一种基于深度学习融合模型的高能电子通量预测方法

一种基于深度学习融合模型的高能电子通量预测方法，涉及空间物理学技术领域。根据需求通过历史高能电子通量观测数据获取数据集，然后进行数据处理过程，包括校准处理、降噪处理、冗余性处理和类不平衡处理，构建CNN‑LSTM‑AM深度学习融合模型，依次包括CNN卷积层、LSTM循环网络层以及注意力机制AM层。对数据增加了冗余性处理和类不平衡处理，提升预测的准确性及鲁棒性，并针对性设计学习率优化的CNN‑LSTM‑AM深度学习融合模型，有效满足高能电子通量预测需求。