CN114782745A - 一种基于机器学习的海洋声速剖面分类方法及装置 - Google Patents
一种基于机器学习的海洋声速剖面分类方法及装置 Download PDFInfo
- Publication number
- CN114782745A CN114782745A CN202210411167.1A CN202210411167A CN114782745A CN 114782745 A CN114782745 A CN 114782745A CN 202210411167 A CN202210411167 A CN 202210411167A CN 114782745 A CN114782745 A CN 114782745A
- Authority
- CN
- China
- Prior art keywords
- sound velocity
- classification
- matrix
- profile
- sample
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000010801 machine learning Methods 0.000 title claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 59
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000000513 principal component analysis Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种基于机器学习的海洋声速剖面分类方法，包括以下：获取目标分类区域的声速原始数据，对所述声速原始数据进行预处理，将其中的声速数据插值到标准的深度点上，得到待分类样本集合；将所述待分类样本集合转换为声速异常矩阵；对所述声速异常矩阵进行主成分分析得到投影系数集；根据所述投影系数集对目标分类区域进行声速剖面分类。本发明的方法在分类上不需要预设空间网格，而竖直方向上采用标准的深度处理网格，避免分类结果因为人为网格设置产生偏差；以整个剖面扰动的模态的幅度为输入向量，反映整个剖面的扰动特征，且模态的幅度值作为特征量提取比较简单；本发明能够快速有效地实现目标分类区域的海洋声速剖面的分类。
Description
技术领域
本发明涉及海洋测量技术领域，尤其涉及一种基于机器学习的海洋声速剖面分类方法及装置。
背景技术
声速剖面是水体声速在竖直方向上的分布，是影响海洋声传播的重要环境参数，对声速剖面的掌握也直接影响了水下声纳系统应用的效能。由于声速剖面的分布实际是水体状态的特征，在时间和空间上具有连续变化的时空特征，因此是可以根据特征划分成不同类的。通过对声速剖面进行分类，具有很多实际应用价值：根据声速剖面的时空类别特征，更加合理水下定位和通讯设备；在海洋大面积调查时，同一类别区域可以减少测量次数，提高效率；通过同一类别声速剖的分析，可以对区域海洋的地形、环流、海气交换特征等进行分析等等。
由于声速剖面分类的重要价值，声速剖面相关问题受到了国内外学者的广泛关注，声速剖面的分类方法也不断发展。
70年代以前，人们对于声速剖面主要建立其性质的认识，当时的声速分类方法主要是根据声速剖面的构成部分来进行分类。比如，浅海声速剖面的类别指混合层和跃层的组合，深海声速剖面指混合层、跃层、深海正梯度层的组合。这一类的分类比较简单和粗糙，类别的识别也很直观。
进入70年代，美国海军水下中心对西印度洋进行分类，给出了西印度洋深海声速剖面分布特征。80年代，美国海军海洋局以大西洋声速剖面的特征为基础，建立了GDEM(Generalized Digital Environmental Model)模型，作为声速剖面同化等处理的标准。美国水下系统中心则利用南森站的水团特性进行声速剖面划分，建立了Podeszwa声速处理模型。国内尤芳湖对东海声速进行划分，主要依据是梯度的年变化调和分析结果，形成了各类海区的分类结果。这一时期主要的分类都是针对于深海问题，逐步开始引入实测样本进行统计分析，提取简单特征进行简单类化，分类标准和方法仍然依赖于有经验的专业人员进行归纳总结。
进入21世纪，随着实时大批量获取海洋声速剖面的能力越来越强，数据得到了不断的积累；同时，机器学习、神经网络等人工智能方法的提出，使声速剖面分类的精细程度和效率得到了非常大的提高，现代的方法主要面向自动化和智能化的需求。近年来涌现的几种具有代表性的方法包括：
方法一：模糊ISODATA聚类算法
将海区按月和30分的精度划分网格，然后通过归一化处理和Akima差值采样提取声速剖面的梯度样本集，并采用模糊ISODAT A聚类算法基于声速梯度特征进行分类。
贾延峰,笪良龙,谢骏.模糊ISODATA聚类算法在声速剖面自动分类中的应用[J].海洋科学,2009，33(12):103-105.
方法二：基于自组织神经网络的声速剖面分类方法研究
将声速剖面样本分为不同水层，将不同水层内的梯度作为特征量形成输入数组，然后采用自组织竞争型神经网络SOM进行聚类分析。
赵建虎,周丰年,张红梅,等.基于自组织神经网络的声速剖面分类方法研究[J].武汉大学学报:信息科学版,2007,032(002):164-167.
方法三：基于改进变分模态分解的北极海域声速剖面分类
对声速剖面进行经验模态分解，依据最大类间方差原则划分各分量边际谱主频带，进行变分模态分解。以各分量德希尔伯特边际谱特征进行支持向量机分类。
[1]吕玉娇,尹力,刘崇磊,等.基于改进变分模态分解的北极海域声速剖面分类[J].应用声学,40(3):415-421.
当前的技术基本都是基于机器学习的方法，选用的特征量稍有不同，普遍的缺点在于：
(1)分类前需要对空间位置和深度网格进行划分，而对于划分标准常常依据应用场景下人的主观认识。这种提前的空间和深度网格划分没有统一标准，可能导致不同人处理出现不同分类结果。
(2)分类常常重点依赖部分水层的梯度等性质，没有对声速剖面进行整体的处理；分层梯度或者边际谱特征等特征提取需要额外工作量。
(3)采用的人工智能算法较为专业或复杂，需要设置的参数较多，一般工程技术人员如果不涉及这些专业方向很难操作，方法的上手难度大。
发明内容
本发明的目的是为了至少解决现有技术的不足之一，提供一种基于机器学习的海洋声速剖面分类方法及装置。
为了实现上述目的，本发明采用以下的技术方案，
具体的，提出一种基于机器学习的海洋声速剖面分类方法，包括以下：
获取目标分类区域的声速原始数据，对所述声速原始数据进行预处理，将其中的声速数据插值到标准的深度点上，得到待分类样本集合；
将所述待分类样本集合转换为声速异常矩阵；
对所述声速异常矩阵进行主成分分析得到投影系数集；
根据所述投影系数集对目标分类区域进行声速剖面分类。
作为本发明的优选实施方式，具体的，对所述声速原始数据进行预处理，将其中的声速数据插值到标准的深度点上，得到待分类样本集合，包括以下，
确定目标分类区域的剖面的最大分析深度，只考虑实际数据测量深度大于分析最大深度的剖面为有效值，确定最大分析深度的原则是：最大分析深度确定后能够保证分类范围内的剖面数至少是原始数据的百分之八十以上，当最大分析深度超过3000米时，最大分析上限取3000米；
将声速数据插值到标准的深度层，具体通过二次插值法将声速值取到以下采样深度：5,10,15,20,25,30,35,40,45,50,55,60,65,70,75,80,85,90,95,100,125,150,175,200,225,250,275,300,325,350,375,400,425,450,475,500,550,600,650,700,750,800,850,900,950,1000,1050,1100,1150,1200,1250,1300,1350,1400,1450,1500,1550,1600,1650,1700,1750,1800,1850,1900,1950,2000,2100,2200,2300,2400,2500,2600,2700,2800,2900,3000米。
进一步，具体的，将所述待分类样本集合转换为声速异常矩阵包括以下，
将待分类样本集合表示为矩阵C,矩阵为D×S阶矩阵，其中D为深度上得采样点数，S为样本数量，具体的，
采用WOA13的全球温度盐度数据库数据计算背景稳态剖面，选择WOA13温度盐度多年统计平均，空间分辨率1/4度的全年平均温度和盐度剖面，通过Del Grosso声速经验公式换算成背景剖面，将每一个声速样本减去背景剖面值，获得声速异常矩阵E,矩阵仍然为D×S阶矩阵。
进一步，具体的，对所述声速异常矩阵进行主成分分析得到投影系数集包括以下，
提取声速异常矩阵E的协方差矩阵X:
X＝E×ET
其中T为转置算符，
通过以下矩阵计算公式对声速异常矩阵E进行处理，
R×K＝K×λ
通过计算可以求得K是一个特征矩阵，它的每一列代表了声速异常矩阵的一个主成分EOF，而λ则是一个对角矩阵，它对角线上的每一个数字代表了对应列主成分所能表示的扰动总方差，选用5阶的EOF作为描述声速扰动的主成分模态以确定基本扰动模态，
通过以下计算式提取每一阶模态的系数：
其中c代表一条样本，它表示为背景稳态剖面c0和前五阶模态K和对应系数a的叠加，通过回归算法计算到每一个样本的前五阶系数，得到投影系数集A，投影系数集A是一个5×S阶矩阵，其中5为选用的主成分总阶数，S为样本数量。
进一步，具体的，根据所述投影系数集对目标分类区域进行声速剖面分类包括以下，
以投影系数集A为训练集，获取预设的分类数目k,，根据预设的分类数目k将训练集随机生成k个类别，将每个类别的中心视为样本矢量，将每个类别的中心表示为下式：
其中
表示第k个类别的i阶EOF投影系数的均值，n表示样本序号，Nk表示第k个类别的样本总数，
表示第n个样本的第i元素，wkn用来判断样本n是否属于k种类的函数，若属于wkn＝1，否则wkn＝0，基于
可以计算出所有种类的ε值：
其中G是EOF阶数取5，S表示样本总数，当ε值最小的时候，表示不同类的样本距离自身类别的中心的总距离是最短的，即为最优的结果；
输出最优结果得到声速剖面分类。
本发明还提出一种基于机器学习的海洋声速剖面分类装置，包括：
数据获取模块，用于获取目标分类区域的声速原始数据，对所述声速原始数据进行预处理，将其中的声速数据插值到标准的深度点上，得到待分类样本集合；
矩阵转换模块，用于将所述待分类样本集合转换为声速异常矩阵；
投影系数集计算模块，用于对所述声速异常矩阵进行主成分分析得到投影系数集；
声速剖面分类模块，用于根据所述投影系数集对目标分类区域进行声速剖面分类。
本发明还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述一种基于机器学习的海洋声速剖面分类方法的步骤。
本发明的有益效果为：
本发明通过对目标分类区域的水文数据进行处理，进而对目标分类区域的海洋声速剖面进行分类。本发明的方法在分类上不需要预设空间网格，而竖直方向上采用标准的深度处理网格，避免分类结果因为人为网格设置产生偏差；以整个剖面扰动的模态的幅度为输入向量，反映整个剖面的扰动特征，且模态的幅度值作为特征量提取比较简单；本发明能够快速有效地实现目标分类区域的海洋声速剖面的分类。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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，在附图中：
图1所示为本发明一种基于机器学习的海洋声速剖面分类方法的流程图；
图2所示为本发明一种基于机器学习的海洋声速剖面分类方法的应用效果图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
参照图1，实施例1，本发明提出一种基于机器学习的海洋声速剖面分类方法，包括以下：
步骤110、获取目标分类区域的声速原始数据，对所述声速原始数据进行预处理，将其中的声速数据插值到标准的深度点上，得到待分类样本集合；
步骤120、将所述待分类样本集合转换为声速异常矩阵；
步骤130、对所述声速异常矩阵进行主成分分析得到投影系数集；
步骤140、根据所述投影系数集对目标分类区域进行声速剖面分类。
在本实施例1中，通过对目标分类区域的水文数据进行处理，进而对目标分类区域的海洋声速剖面进行分类。本发明的方法在分类上不需要预设空间网格，而竖直方向上采用标准的深度处理网格，避免分类结果因为人为网格设置产生偏差；以整个剖面扰动的模态的幅度为输入向量，反映整个剖面的扰动特征，且模态的幅度值作为特征量提取比较简单；本发明能够快速有效地实现目标分类区域的海洋声速剖面的分类。
作为本发明的优选实施方式，具体的，对所述声速原始数据进行预处理，将其中的声速数据插值到标准的深度点上，得到待分类样本集合，包括以下，
确定目标分类区域的剖面的最大分析深度，只考虑实际数据测量深度大于分析最大深度的剖面为有效值，确定最大分析深度的原则是：最大分析深度确定后能够保证分类范围内的剖面数至少是原始数据的百分之八十以上，当最大分析深度超过3000米时，最大分析上限取3000米；
将声速数据插值到标准的深度层，具体通过二次插值法将声速值取到以下采样深度：5,10,15,20,25,30,35,40,45,50,55,60,65,70,75,80,85,90,95,100,125,150,175,200,225,250,275,300,325,350,375,400,425,450,475,500,550,600,650,700,750,800,850,900,950,1000,1050,1100,1150,1200,1250,1300,1350,1400,1450,1500,1550,1600,1650,1700,1750,1800,1850,1900,1950,2000,2100,2200,2300,2400,2500,2600,2700,2800,2900,3000米。
在本优选实施方式中，由于海洋动力活动的特性，声速剖面总是上层的变化大于下层。本发明采用海洋学标准的深度采样方法，该方法被WOA13(World Ocean Atlas 2013)等数据产品广泛采用，能够较好地通过不同深度采样频率反映水体整体地变化。
作为本发明的优选实施方式，具体的，将所述待分类样本集合转换为声速异常矩阵包括以下，
将待分类样本集合表示为矩阵C,矩阵为D×S阶矩阵，其中D为深度上得采样点数，S为样本数量，具体的，
采用WOA13的全球温度盐度数据库数据计算背景稳态剖面，选择WOA13温度盐度多年统计平均，空间分辨率1/4度的全年平均温度和盐度剖面，通过Del Grosso声速经验公式换算成背景剖面，将每一个声速样本减去背景剖面值，获得声速异常矩阵E,矩阵仍然为D×S阶矩阵。
作为本发明的优选实施方式，采用声速扰动的模态作为分类特征，主要通过正交经验函数的方式提取扰动模态的系数具体的，对所述声速异常矩阵进行主成分分析得到投影系数集包括以下，
提取声速异常矩阵E的协方差矩阵X:
X＝E×ET
其中T为转置算符，
通过以下矩阵计算公式对声速异常矩阵E进行处理，
R×K＝K×λ
通过计算可以求得K是一个特征矩阵，它的每一列代表了声速异常矩阵的一个主成分EOF，而λ则是一个对角矩阵，它对角线上的每一个数字代表了对应列主成分所能表示的扰动总方差，选用5阶的EOF作为描述声速扰动的主成分模态以确定基本扰动模态，
通过以下计算式提取每一阶模态的系数：
其中c代表一条样本，它表示为背景稳态剖面c0和前五阶模态K和对应系数a的叠加，通过回归算法计算到每一个样本的前五阶系数，得到投影系数集A，投影系数集A是一个5×S阶矩阵，其中5为选用的主成分总阶数，S为样本数量。
作为本发明的优选实施方式，具体的，根据所述投影系数集对目标分类区域进行声速剖面分类包括以下，
以投影系数集A为训练集，获取预设的分类数目k,，根据预设的分类数目k将训练集随机生成k个类别，将每个类别的中心视为样本矢量，将每个类别的中心表示为下式：
其中
表示第k个类别的i阶EOF投影系数的均值，n表示样本序号，Nk表示第k个类别的样本总数，
表示第n个样本的第i元素，wkn用来判断样本n是否属于k种类的函数，若属于wkn＝1，否则wkn＝0，基于
可以计算出所有种类的ε值：
其中G是EOF阶数取5，S表示样本总数，当ε值最小的时候，表示不同类的样本距离自身类别的中心的总距离是最短的，即为最优的结果；
输出最优结果得到声速剖面分类。
参照图2，以南海的Argo浮标数据为例，按照本发明的方法进行了分类的测试，设置的类别为5类，可以看到，除去个别随机产生的异常扰动，各个类别的数据基本反映了区域的不同对声速剖面影响的不同。南海海盆、海峡等区域明显被划分成了不同区域，结果较为合理，可以证明方法的有效性。
本发明还提出一种基于机器学习的海洋声速剖面分类装置，包括：
数据获取模块，用于获取目标分类区域的声速原始数据，对所述声速原始数据进行预处理，将其中的声速数据插值到标准的深度点上，得到待分类样本集合；
矩阵转换模块，用于将所述待分类样本集合转换为声速异常矩阵；
投影系数集计算模块，用于对所述声速异常矩阵进行主成分分析得到投影系数集；
声速剖面分类模块，用于根据所述投影系数集对目标分类区域进行声速剖面分类。
本发明还提出一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述一种基于机器学习的海洋声速剖面分类方法的步骤。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例中的方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储的介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包括的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (7)
1.一种基于机器学习的海洋声速剖面分类方法，其特征在于，包括以下：
获取目标分类区域的声速原始数据，对所述声速原始数据进行预处理，将其中的声速数据插值到标准的深度点上，得到待分类样本集合；
将所述待分类样本集合转换为声速异常矩阵；
对所述声速异常矩阵进行主成分分析得到投影系数集；
根据所述投影系数集对目标分类区域进行声速剖面分类。
2.根据权利要求1所述的一种基于机器学习的海洋声速剖面分类方法，其特征在于，具体的，对所述声速原始数据进行预处理，将其中的声速数据插值到标准的深度点上，得到待分类样本集合，包括以下，
确定目标分类区域的剖面的最大分析深度，只考虑实际数据测量深度大于分析最大深度的剖面为有效值，确定最大分析深度的原则是：最大分析深度确定后能够保证分类范围内的剖面数至少是原始数据的百分之八十以上，当最大分析深度超过3000米时，最大分析上限取3000米；
将声速数据插值到标准的深度层，具体通过二次插值法将声速值取到以下采样深度：5,10,15,20,25,30,35,40,45,50,55,60,65,70,75,80,85,90,95,100,125,150,175,200,225,250,275,300,325,350,375,400,425,450,475,500,550,600,650,700,750,800,850,900,950,1000,1050,1100,1150,1200,1250,1300,1350,1400,1450,1500,1550,1600,1650,1700,1750,1800,1850,1900,1950,2000,2100,2200,2300,2400,2500,2600,2700,2800,2900,3000米。
3.根据权利要求2所述的一种基于机器学习的海洋声速剖面分类方法，其特征在于，具体的，将所述待分类样本集合转换为声速异常矩阵包括以下，
将待分类样本集合表示为矩阵C,矩阵为D×S阶矩阵，其中D为深度上得采样点数，S为样本数量，具体的，
采用WOA13的全球温度盐度数据库数据计算背景稳态剖面，选择WOA13温度盐度多年统计平均，空间分辨率1/4度的全年平均温度和盐度剖面，通过Del Grosso声速经验公式换算成背景剖面，将每一个声速样本减去背景剖面值，获得声速异常矩阵E,矩阵仍然为D×S阶矩阵。
4.根据权利要求3所述的一种基于机器学习的海洋声速剖面分类方法，其特征在于，具体的，对所述声速异常矩阵进行主成分分析得到投影系数集包括以下，
提取声速异常矩阵E的协方差矩阵X:
X＝E×ET
其中T为转置算符，
通过以下矩阵计算公式对声速异常矩阵E进行处理，
R×K＝K×λ
通过计算可以求得K是一个特征矩阵，它的每一列代表了声速异常矩阵的一个主成分EOF，而λ则是一个对角矩阵，它对角线上的每一个数字代表了对应列主成分所能表示的扰动总方差，选用5阶的EOF作为描述声速扰动的主成分模态以确定基本扰动模态，
通过以下计算式提取每一阶模态的系数：
其中c代表一条样本，它表示为背景稳态剖面c0和前五阶模态K和对应系数a的叠加，通过回归算法计算到每一个样本的前五阶系数，得到投影系数集A，投影系数集A是一个5×S阶矩阵，其中5为选用的主成分总阶数，S为样本数量。
5.根据权利要求4所述的一种基于机器学习的海洋声速剖面分类方法，其特征在于，具体的，根据所述投影系数集对目标分类区域进行声速剖面分类包括以下，
以投影系数集A为训练集，获取预设的分类数目k,，根据预设的分类数目k将训练集随机生成k个类别，将每个类别的中心视为样本矢量，将每个类别的中心表示为下式：
其中
表示第k个类别的i阶EOF投影系数的均值，n表示样本序号，Nk表示第k个类别的样本总数，
表示第n个样本的第i元素，wkn用来判断样本n是否属于k种类的函数，若属于wkn＝1，否则wkn＝0，基于
可以计算出所有种类的ε值：
其中G是EOF阶数取5，S表示样本总数，当ε值最小的时候，表示不同类的样本距离自身类别的中心的总距离是最短的，即为最优的结果；
输出最优结果得到声速剖面分类。
6.一种基于机器学习的海洋声速剖面分类装置，其特征在于，包括：
数据获取模块，用于获取目标分类区域的声速原始数据，对所述声速原始数据进行预处理，将其中的声速数据插值到标准的深度点上，得到待分类样本集合；
矩阵转换模块，用于将所述待分类样本集合转换为声速异常矩阵；
投影系数集计算模块，用于对所述声速异常矩阵进行主成分分析得到投影系数集；
声速剖面分类模块，用于根据所述投影系数集对目标分类区域进行声速剖面分类。
7.一种计算机可读存储的介质，所述计算机可读存储的介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210411167.1A CN114782745B (zh) | 2022-04-19 | 2022-04-19 | 一种基于机器学习的海洋声速剖面分类方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210411167.1A CN114782745B (zh) | 2022-04-19 | 2022-04-19 | 一种基于机器学习的海洋声速剖面分类方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114782745A true CN114782745A (zh) | 2022-07-22 |
| CN114782745B CN114782745B (zh) | 2024-04-23 |
Family
ID=82431621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210411167.1A Active CN114782745B (zh) | 2022-04-19 | 2022-04-19 | 一种基于机器学习的海洋声速剖面分类方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114782745B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114943189A (zh) * | 2022-07-26 | 2022-08-26 | 广东海洋大学 | 一种基于XGboost的声速剖面反演方法及系统 |
| CN115307714A (zh) * | 2022-10-12 | 2022-11-08 | 中国海洋大学 | 基于跨时空声速剖面聚类的声速分布快速估计方法 |
| CN115952472A (zh) * | 2023-03-09 | 2023-04-11 | 国家海洋局南海标准计量中心 | 一种声速场估算方法、装置及存储介质 |
| CN117151198A (zh) * | 2023-09-06 | 2023-12-01 | 广东海洋大学 | 基于自组织竞争型神经网络的水声被动定位方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120143865A1 (en) * | 2010-12-01 | 2012-06-07 | Dubberley John R | Fuzzy clustering of oceanic profiles |
| CN110146895A (zh) * | 2019-05-16 | 2019-08-20 | 浙江大学 | 基于倒置式多波束回声仪的声速剖面反演方法 |
| CN112348280A (zh) * | 2020-11-23 | 2021-02-09 | 山东科技大学 | 一种利用改进型Argo浮标数据进行EOF分析的方法 |
| CN113051260A (zh) * | 2021-04-27 | 2021-06-29 | 中国人民解放军国防科技大学 | 基于经验正交函数分解的高分辨率声速剖面数据压缩方法 |
-
2022
- 2022-04-19 CN CN202210411167.1A patent/CN114782745B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120143865A1 (en) * | 2010-12-01 | 2012-06-07 | Dubberley John R | Fuzzy clustering of oceanic profiles |
| CN110146895A (zh) * | 2019-05-16 | 2019-08-20 | 浙江大学 | 基于倒置式多波束回声仪的声速剖面反演方法 |
| CN112348280A (zh) * | 2020-11-23 | 2021-02-09 | 山东科技大学 | 一种利用改进型Argo浮标数据进行EOF分析的方法 |
| CN113051260A (zh) * | 2021-04-27 | 2021-06-29 | 中国人民解放军国防科技大学 | 基于经验正交函数分解的高分辨率声速剖面数据压缩方法 |
Non-Patent Citations (1)
| Title |
|---|
| 叶思雨 等: "南海北部内波活动下的声速剖面重构方法研究", 海洋技术学报, no. 02, 15 April 2018 (2018-04-15), pages 33 - 37 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114943189A (zh) * | 2022-07-26 | 2022-08-26 | 广东海洋大学 | 一种基于XGboost的声速剖面反演方法及系统 |
| CN115307714A (zh) * | 2022-10-12 | 2022-11-08 | 中国海洋大学 | 基于跨时空声速剖面聚类的声速分布快速估计方法 |
| CN115307714B (zh) * | 2022-10-12 | 2023-02-03 | 中国海洋大学 | 基于跨时空声速剖面聚类的声速分布快速估计方法 |
| CN115952472A (zh) * | 2023-03-09 | 2023-04-11 | 国家海洋局南海标准计量中心 | 一种声速场估算方法、装置及存储介质 |
| CN117151198A (zh) * | 2023-09-06 | 2023-12-01 | 广东海洋大学 | 基于自组织竞争型神经网络的水声被动定位方法及装置 |
| CN117151198B (zh) * | 2023-09-06 | 2024-04-09 | 广东海洋大学 | 基于自组织竞争型神经网络的水声被动定位方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114782745B (zh) | 2024-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114782745A (zh) | 一种基于机器学习的海洋声速剖面分类方法及装置 | |
| CN111242206B (zh) | 一种基于层次聚类和随机森林的高分辨率海洋水温计算方法 | |
| CN101813568B (zh) | 一种确定空化初生的判定方法 | |
| CN109556863B (zh) | 一种基于mspao-vmd的大型转盘轴承微弱振动信号采集与处理方法 | |
| CN111695452B (zh) | 基于rbf神经网络的并联电抗器内部老化程度评估方法 | |
| Euán et al. | The hierarchical spectral merger algorithm: A new time series clustering procedure | |
| CN114626413A (zh) | 一种基于随机子空间算法的结构模态参数识别方法及装置 | |
| CN113486574A (zh) | 基于历史数据以及机器学习的声速剖面补全方法及装置 | |
| CN114781576B (zh) | 一种基于随机森林算法的声速剖面估计方法及装置 | |
| CN104143031B (zh) | 一种基于小波多尺度分解的植被指数时序数据重构方法 | |
| CN115114841A (zh) | 基于U-net框架的边缘海高时空分辨率次表层温度场重构方法 | |
| CN114492540A (zh) | 目标检测模型的训练方法、装置、计算机设备及存储介质 | |
| CN112836393B (zh) | 一种基于多尺度熵分析储层非均质性的方法 | |
| CN110455399B (zh) | 用分布式光纤对建筑结构振动进行全局预警的方法 | |
| CN109522657B (zh) | 一种基于相关性网络和svdd的燃气轮机异常检测方法 | |
| CN114614922B (zh) | 基于频域的民航甚高频通信中的频谱数据清洗方法 | |
| CN114065822B (zh) | 海洋潮流涨落的电磁识别方法及系统 | |
| CN114638265A (zh) | 一种基于信号卷积神经网络的铣削颤振判别方法 | |
| CN113219333B (zh) | 一种电机故障诊断时的频谱参数处理方法 | |
| CN112782690B (zh) | 星载雷达高度计的近岸非海洋波形检测分类方法及系统 | |
| CN114090949A (zh) | 一种鲁棒的振动信号特征值计算方法 | |
| Chen et al. | Real-time detection and classification for targeted marine mammals | |
| Madanayake et al. | Profiling the natural environment using acoustics: long-term environment monitoring through cluster structure | |
| CN117894319B (zh) | 基于机器学习数据生成的小样本声纹识别模型训练方法 | |
| CN114595718B (zh) | 一种自适应波浪谱形参数化方法 |
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 |