买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国海洋大学

摘要：本发明提供了一种基于深度学习的地球系统模拟结果一致性评估方法,并将此方法顺利应用于众核异构超算平台。通过本发明的技术方案，本发明的短时间步地球系统模拟结果一致性评估方法计算量小，节约时间成本、计算成本等。本发明分析了多模块分量数据的非线性特征，对于模拟结果一致性的评估更精准。本发明面向众核异构超算平台，能够当考虑到与硬件相关的扰动时，可以检测软件或人为错误的存在。本发明可为科研工作与业务部门提供技术支持与数据支撑，为众核异构超算平台下地球系统模式的移植、研发和优化工作提供科学依据，为讨论地球系统模拟结果对众核异构架构的敏感性提供数据分析方法和理论支持。

主权项：1.一种基于深度学习的地球系统模拟结果一致性评估方法，其特征在于,具体包括以下步骤：S1、实现双向门控循环-自编码器神经网络：门控循环神经网络GRNN的神经元GRU神经网络首先需要根据t-1时刻的隐藏层ht-1和当前t时刻的输入xt来计算更新门和重置门的值；更新门zt的计算过程如公式1所示，重置门rt的计算过程如公式2所示， ，1 ，2其中，Wz、Wr为训练参数，为激活函数；获得重置门rt的信号后，GRU神经网络计算重置结果，这一过程类似于LSTM的记忆阶段；的计算过程如公式3所示， ，3其中，W为训练参数，tanh为激活函数；GRU神经网络根据重置结果和更新门zt计算隐藏层ht的结果；ht的计算过程如公式4所示， ，4自动编码器AE的输入和输出是一致的，目标是使用稀疏的高阶特征重新组合来重构自己；AE通过训练得到的预测值和原本的真值计算损失函数，来训练AE神经网络参数；对于输入数据x，AE的中间隐藏层压缩向量C的计算过程如公式5所示，AE的输出结果O为C的重构数据，计算过程如公式6所示， ，5 ，6其中，W1、W2、b1、b2是根据损失函数反馈得到的训练参数，f是激活函数；BGRU-AE深度学习模型是在AE的基础上将编码器和解码器替换成BGRU神经网络，并在解码器最后连接一层全连接神经网络；编码器由BGRU构成，将BGRU的隐藏层输出He作为编码器的输出压缩向量C；He的计算过程如公式7所示， H e =HftHb1=C，7其中，Hft和Hb1分别是编码器中GRU向前和向后过程产生的最后一个隐藏层状态，同时，解码器也由BGRU构成，将压缩向量C输入到BGRU中，得到BGRU的隐藏层输出Hd，Hd的计算过程如公式8所示， H d =H’f1H’bt，8其中，H’f1和H’bt分别是解码器中GRU向前和向后过程产生的最后一个隐藏层状态，最后，将Hd输入到全连接层FC，用于控制得到与初始输入x相同维度的向量O，FC的计算过程如公式9所示， ，9其中，Wfc是训练参数，f是激活函数；S2、选取包含海洋模块、大气模块及相应耦合过程或耦合器的地球系统耦合模型；S3、设置大气模块和海洋模块的耦合频率和地球系统模拟的时间步数，验证更改海洋模式耦合频率后的短时间步地球系统模拟数据是否能够包含足够的集合可变性；将海洋模式耦合频率设置为1天8次，将模式的初始大气温度添加O10-14量级的扰动，对比其与未扰动的大气与海洋结果变量差异，证明模式中大气与海洋模拟结果对初始条件的敏感依赖性，并且更改海洋模式耦合频率后的大气与海洋变量能够提供足够的集合可变性；S4、开展地球系统模拟集合实验，选择大气与海洋模块的变量结果数据，在可信任的多核同构超算平台上实现地球系统模拟，将模拟结果数据进行面积权重平均和标准化处理，构造深度学习模型所用的训练集和验证集；面积权重平均计算过程如公式10所示，最大最小标准化计算过程如公式11所示， 10，其中xi为变量x在第i块网格的值，wi为第i块网格的面积， （11），其中xmin为变量x的最小值，xmax为变量x的最大值；S5、BGRU-AE深度学习模型训练：采用多核同构平台上的训练集和验证集进行BGRU-AE深度学习模型训练；在训练BGRU-AE模型的每个时间步骤，将验证数据集输入到BGRU-AE模型中，并使用均方误差函数计算重构误差；并输出验证集的重构误差；调整BGRU-AE模型参数，重复BGRU-AE深度学习模型训练，直到验证数据集的重构误差最小，并保存最终的BGRU-AE模型；重构误差计算过程如公式12所示， ,（12）其中，yi是变量i的原始值，yi’是yi在经过BGRU-AE模型分析后的值；S6、训练集重构误差阈值计算:计算训练数据集的重构误差阈值作为指标，以获得一致性评估的“通过”或“失败”结果；将训练数据集重新输入到保存的BGRU-AE深度学习模型中，并重新获得重构误差的最大值；重构误差阈值为重构误差的最大值；S7、将地球系统模拟实现众核异构编程：设计包括编译选项更改、模式参数更改的场景，在众核异构超算平台上实现地球系统模拟，构造BGRU-AE深度学习模型所用的测试数据集；S8、评估混合扰动情景下地球系统模拟结果的一致性：将测试数据集输入到保存的BGRU-AE深度学习模型中，并使用重构误差计算通过率；若测试数据集的重构误差大于训练集的重构误差阈值，则训练集判定为“失败”，否则为通过。

全文数据：

权利要求：

百度查询： 中国海洋大学 基于深度学习的地球系统模拟结果一致性评估方法