随着武器装备试验环境的多样化与虚拟化,为提高对武器装备进行虚拟试验的真实性和准确度,在虚拟试验中添加虚拟大气环境是必要的。如何生成虚拟大气环境数据成为了一个关键研究课题。虚拟大气环境数据生成本质是一个时间序列问题,近年来,深度学习在处理大量时序数据方面有着优越的表现。本文利用深度学习生成虚拟大气环境数据,所做具体研究如下。首先,为了得到深度学习技术所用的训练数据集、测试数据集,以及提高网络模型准确度等,对大气环境数据预处理方法进行研究。研究处理大气环境数据中的离群值和缺失值的方法,确保深度学习模型生成的结果不会因为这两者的影响出现偏差。研究大气环境数据标准化方法,以加快网络训练速度。最后研究大气环境数据时间滑窗处理方法,对德国耶拿数据集进行处理得到深度学习模型所需的训练集,验证集和测试集。其次,为了快速准确地生成大气环境数据,基于大气环境中多种参数具有物理相关性的特点,不同于大多数传统的单参数方法,本文提出合并的长短时记忆网络(M-LSTM)模型。利用具有较强相关性的多个大气参数生成特定的大气参数,提高准确度。文中以温度为例,利用数据相关性分析方法分析大气环境中其他参数与温度之间的关系,将基于不同参数生成温度的多个LSTM网络合并,充分利用原始数据包含的特征。最终实验结果表明,M-LSTM-AH模型在测试集上的均方误差至少比经典LSTM-AH模型降低9.3%,实现了对温度数据的准确生成。最后,针对联合试验环境需要多参数的大气环境数据的问题,本文提出了LSTM-GRU-multi网络模型。由于大气环境数据样本具有特征多,数据量巨大的特点,单独使用LSTM模型训练需要大量时间。GRU与LSTM相比结构更简单,网络参数减少进而收敛速度更快。本文将LSTM和GRU相结合,在LSTM有效处理大量大气环境数据的前提下,加快网络训练速度。同时由于单层的网络结构过于简单,远远不能满足处理大气环境数据多特征的需求,本文采用多层的网络结构。实验结果表明,LSTM-GRU-multi模型比传统多层LSTM模型在测试集上的MSE至少降低了11.65%,同时在训练时间上也具有2.3%的优势,LSTM-GRU-multi模型能准确且快速生成多参数大气环境数据。