CN119538755A 一种海上落水人员漂流轨迹预测方法 (福建理工大学)_第1页
CN119538755A 一种海上落水人员漂流轨迹预测方法 (福建理工大学)_第2页
CN119538755A 一种海上落水人员漂流轨迹预测方法 (福建理工大学)_第3页
CN119538755A 一种海上落水人员漂流轨迹预测方法 (福建理工大学)_第4页
CN119538755A 一种海上落水人员漂流轨迹预测方法 (福建理工大学)_第5页
已阅读5页,还剩21页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

将每个batch中的数据喂入AMWM_Transformer模型中,获得模型的输出和原始的标签数据进行和FDE对实验结果进行评价。本发明采用上述的Transformer进行轨迹预测,在一定程度上可提2上落水人员相关数据包含某仿真假人在近海海域的漂流轨迹信息数据,包括假人id编号、;Xnorm表示当前数据经过标准化处理后的结果。首先,按照设定比例划分训练集和测试集,随后根据设置的历史标签以元组形式加入到新列表中,再以batch_size分割,形成train_loader和test_5.根据权利要求4所述的一种海上落水人员漂流轨迹预测方法,其特征在于,S4中,;Transformer中新增添多头自适应注意力权重机制AMWM,通过差异化的注意力头活跃程度3批次的样本数量,seq_len表示时序数据的长度,features_num表示每个数据点的特征数本数据中每个时序数据点与其他时序数据点之间的关力头关注不同的上下文特征,去捕捉数据中不同的依赖关系,其中的n_heads表示多头;分别代表注意力头对应的注意力矩阵的方差、标准差和均方误差,j表示当前对第j个9.根据权利要求8所述的一种海上落水人员漂流轨迹预测方法,其特征在于,S4中,;4;;i表示第i个样本,"表示最后一个数据的下标,表示为预测数据中的第i个yie表示为真实数据中的第i个值。5[0001]本发明涉及海上搜救技术领域,尤其是涉及一种海上落水人员漂流轨迹预测方[0003]在轨迹预测大类中,海上落水人员漂流路径预测同样也属于粒子预测其中的一复杂合成运动,该方法首先获取到一些会对海上落水人员的漂流轨迹产生直接影响的数据t分为若干个块(t;ta;tsi…),预测每个块的漂流位置和分解速度后使用Runge_Kutta方法;了其中突发情况的发生限制于简化模型等不足,某些研究人员又提出了蒙特卡洛模拟67;min表示当前数据中的最小值,Xmax表示当前数据中的最大norm表示当前数据经过标准化处理后的结果。征和标签以元组形式加入到新列表中,再以batch_size分割,形成train_loader和test_;在原始Transformer的注意力矩阵获取部分,输入数据是一个时序数据序列即过去一段时个样本数据中每个时序数据点与其他时序数据点之间的;8j;;;i表示第i个样本,"表示最后一个数据的下标,ya表示为预测数据中的第y表示为真实数据中的第i个值。明基于深度学习的漂流轨迹预测模型能够捕捉不同时间段和9图2是本发明一种海上落水人员漂流轨迹预测方法实施例的自适应多头注意力权图4是本发明一种海上落水人员漂流轨迹预测方法实施例的假人582401号单步预杂非线性关系以此来提高其精度。由于落水人员的漂流轨迹预测本身就是时间序列预测,所以可以采用递归神经网络(RNN长短期记忆网络(LSTM门控循环单元(GRU海上落水人员相关数据形成的数据集包含某仿真假人在近海海域的漂流轨迹信;min表示当前数据中的最小值,Xmax表示当前数据中的最大norm表示当前数据经过标准化处理后的结果。;新增添多头自适应注意力权重机制AMWM,通过差异化的注意力头活跃程度改变其对应权[0030]关于自适应注意力权重机制AMWM,是基于注意力矩阵获取之后进行的,在原始Transformer的注意力矩阵获取部分,输入数据是一个时序数据序列即过去一段时间的漂表的是逐个样本数据中每个时序数据点与其他时序数据点之间;error分别代表注意力头对应的注意力矩阵的方差、标准差和均方误差,j表示当前对第j[0037]多注意力头权重优化算法旨在通过分析多注意力头在不同批次(batch)中的表[0038]定义n表示注意力头的数量,all_batch_list用于存储每次循环迭代中所有批次1.初始化权重:初始化power列表,使得每个注意力头的初始权重为1,即3.计算注意力矩阵与权重的乘积:对于每次迭代,计算attention矩阵与当前的4.处理每个批次的数据:开始内层循环,遍历当前批次的注意力数据:从attention中提取当前批次的注意力数据当前注意力数据←attention[i];对提取出的注std,mse]添加到batch_features列表中;将batch_features列表添加到all_batch_list于上述计算得到的均值,并对其进行归一化处理,即Power←mean(all_batch)&;;;;[0046]可以发现,本发明提出的AMWM_Transformer的ADE和FDE误差分别是1.2645km和[0047]综上所述,本发明在原有Transformer模型的基础上加入了自适应多头注意力权于预测当前漂流位置时,过去的漂流位置和

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论