CN114065822B - 海洋潮流涨落的电磁识别方法及系统 - Google Patents

海洋潮流涨落的电磁识别方法及系统 Download PDF

Info

Publication number
CN114065822B
CN114065822B CN202111441001.6A CN202111441001A CN114065822B CN 114065822 B CN114065822 B CN 114065822B CN 202111441001 A CN202111441001 A CN 202111441001A CN 114065822 B CN114065822 B CN 114065822B
Authority
CN
China
Prior art keywords
time
tide
image
frequency characteristic
electromagnetic field
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111441001.6A
Other languages
English (en)
Other versions
CN114065822A (zh
Inventor
刘兰军
强嘉晨
陈家林
黎明
李予国
裴建新
吴坤宇
谢鹏
陈俊
袁奕博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ocean University of China
Original Assignee
Ocean University of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ocean University of China filed Critical Ocean University of China
Priority to CN202111441001.6A priority Critical patent/CN114065822B/zh
Publication of CN114065822A publication Critical patent/CN114065822A/zh
Application granted granted Critical
Publication of CN114065822B publication Critical patent/CN114065822B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
    • G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/141—Discrete Fourier transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Discrete Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • Remote Sensing (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种海洋潮流涨落的电磁识别方法及系统。该方法包括：数据时频分析处理，获得时间域电磁场信号采样序列，划分成若干段，获得功率谱估计，获得海洋电磁场数据时频特征图；数据集构造，根据各时间节点的潮汐信息在时频特征图上绘制潮汐曲线，获得潮汐‑功率谱对应图，截取对应图，构造时频特征图像数据集；卷积神经网络构建和训练学习，卷积层对特征图像数据集图像进行特征提取，池化层对训练数据进行缩减，积累激活特征，全连接层对网络学习和分类，将时频特征图像数据集作为训练单元输入卷积神经网络进行训练；训练后的卷积神经网络作为海洋潮流涨落识别模型，其输出潮流涨落的二分类识别结果。

Description

海洋潮流涨落的电磁识别方法及系统
技术领域
本发明涉及海洋潮流识别技术和海洋电磁数据处理技术领域，具体涉及一种基于时频分析和卷积神经网络的海洋潮流涨落的电磁识别方法及系统。
背景技术
海洋电磁法是通过测量由天然场源或人工场源产生的电磁场进而开展海底结构、水下目标探测的一种地球物理方法，可分为大地电磁法和海洋可控源电磁法。大地电磁法以天然的平面电磁波为场源，信号频率相对较低。海洋可控源电磁法通常使用一个移动的水平电偶极源激发低频电磁波(一般为0.1～10Hz)。两种方法均需要海洋电磁探测系统实现电磁信号采集。在探测高阻油气藏、天然气水合物、水下目标等方面具有广泛的应用需求。
由于海洋环境复杂，电磁信号极易受到各种噪声的干扰，海水扰动噪声便是其中之一。海水作为一种良好的导电介质，运动通过大地磁场时会产生电流、电场和二次磁场，其相对于海洋电磁探测信号而言是干扰信号，影响了电磁数据分析精度以及反演解释效果。
海水在天体引力作用下产生的周期性运动称为潮汐，潮汐在在铅直方向表现为潮位升降，在水平方向表现为潮流涨落。潮汐产生的电磁场信号具有明显的周期性和较宽的频带，能够体现潮流涨落运动特征。海洋电磁探测系统采集到的人工场源海洋电磁信号和天然场源海洋电磁信号中含有潮流涨落运动产生的电磁场，研究潮流涨落运动产生的电磁场并对海洋电磁数据中的潮流特征进行识别，有利于分析海洋电磁环境和探究海水的运动规律，有助于提高海洋电磁数据的信噪比。
对海洋潮流涨落进行实时观测是分析海洋潮汐对海洋电磁信号影响的常用技术。随着海洋技术的发展和进步，潮汐和水位观测仪器的种类日趋多样。按照测量原理的不同可划分为重力式、压力式、声学式、光学式和遥感式；按观测方法的不同可划分为人工观测和仪器观测两种。目前在海洋电磁探测中主要采用仪器观测方法，如波浪浮标、海流计等等。在测量过程中存在只能实现局部观测、仪器使用成本高、现场施工要求高等缺点。
发明内容
本发明的目的在于解决上述技术问题之一，针对现有技术中对海洋潮流实时观测中存在只能实现局部观测、仪器使用成本高、现场施工要求高等缺点，充分利用海洋电磁观测数据中携带的潮流涨落运动产生的电磁场信息，提供一种对测量仪器依赖度低，能够有效识别海洋涨潮落潮、平潮停潮等潮流特征的电磁识别方法。
为解决以上问题，本发明提供如下技术方案：
一种海洋潮流涨落的电磁识别方法，包括以下步骤：
数据时频分析处理步骤：采集一定连续时长范围内的海洋电磁场数据，获得时间域电磁场信号采样序列，按照设定的等时间间隔将时间域电磁场信号采样序列划分成若干段，获得每段时间域电磁场信号采样序列的功率谱估计，从而获得海洋电磁场数据时频特征图，横轴表示时间，纵轴表示频率，色标表示功率谱值；
数据集构造步骤：根据各时间节点的潮汐信息在所述时频特征图上绘制潮汐曲线，横轴表示时间，纵轴表示潮高；获得潮汐-功率谱对应图；对所述对应图进行截取，获得平潮图像、停潮图像、落潮图像和涨潮图像，构造时频特征图像数据集；
卷积神经网络构建和训练学习步骤：构建卷积神经网络，所述卷积神经网络包括多个卷积层、多个池化层、多个全连接层；所述卷积层用于对所述平潮图像、停潮图像、落潮图像和涨潮图像进行特征提取；所述池化层获取卷积层处理后的数据并对训练数据进行缩减，从卷积层映射特征中积累激活特征；所述全连接层用于网络学习和分类；将所述时频特征图像数据集作为训练单元输入卷积神经网络进行训练；
海洋潮流涨落识别步骤：训练后的卷积神经网络作为海洋潮流涨落识别模型，其输出海洋潮流涨落的二分类识别结果。
本发明一些实施例中，获得数据时频特征图的方法包括：
将采集的电磁场信号采样序列按照等时长划分为若干时间域电磁场信号采样序列E(n)，所述时间域电磁场信号采样序列的长度为N；按照设定的等时间间隔将时间域电磁场信号采样序列进一步分成M段，每段长度为L；采用平滑平均周期法获得长度为L的每段时间域电磁场信号采样序列的功率谱估计。
本发明一些实施例中，获得数据时频特征图及功率谱估计的方法进一步包括：
将长度为N的时间域电磁场信号采样序列E(n)划分为M段，每段长度为L；
Ei(n)＝E(n+(i-1)L),0≤n≤L-1,i＝1,2,…,M；
对每段数据进行平滑处理：
其中，ω(n)为窗函数，U为窗口序列的能量：
功率谱估计为：
本发明一些实施例中，构造时频特征图像数据集的方法包括：
确定潮位最高点和潮位最低点对应的时刻，以高潮位时刻为时间中心，选取高潮位时刻左右对称时间间隔的时频特征图像，定义为平潮图像，以低潮位时刻为时间中心，选取低潮位时刻左右对称时间间隔的时频特征图像，定义为停潮图像；
在从低潮位时刻至高潮位时刻之间的间隔，选取潮位变化最快的设定时间间隔的时频特征图像，定义为涨潮图像；
在从高潮位时刻至低潮位时刻之间的间隔，选取潮位变化最快的设定时间间隔的时频特征图像，定义为落潮图像。
本发明一些实施例中，所述卷积神经网络进一步包括：三个卷积层、三个池化层和两个全连接层；
按照前后顺序卷积层的卷积核尺寸依次为15x15、8x8、3x3；
池化层均为步长为2的2x2池化层；
全连接层中添加了一个Dropout层用于按设定概率将训练单元从卷积神经网络中移除，以防止过拟合；
卷积层和第一个全连接层的激活函数采用ReLU函数，第二个全连接层采用Sigmoid激活函数。
本发明一些实施例中，所述时频特征图像数据集作为训练单元输入卷积神经网络进行训练进一步包括：
训练集和验证集采用K折交叉验证方法。
本发明一些实施例中，所述时频特征图像数据集作为训练单元输入卷积神经网络进行训练前，进一步包括图像处理步骤：
将时频特征图像数据集图像输入卷积神经网络前，将图像解码为RGB像素网格并转换为浮点数张量，将图像像素值归一化到[0,1]区间；图像输入尺寸优选112x448的长方形输入尺寸。
本发明一些实施例中，进一步提供一种海洋潮流涨落的电磁识别系统，包括：
数据采集单元：用于采集连续时间段内特定海域内海洋电磁场数据，获得时间域电磁场信号采样序列；
数据处理单元：用于对海洋电磁场数据进行处理，将时间域电磁场信号采样序列转换为海洋电磁场数据时频特征图；
图像处理单元：基于海洋电磁场数据时频特征图，并根据时频特征图的时刻在所述时频特征图上绘制潮汐曲线，获得潮汐-功率谱对应图；
数据集构造单元：在潮汐-功率谱对应图上截取时间段内的图像，获得平潮图像、停潮图像、落潮图像和涨潮图像，构造时频特征图像数据集；
网络构建和学习训练单元：构建卷积神经网络，基于时频特征图像数据集的数据，进行卷积神经网络训练，获得海洋潮流涨落的识别模型。
本发明一些实施例中，进一步包括：
图像处理单元进一步用于对时频特征图像数据集进行像素处理，将图像解码为RGB像素网格并转换为浮点数张量，将图像像素值归一化到[0,1]区间。
本发明提供的方法和系统有益效果在于：
(1)本发明充分利用海洋电磁观测数据中携带的海洋潮流涨落运动产生的电磁场信息，利用卷积神经网络的图像特征自动提取、适于图像分类识别应用的特点，提出了一种基于卷积神经网络的海洋潮流涨落的电磁识别方法。卷积神经网络是深度学习领域，尤其是图像处理方面最重要的模型之一，其独特的网络结构可以在一定程度上抵御图像平行、缩放或者某种程度扭曲所带来的影响。该方法能够获取描述潮流不同潮流特征的复杂信息，结合相应的分类算法对不同潮汐状态进行智能识别，能够准确地识别涨潮落潮、平潮停潮两种潮流特征。
(2)本发明提出了基于时频分析的海洋电磁数据特征表达方法，通过对海洋电磁观测数据进行时频分析得到时频特征图表示海洋电磁信号在不同时间和频率的能量分布，从时间-频率两个尺度进行信号的特征表达从而实现不同潮流变化的识别和分类；同时该方法将海洋电磁传感器采集得到的一维电磁数据通过时频分析转换为二维图像信息，便于利用深度学习理论设计卷积神经网络模型以提取图像特征。
(3)本发明提供的方法采用深度学习的数据驱动学习能力对海洋电磁信号的二维时频特征图进行特征提取，避免人为特征提取的主观性对结果造成影响，并且基于数据驱动的卷积神经网络深度学习方法可表达复杂模型关系，模型转移性能好。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明海洋潮流涨落的电磁识别方法流程；
图2为海洋电场信号水平电场Ex的时频特征图；
图3为标记潮汐曲线的海洋电场信号水平电场Ex的时频特征图；
图4为不同潮流过程的时频特征图示例；
图5为5折交叉验证方法示意图；
图6为卷积神经网络结构图；
图7为训练准确率和损失随迭代次数变化；
图8为验证准确率和损失随迭代次数变化。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明第一实施例提供一种基于时频分析和卷积神经网络的海洋潮流涨落的电磁识别方法，包括以下步骤：
S1：数据时频分析处理步骤。
采集一定连续时长范围内的海洋电磁场数据，获得时间域电磁场信号采样序列，按照设定的等时间间隔将时间域电磁场信号采样序列划分成若干段，获得每段时间域电磁场信号采样序列的功率谱估计，将时间域电磁场信号转换为频率域信号，从而获得海洋电磁场数据时频特征图。参考图2，根据各时间节点的功率谱绘制时频特征图，横轴表示时间，纵轴表示频率，色标表示功率谱值。
为了获得可靠的结果，每次数据采集的时长应大于12小时，即大于一个潮长潮落的周期。
将时间域电磁场信号转换为频率域信号采用傅里叶变换方法。
在某海域，采用电磁信号仪采集得到的海洋电磁场数据时间长度为15小时左右，为了从时间和频率两个尺度对数据进行分析，将完整的电磁数据划分出任意等时间间隔的区间，例如，本实施例采用的为15分钟的区间，对每个区间的电磁数据采用快速傅里叶变换将时间域电磁场信号E(t)转换为频率域信号E(f)。
电磁仪器获得的电磁场信号为一定采样间隔Δt的离散记录，在本发明一些实施例中，通过如下离散的傅里叶变换处理时间域电磁场数据，具体方法如下。
采集获得的海洋电磁场数据为离散电磁场信号；
按等时长划分为若干时间间隔，将各个时间间隔内的离散电磁场信号进行傅里叶变换，转换为频率域信号：
其中，E(n)为时间间隔内时间域电磁场信号，E(k)为E(n)的离散傅里叶变换结果，对应频率域信号，N表示时间间隔内离散电磁场信号的数量，例如本实施例中，15分钟时间间隔内，采样仪采集获得的离散电磁场信号的数量，取决于采样仪的采样频率；k和n为信号的序号。
在进行傅里叶变换时窗口的截断会造成频谱泄露，从而使频谱计算出现偏差，偏差的大小主要取决于窗函数主瓣的宽度及形状。为减弱频谱泄露，在傅里叶变换中采用预白处理技术，使窗函数的主瓣宽度变宽，偏差变小。
计算频率域信号的目的，是进一步进行功率谱的计算。
功率谱表示信号功率在各频点的分布情况，是一种重要的频谱分析方法，广泛应用于雷达、声纳、生物医学和地质勘探等众多领域的信号处理。常用的功率谱计算方法为周期图法。周期图法计算海洋电磁信号E(n)的功率谱如下式所示
式中，为功率谱估计。
周期图法直接将E(k)的模的平方除以N得到功率谱估计，是信号功率谱的一个有偏估计，且当信号序列的长度增大到无穷时，估计的方差不趋于零。因此，随着所取信号序列长度的不同，所得到的周期图也不同，这种现象称为随机起伏。当N过大时，谱曲线起伏较大，方差较大；当N过小时，谱的分辨率又不足。为了减小误差，对周期图法进行改进，提出了平滑平均周期图法，本发明一些实施例中，功率谱估计采用平滑平均周期图法：
将时间间隔内的所有电磁场信号E(n)划分为M段，每段长度为L；
Ei(n)＝E(n+(i-1)L),0≤n≤L-1,i＝1,2,…,M； (4)
每段样本数据相互独立，则功率谱估计的方差变为原来的从而达到了一致估计。
对每段数据进行平滑处理：
其中，ω(n)为窗函数，可根据需要选择；U为窗口序列的能量：
功率谱估计为：
S2：数据集构造步骤。
数据集构造步骤的目的是对功率谱数据和潮汐数据进行对应处理，获得功率谱和潮汐数据的对应图，并基于潮位高低时刻截取涨潮、落潮和停潮、平潮时刻的图像，构造时频特征图像数据集。
参考图3，根据各时间节点的潮汐高度在时频特征图上绘制潮汐曲线，横轴表示时间，纵轴表示潮高；获得潮汐-功率谱密度对应图。在最终获得的图像上，显示了各时间节点潮汐高度与潮汐电磁信号功率谱能量的对应关系。获得的潮汐-功率谱对应图为JPEG格式的图片。
在前述获得的对应图上找到潮位最高点和潮位最低点对应的时刻，确定潮位最高点和潮位最低点对应的时刻，以高潮位时刻为时间中心，选取高潮位时刻左右对称时间间隔的图像(本实施例为左侧一小时和右侧一小时)，定义为平潮图像，以低潮位时刻为时间中心，选取低潮位时刻左右对称时间间隔(本实施例为左侧一小时和右侧一小时)的图像，定义为停潮图像。
在从低潮位时刻至高潮位时刻之间的间隔，选取潮位变化最快的设定时间间隔的图像(本实施例选定两小时)，定义为涨潮图像；
在从高潮位时刻至低潮位时刻之间的间隔，选取潮位变化最快的设定时间间隔的图像(本实施例选定两小时)，定义为落潮图像。
提取获得的平潮图像、停潮图像、落潮图像和涨潮图像均为长方形图像，采用平潮图像、停潮图像、落潮图像和涨潮图像构造数据集。
实际执行过程中，数据集构造步骤的具体执行方式如下。仍以前文所述的某海域的采集数据为例，用Matlab绘制的海洋电磁水平电场Ex的时频特征图如图2所示，图中横坐标表示时间，纵坐标表示频率(Hz)，色标表示功率谱的对数值。查阅潮汐表，在时频图中绘制出实测的潮汐曲线来描述电磁数据采集时间潮高随时间的变化关系，如图3所示。从潮汐曲线可知，该海域为典型的半日潮，其运动周期约为12h,一天中的潮高在1～400cm之间起伏变化。在涨潮与落潮的时间段内，在时频图中出现了较强的能量团(图中靠近横轴部分)，而在平潮与停潮的时间段内时频图中的能量团较小。可以看出海洋电磁信号能量的强弱与潮高的变化具有内在联系。以此为依据，可以根据涨潮、落潮、平潮、停潮等不同潮流状态的时频图的差异进行潮流识别。
在潮流涨落的过程中，当涨潮达到最高位后水位在一段时间内不涨也不落，这段时间为平潮，整个平潮阶段的中间时刻为高潮时。与平潮类似，当退潮达到最低位后水位在一段时间内不涨不落，这段时间为停潮，整个停潮阶段的中间时刻为低潮时。从低潮时到高潮时所经历的时间为涨潮时，从高潮时到低潮时所经历的时间为落潮时。
电磁记录仪采集的每段电磁数据时间长度在15小时左右，本发明以两个小时为时间尺度对平潮、停潮和涨潮、落潮两种不同的潮流变化趋势进行划分。定义高潮、低潮时刻前后各一小时为平潮、停潮过程，低潮和高潮之间潮位变化最快的两小时为涨潮、落潮过程。根据涨潮、落潮和停潮、平潮两种潮流变化趋势对时频图进行划分得到数据集，如图4所示，图(a)是涨潮图像特征图示例，图(b)是落潮图像特征图示例，图(c)是平潮图像特征图示例，图(d)是停潮过程特征图示例。将数据集贴上标签按照5.5:1的比例划分为训练集和测试集。划分后的训练集有330张时频特征图，测试集有60张时频特征图。
由于数据样本较少，在用训练集和验证集评估网络性能并调节网络参数时，验证分数会有很大的波动，为了充分验证利用构建的卷积神经网络模型分类潮流特征时频图像所达到的分类效果，本发明一些实施例中，进一步对训练集样本进行划分，部分用于训练定义为训练集，部分用于训练结果验证，定义为验证集。本发明采用K折交叉验证方法，如图5所示，将训练集分为5个相同数量的分区，每次选择四个分区作为训练集，并在剩下的一个分区上进行验证评估，分别得到每个分区的验证分数，最后取五个分区验证分数的平均值作为评估模型分类效果的标准。
S3：卷积神经网络构建和训练学习步骤。
相较于一般的BP神经网络，卷积神经网络通过去局部权值共享和感受野降低网络的复杂性和网络参数的数量级。为此本发明构建卷积神经网络，用于特征图训练。
本发明构建的卷积神经网络包括多个卷积层、多个池化层、多个全连接层；所述卷积层用于对所述平潮图像、停潮图像、落潮图像和涨潮图像进行特征提取；所述池化层获取卷积层处理后的数据并对训练数据进行缩减，从卷积层映射特征中积累激活特征；所述全连接层用于网络学习和分类；将所述时频特征图像数据集作为训练单元输入卷积神经网络进行训练；
卷积神经网络训练后作为海洋潮流涨落识别模型，其输出海洋潮流涨落识别结果。
本发明一些实施例中，所述卷积神经网络进一步包括：
全连接层中添加了一个Dropout层用于按设定概率将训练单元从卷积神经网络中移除，以防止过拟合。
本发明一些实施例中，进一步包括：
将视频特征图像数据集图像输入卷积神经网络前，将图像解码为RGB像素网格并转换为浮点数张量，将图像像素值归一化到[0,1]区间。
在本发明一些具体实施方式中，构造的卷积神经网络的结构如下。
参考图6，本发明针对小样本潮流时频特征图进行二分类识别，综合考虑网络大小、计算性能和潮流特征识别的准确性，使用三个卷积层进行特征提取，三个池化层进行降维，两个全连接层(一个Dropout层和一个Sigmoid层)进行分类处理。
通常较大尺寸的图像包含更多的信息，但计算代价大，而较小的图像包含更少的信息，计算速度更快。为提高数据处理速度，数据集特征图片数据集数据(平潮图像、停潮图像、落潮图像和涨潮图像)输入神经网络前使用Keras的图像处理辅助模块ImageDataGenerator读取图像文件，将JPEG文件解码为RGB像素网格并转换为浮点数张量，将像素值(0～255范围内)归一化到[0,1]区间。
进一步的，经典的卷积神经网络结构模型输入图像均为正方形，例如，VGG16的输入图像的尺寸默认为224x224，Xception的输入尺寸为299x299，Inceotion V3的默认输入尺寸也为299x299。考虑到本发明的数据集中潮汐时频特征图的尺寸为235x954像素的长方形，图像的横坐标表示时间，纵坐标表示频率，颜色表示能量的大小。为了保持输入图像的频率分辨能力，调整所有图像的大小为112x448作为卷积层的输入。
卷积层对训练集的图像进行特征提取，经过全连接层和Sigmoid函数对潮流特征图像进行二分类。由于涨潮图片和落潮图片的特征相似，平潮图片和停潮图片的特征相似，本发明的二分类为涨潮落潮、平潮停潮的分类。
按照前后顺序卷积层的卷积核尺寸依次为15x15、8x8、3x3；卷积神经网络模型中前15x15和8x8的卷积核用来捕捉图像的细节特征，对输入数据的变化敏感，后面3x3的卷积核进一步学习前两层输出的特征；在每个卷积层之后引入了步长为2的2x2的池化层来缩减模型的大小，提高计算速度，并从卷积映射特征中积累最大的激活特征。池化层作为卷积层到全连接层的过度，将多维的输入一维化。后接两个全连接层中输入层的每一个神经元都与全连接层的神经元相连。
由于全连接层的神经元个数较多，为防止过拟合，模型添加了一个Dropout层。在深度学习训练过程中，Dropout层按照一定的概率(该概率可通过人为设定)将训练单元从神经网络中移除。从单个神经元的角度来看，由于每个神经元都有可能随机失活，因此网络不会赋予某一个神经元过高的权重，从而起到了减小权重矩阵的效果。
采用ReLU函数作为每个卷积层和全连接层的激活函数，函数的定义见公式。
ReLU＝max(0,x) (8)
ReLU函数是一种分段线性函数，在输入是负值的情况下输出为零，输入是正值时输出则不变，起到单侧抑制的作用并增加了神经网络各层之间的非线性关系。
网络的最后一层使用Sigmoid激活函数，其函数表达式如下所示。
Sigmoid函数能将输入特征映射在区间(0,1)内，在二分类任务中，其输出值可以看作事件概率。定义N个样本的总二元交叉熵损失函数如下：
式中，为网络输出标签，y为正确标签，N为样本个数。在反向传播过程中，通过多次迭代，修正权值使网络输出值与实际值越来越接近，使损失函数L减小。
构建的卷积神经网络模型超参数的设置见下表。
表1卷积神经网络模型的超参数
超参数类型 超参数设置
学习率 0.0001
Dropout率 0.2
训练周期 30
输入图像大小 112x448
分类器 Sigmoid
本发明第二实施例进一步提供了一种海洋潮流涨落的电磁识别系统，包括：
数据采集单元：用于采集连续时间段内特定海域内海洋电磁场数据，获得时间域电磁场信号采样序列；该采集时间段大于12小时，本实施例中为15小时。
数据处理单元：用于对海洋电磁场数据进行处理，将时间域电磁场信号转换为频率域信号，并基于频率域信号估算电磁场信号的功率谱；数据处理单元被配置为按第一实施方式的离散傅里叶变换方法计算频率域信号，以及，按第一实施方式的功率谱的计算方法，计算功率谱；基于各时刻的功率谱绘制时频特征图。
图像处理单元：基于海洋电磁场数据时频特征图，并根据时频特征图的时刻在所述时频特征图上绘制潮汐曲线，获得潮汐-功率谱对应图；图像处理单元被配置为按第一实施方式中获得对应图。
在本发明一些实施例中，为了提高学习训练的效率，图像处理单元还用于对特征图像数据集进行像素处理，将图像解码为RGB像素网格并转换为浮点数张量，将图像像素值归一化到[0,1]区间。
数据集构造单元：在潮汐-功率谱对应图上截取时间段内的图像，获得平潮图像、停潮图像、落潮图像和涨潮图像，构造特征图像数据集。数据集构造单元被配置为按第一实施方式的平潮图像、停潮图像、落潮图像和涨潮图像的截取方法进行数据集构造。
网络构建和学习训练单元：构建卷积神经网络，基于特征图像数据集的数据，进行卷积神经网络训练，获得海洋潮流涨落的识别模型。学习训练过程及卷积神经网络的配置如第一实施例。
实验验证过程如下。
本文采用准确率(Accuracy)、精确率(Precision)、召回率(Recall)和F1分数(F1Score)作为数据评价指标，其计算公式如下四个公式所示。式中，TP为正确分类正样本，TN为正确分类负样本，FP为将负样本误认为正，FN为将正样本误认为负。上述四个指标越高，代表模型的学习能力越好，其中，准确率是分类正确的样本数占总样本的比例数，但准确率在数据不均衡的数据集上会缺少一定的说服力；精确率可以解释为预测为正例的样本中预测正确的样本的比例；召回率也称查全率，表示预测正确的正样本占所有正样本的比例，因此精确率与召回率之间存在难以调和的矛盾。F1分数是精确率和召回率的调和平均数，其综合衡量了两者的效果。
设置卷积神经网络模型训练的迭代次数为30次，在每一次迭代结束时计算训练损失、训练准确率、验证损失、验证准确率，图7和图8分别为某一折数据的各项指标随训练次数变化结果。在训练开始阶段，训练损失显著下降，之后达到饱和，曲线几乎处于稳定状态。训练准确率逐渐上升达到平稳，与训练损失的变化趋势相反。验证损失和验证精度分别与训练损失和训练精度的变化趋势相似，但波动较大。
图像的输入尺寸是卷积神经网络重要的超参数，其形状和大小将影响最终分类的正确率。为了验证本文提出的112x448的长方形输入形状的分类效果，保持其他的条件不变，分别采用224x224的正方形输入和112x448的长方形输入进行训练，对比二者的训练结果。
表1和表2分别列出了两种不同输入尺寸下每一折数据验证集的准确率、精确率等模型评估指标以及各项指标的平均值，表3列出了两种不同输入尺寸的模型在测试集上进行5次分类后各项指标的平均值。可以看到，在使用验证集对卷积神经网络模型进行评价的过程中后者的准确率、精确率、召回率和F1分数均高于前者。在测试集上，以112x448作为输入尺寸的模型分类的平均准确率为95.00％，平均F1分数为94.91，二者均高于以224x224作为输入尺寸时的平均准确率和平均F1分数。结果表明，本发明设计的卷积神经网络模型能够对绝大部分的涨潮、落潮和平潮、停潮特征正确识别，同时对于潮流特征分类，以112x448的长方形图像作为模型输入能够取得更好的分类效果。
表2输入尺寸为224x224时验证集的性能
表3输入尺寸为112x448时验证集的性能
112x448 准确率(％) 精确率(％) 召回率(％) F1分数
第一折 93.94 89.42 100 94.24
第二折 98.48 95.83 100 97.62
第三折 96.97 97.22 95.83 96.10
第四折 95.45 96.67 95.14 96.10
第五折 93.94 100 89.52 93.60
平均 95.76 95.83 96.10 95.53
表4两种输入尺寸的测试集性能指标
输入尺寸 准确率(％) 精确率(％) 召回率(％) F1分数
224x224 93.77 88.60 100 93.80
112x448 95.00 90.60 100 94.91
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种海洋潮流涨落的电磁识别方法，其特征在于，包括以下步骤：
数据时频分析处理步骤：采集一定连续时长范围内的海洋电磁场数据，获得时间域电磁场信号采样序列，按照设定的等时间间隔将时间域电磁场信号采样序列划分成若干段，获得每段时间域电磁场信号采样序列的功率谱估计，从而获得海洋电磁场数据时频特征图，横轴表示时间，纵轴表示频率，色标表示功率谱值；
数据集构造步骤：根据各时间节点的潮汐信息在所述时频特征图上绘制潮汐曲线，横轴表示时间，纵轴表示潮高；获得潮汐-功率谱对应图；对所述对应图进行截取，获得平潮图像、停潮图像、落潮图像和涨潮图像，构造时频特征图像数据集；
卷积神经网络构建和训练学习步骤：构建卷积神经网络，所述卷积神经网络包括多个卷积层、多个池化层、多个全连接层；所述卷积层用于对所述平潮图像、停潮图像、落潮图像和涨潮图像进行特征提取；所述池化层获取卷积层处理后的数据并对训练数据进行缩减，从卷积层映射特征中积累激活特征；所述全连接层用于网络学习和分类；将所述时频特征图像数据集作为训练单元输入卷积神经网络进行训练；
海洋潮流涨落识别步骤：训练后的卷积神经网络作为海洋潮流涨落识别模型，其输出海洋潮流涨落的二分类识别结果。
2.如权利要求1所述的海洋潮流涨落的电磁识别方法，其特征在于，获得数据时频特征图的方法包括：
将采集的电磁场信号采样序列按照等时长划分为若干时间域电磁场信号采样序列E(n)，所述时间域电磁场信号采样序列的长度为N；按照设定的等时间间隔将时间域电磁场信号采样序列进一步分成M段，每段长度为L；采用平滑平均周期法获得长度为L的每段时间域电磁场信号采样序列的功率谱估计。
3.如权利要求2所述的海洋潮流涨落的电磁识别方法，其特征在于，获得数据时频特征图及功率谱估计的方法进一步包括：
将长度为N的时间域电磁场信号采样序列E(n)划分为M段，每段长度为L；
Ei(n)＝E(n+(i-1)L),0≤n≤L-1,i＝1,2,…,M；
对每段数据进行平滑处理：
其中，ω(n)为窗函数，U为窗口序列的能量：
功率谱估计为：
4.如权利要求1所述的海洋潮流涨落的电磁识别方法，其特征在于，构造时频特征图像数据集的方法包括：
确定潮位最高点和潮位最低点对应的时刻，以高潮位时刻为时间中心，选取高潮位时刻左右对称时间间隔的时频特征图像，定义为平潮图像，以低潮位时刻为时间中心，选取低潮位时刻左右对称时间间隔的时频特征图像，定义为停潮图像；
在从低潮位时刻至高潮位时刻之间的间隔，选取潮位变化最快的设定时间间隔的时频特征图像，定义为涨潮图像；
在从高潮位时刻至低潮位时刻之间的间隔，选取潮位变化最快的设定时间间隔的时频特征图像，定义为落潮图像。
5.如权利要求1所述的海洋潮流涨落的电磁识别方法，其特征在于，所述卷积神经网络进一步包括：三个卷积层、三个池化层和两个全连接层；
按照前后顺序卷积层的卷积核尺寸依次为15x15、8x8、3x3；
池化层均为步长为2的2x2池化层；
全连接层中添加了一个Dropout层用于按设定概率将训练单元从卷积神经网络中移除，以防止过拟合；
卷积层和第一个全连接层的激活函数采用ReLU函数，第二个全连接层采用Sigmoid激活函数。
6.如权利要求1所述的海洋潮流涨落的电磁识别方法，其特征在于，所述时频特征图像数据集作为训练单元输入卷积神经网络进行训练进一步包括：
训练集和验证集采用K折交叉验证方法。
7.如权利要求1所述的海洋潮流涨落的电磁识别方法，其特征在于，所述时频特征图像数据集作为训练单元输入卷积神经网络进行训练前，进一步包括图像处理步骤：
将时频特征图像数据集图像输入卷积神经网络前，将图像解码为RGB像素网格并转换为浮点数张量，将图像像素值归一化到[0,1]区间；图像输入尺寸优选112x448的长方形输入尺寸。
8.一种海洋潮流涨落的电磁识别系统，其特征在于，包括：
数据采集单元：用于采集连续时间段内特定海域内海洋电磁场数据，获得时间域电磁场信号采样序列；
数据处理单元：用于对海洋电磁场数据进行处理，将时间域电磁场信号采样序列转换为海洋电磁场数据时频特征图；
图像处理单元：基于海洋电磁场数据时频特征图，并根据时频特征图的时刻在所述时频特征图上绘制潮汐曲线，获得潮汐-功率谱对应图；
数据集构造单元：在潮汐-功率谱对应图上截取时间段内的图像，获得平潮图像、停潮图像、落潮图像和涨潮图像，构造时频特征图像数据集；
网络构建和学习训练单元：构建卷积神经网络，基于时频特征图像数据集的数据，进行卷积神经网络训练，获得海洋潮流涨落的识别模型。
9.如权利要求8所述的一种海洋潮流涨落的电磁识别系统，其特征在于，进一步包括：
图像处理单元进一步用于对时频特征图像数据集进行像素处理，将图像解码为RGB像素网格并转换为浮点数张量，将图像像素值归一化到[0,1]区间。
CN202111441001.6A 2021-11-30 2021-11-30 海洋潮流涨落的电磁识别方法及系统 Active CN114065822B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111441001.6A CN114065822B (zh) 2021-11-30 2021-11-30 海洋潮流涨落的电磁识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111441001.6A CN114065822B (zh) 2021-11-30 2021-11-30 海洋潮流涨落的电磁识别方法及系统

Publications (2)

Publication Number Publication Date
CN114065822A CN114065822A (zh) 2022-02-18
CN114065822B true CN114065822B (zh) 2024-04-26

Family

ID=80277552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111441001.6A Active CN114065822B (zh) 2021-11-30 2021-11-30 海洋潮流涨落的电磁识别方法及系统

Country Status (1)

Country Link
CN (1) CN114065822B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115508899B (zh) * 2022-10-21 2023-08-29 中铁二院工程集团有限责任公司 基于最优化理论的航空大地电磁功率谱估算方法及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038471A (zh) * 2017-12-27 2018-05-15 哈尔滨工程大学 一种基于深度学习技术的水声通信调制模式识别方法
CN111160167A (zh) * 2019-12-18 2020-05-15 北京信息科技大学 基于s变换深度卷积神经网络的主轴故障分类识别方法
CN111259798A (zh) * 2020-01-16 2020-06-09 西安电子科技大学 基于深度学习的调制信号识别方法
DE102019209644A1 (de) * 2019-07-02 2021-01-07 Robert Bosch Gmbh Verfahren zum Trainieren eines neuronalen Netzes
CN112818891A (zh) * 2021-02-10 2021-05-18 西南电子技术研究所（中国电子科技集团公司第十研究所） 通信干扰信号类型智能识别方法
CN113361569A (zh) * 2021-05-20 2021-09-07 浙江工业大学 基于时频融合信息的电磁信号调制类型识别模型构建方法
CN113537152A (zh) * 2021-08-19 2021-10-22 南京航空航天大学 一种基于深度神经网络的流场状态故障检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038471A (zh) * 2017-12-27 2018-05-15 哈尔滨工程大学 一种基于深度学习技术的水声通信调制模式识别方法
DE102019209644A1 (de) * 2019-07-02 2021-01-07 Robert Bosch Gmbh Verfahren zum Trainieren eines neuronalen Netzes
CN111160167A (zh) * 2019-12-18 2020-05-15 北京信息科技大学 基于s变换深度卷积神经网络的主轴故障分类识别方法
CN111259798A (zh) * 2020-01-16 2020-06-09 西安电子科技大学 基于深度学习的调制信号识别方法
CN112818891A (zh) * 2021-02-10 2021-05-18 西南电子技术研究所（中国电子科技集团公司第十研究所） 通信干扰信号类型智能识别方法
CN113361569A (zh) * 2021-05-20 2021-09-07 浙江工业大学 基于时频融合信息的电磁信号调制类型识别模型构建方法
CN113537152A (zh) * 2021-08-19 2021-10-22 南京航空航天大学 一种基于深度神经网络的流场状态故障检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于时频分析和CNN的雷达辐射源识别算法;黄智;王俊杰;石国良;;舰船电子工程;20200120(第01期);全文 *

Also Published As

Publication number Publication date
CN114065822A (zh) 2022-02-18

Similar Documents

Publication Publication Date Title
CN109522857B (zh) 一种基于生成式对抗网络模型的人数估计方法
CN110361778B (zh) 一种基于生成对抗网络的地震数据重建方法
CN112132149B (zh) 一种遥感影像语义分割方法及装置
CN114755745B (zh) 基于多通道深度残差收缩网络的冰雹天气识别与分类方法
CN109002848B (zh) 一种基于特征映射神经网络的弱小目标检测方法
CN110705722A (zh) 一种工业设备故障诊断的诊断模型及其构建方法和应用
CN107729926A (zh) 一种基于高维空间变换的数据扩增方法、机器识别系统
CN116402825B (zh) 轴承故障红外诊断方法、系统、电子设备及存储介质
CN113780242A (zh) 一种基于模型迁移学习的跨场景水声目标分类方法
CN114065822B (zh) 海洋潮流涨落的电磁识别方法及系统
CN112580486A (zh) 一种基于雷达微多普勒信号分离的人体行为分类方法
CN106251375A (zh) 一种通用隐写分析的深度学习堆栈式自动编码方法
Li et al. Spatiotemporal remote-sensing image fusion with patch-group compressed sensing
CN113987910A (zh) 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置
CN113435276A (zh) 一种基于对抗残差网络的水声目标识别方法
CN116482618B (zh) 基于多损失特征自校准网络的雷达有源干扰识别方法
Ni et al. High-order generalized orderless pooling networks for synthetic-aperture radar scene classification
Zheng et al. Deep learning for typhoon intensity classification using satellite cloud images
Phillip et al. A machine learning approach to predicting equilibrium ripple wavelength
CN113688655B (zh) 干扰信号的识别方法、装置、计算机设备和存储介质
CN114330450A (zh) 一种多物理场融合探测识别潜航器的方法及系统
Ancona-Navarrete et al. Diagnostics for pairwise extremal dependence in spatial processes
Abraham et al. Image Classification of Natural Disasters Using Different Deep Learning Models
Sun et al. Underwater acoustic intensity field reconstruction by kriged compressive sensing
CN113435487B (zh) 一种面向深度学习的多尺度样本生成方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant