面向浮动隔断后波浪 elevation 的因果性与频率感知深度学习框架
机器学习
2025-09-03 v2
摘要
预测浮动隔断（FB）后方的非线性波浖 elevation 对于优化海岸工程结构、增强安全性和提高设计效率至关重要。现有的深度学习方法在面对未见的操作条件时表现出有限的泛化能力。为解决这一挑战，本研究提出了 Exogenous-to-Endogenous Frequency-Aware Network（E2E-FANet），一种新型的端到端神经网络，用于建模波浪与结构之间的关系。首先，Dual-Basis Frequency Mapping（DBFM）模块利用正交余弦和正弦基函数生成自适应时频表征，使模型能够有效地分离波信号中演化的谱分量。其次，Exogenous-to-Endogenous Cross-Attention（E2ECA）模块采用交叉注意力机制，显式地建模浮动隔断运动对波浖 elevation 的单向因果影响。此外，还引入了 Temporal-wise Attention（TA）机制，以适应地捕获内生变量中复杂的依赖关系。大量实验，包括在多样化波浪条件下的泛化测试以及在不同相对水密度（RW）条件下的适应性测试，表明 E2E-FANet 在预测精度和鲁棒性方面均优于主流模型。本工作强调在建模非线性动态系统时，集成因果性和频率感知建模在深度学习架构中的重要性。
引用
@article{arxiv.2505.06690,
title = {A Causality- and Frequency-Aware Deep Learning Framework for Wave Elevation Prediction Behind Floating Breakwaters},
author = {Jianxin Zhang and Lianzi Jiang and Xinyu Han and Xiangrong Wang},
journal= {arXiv preprint arXiv:2505.06690},
year = {2025}
}