目标神经算子中的lstm分支，以得到第二目标特征，包括：

19、对所述初始空间数据进行展平，以得到展平后空间数据，并对所述展平后空间数据进行维度变换，以得到变换后空间数据；

20、将所述变换后空间数据输入至所述目标神经算子中的lstm分支，以得到最后一个时间步的输出结果；

21、对所述输出结果进行线性映射，以得到第二目标特征。

22、可选的，所述确定所述第一目标特征和所述第二目标特征分别对应的强度指标和质量指标，并拼接所述第一目标特征和所述第二目标特征得到分析向量，基于所述分析向量并利用多层感知器生成融合权重，利用所述融合权重对所述第一目标特征和所述第二目标特征进行调整，以得到注意力机制中的查询、键和值，包括：

23、确定所述第一目标特征对应的第一强度指标和第一质量指标，并确定所述第二目标特征对应的第二强度指标和第二质量指标；

24、对各目标特征、各强度指标和各质量指标进行拼接，以得到分析向量；

25、将所述分析向量输入至多层感知器，以得到与所述lsm分支对应的第一权重、与所述lstm分支对应的第二权重以及注意力权重；

26、分别利用所述第一权重和所述第二权重对所述第一目标特征和所述第二目标特征进行调整，以得到第一调整后特征和第二调整后特征；

27、基于第一预设线性层将所述第一调整后特征转换为注意力机制中的查询，利用第二预设线性层和第三预设线性层将所述第二调整后特征转换为键和值。

28、可选的，所述基于所述查询、所述键和所述值并利用交叉注意力机制和特征增强器确定输出的目标融合特征，包括：

29、确定所述查询和所述键的相似度得分，并对所述相似度得分进行归一化，以得到归一化分数；

30、基于所述归一化分数和所述值确定注意力增强特征，将所述注意力增强特征映射到目标维度，以得到目标注意力特征；

31、基于所述目标注意力特征并利用特征增强器确定增强后特征，利用所述增强后特征、所述注意力权重、所述第一调整后特征和所述第二调整后特征确定融合后特征；

32、基于所述融合后特征并利用所述目标神经算子的输出映射层对所述目标注意力特征进行映射，并利用得到的映射结果与所述融合后特征进行残差连接和层归一化，以得到目标融合特征。

33、可选的，所述目标神经算子的训练过程，包括：

34、基于所述目标融合特征和目标真实特征之间的平均相对误差确定目标损失函数；

35、基于所述目标损失函数并利用反向传播和梯度裁剪进行训练优化，以得到目标神经算子。

36、第二方面，本技术提供了一种基于双分支动态神经算子的列车空气动力学分析装置，包括：

37、脉冲编码模块，用于基于目标列车对应的初始空间数据并利用目标神经算子中的lsm分支的输入层进行脉冲编码，以得到编码后脉冲序列；所述初始空间数据为利用车载边缘设备采集的列车空气动力学偏微分方程的流场时空张量；

38、响应序列映射模块，用于利用预设权重矩阵将所述编码后脉冲序列转换为输入电流，基于所述输入电流对所述lsm分支的液体层的神经元状态进行更新，以得到相应的脉冲响应序列，对所述脉冲响应序列进行平均和线性映射，以得到第一目标特征；

39、空间数据变换模块，用于对所述初始空间数据进行维度变换，并将得到的变换后空间数据输入至所述目标神经算子中的lstm分支，以得到第二目标特征；

40、特征调整模块，用于确定所述第一目标特征和所述第二目标特征分别对应的强度指标和质量指标，并拼接所述第一目标特征和所述第二目标特征得到分析向量，基于所述分析向量并利用多层感知器生成融合权重，利用所述融合权重对所述第一目标特征和所述第二目标特征进行调整，以得到注意力机制中的查询、键和值；所述强度指标为反映特征激活程度的指标；所述质量指标为反映特征可信度的指标；

41、目标特征确定模块，用于基于所述查询、所述键和所述值并利用交叉注意力机制和特征增强器确定输出的目标融合特征，并利用所述目标融合特征完成所述目标神经算子对所述列车空气动力学偏微分方程的求解，以基于得到的列车空气动力学偏微分方程求解结果生成所述目标列车对应的列车空气动力学分析结果。

42、第三方面，本技术提供了一种电子设备，包括：

43、存储器，用于保存计算机程序；

44、处理器，用于执行所述计算机程序，以实现前述的基于双分支动态神经算子的列车空气动力学分析方法。

45、第四方面，本技术提供了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述的基于双分支动态神经算子的列车空气动力学分析方法。

46、本技术基于目标列车对应的初始空间数据并利用目标神经算子中的lsm分支的输入层进行脉冲编码，以得到编码后脉冲序列；所述初始空间数据为利用车载边缘设备采集的列车空气动力学偏微分方程的流场时空张量；利用预设权重矩阵将所述编码后脉冲序列转换为输入电流，基于所述输入电流对所述lsm分支的液体层的神经元状态进行更新，以得到相应的脉冲响应序列，对所述脉冲响应序列进行平均和线性映射，以得到第一目标特征；对所述初始空间数据进行维度变换，并将得到的变换后空间数据输入至所述目标神经算子中的lstm分支，以得到第二目标特征；确定所述第一目标特征和所述第二目标特征分别对应的强度指标和质量指标，并拼接所述第一目标特征和所述第二目标特征得到分析向量，基于所述分析向量并利用多层感知器生成融合权重，利用所述融合权重对所述第一目标特征和所述第二目标特征进行调整，以得到注意力机制中的查询、键和值；所述强度指标为反映特征激活程度的指标；所述质量指标为反映特征可信度的指标；基于所述查询、所述键和所述值并利用交叉注意力机制和特征增强器确定输出的目标融合特征，并利用所述目标融合特征完成所述目标神经算子对所述列车空气动力学偏微分方程的求解。

47、由上可见，本技术利用目标神经算子中的lsm分支的输入层进行脉冲编码，并利用权重矩阵将编码后序列转换为输入电流，以对lsm分支的液体层的神经元状态进行逐帧更新，以得到第一目标特征；然后利用lstm分支捕捉长期依赖得到第二目标特征，通过计算两个分支特征的强度指标和质量指标，拼接得到分析向量后利用多层感知器生成融合权重。这样一来，利用融合权重对目标特征进行调整，并经过注意力机制和特征增强器生成目标融合特征，通过目标融合特征完成列车空气动力学偏微分方程的求解，得到高精准、低延迟的流场预测结果，并针对多种复杂工况进行自适应稳定训练，降低训练成本和能耗。