CN115307714B - 基于跨时空声速剖面聚类的声速分布快速估计方法 - Google Patents

基于跨时空声速剖面聚类的声速分布快速估计方法 Download PDF

Info

Publication number
CN115307714B
CN115307714B CN202211243606.9A CN202211243606A CN115307714B CN 115307714 B CN115307714 B CN 115307714B CN 202211243606 A CN202211243606 A CN 202211243606A CN 115307714 B CN115307714 B CN 115307714B
Authority
CN
China
Prior art keywords
sound velocity
velocity profile
clustering
surface layer
time
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
CN202211243606.9A
Other languages
English (en)
Other versions
CN115307714A (zh
Inventor
黄威
李德识
徐天河
高凡
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 CN202211243606.9A priority Critical patent/CN115307714B/zh
Publication of CN115307714A publication Critical patent/CN115307714A/zh
Application granted granted Critical
Publication of CN115307714B publication Critical patent/CN115307714B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H5/00—Measuring propagation velocity of ultrasonic, sonic or infrasonic waves, e.g. of pressure waves

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种基于跨时空声速剖面聚类的声速分布快速估计方法，属于海洋参数估计技术领域。本发明首先判定声速分布估计区域的类型：根据目标区域所处纬度，分为存在表面层区域和无表面层区域；对含表面层区域进行历史声速剖面数据样本聚类；对无表面层区域进行历史声速剖面数据样本聚类；对目标区域声速剖面所属类型进行时空映射，判断目标区域声速剖面所属类型，获得目标区域声速剖面所属类型估计输出；最后得到目标区域声速剖面分布估计。本发明解决了水下声速剖面分布的快速估计问题，缩短了目标区域水下声速分布估计时间开销，提高了水下声速分布估计实时性，以便水下定位导航授时系统提高水下测距、定位、导航与授时精度。

Description

基于跨时空声速剖面聚类的声速分布快速估计方法
技术领域
本发明属于海洋参数估计技术领域，具体地说，尤其涉及一种基于跨时空声速剖面聚类的声速分布快速估计方法。
背景技术
现有的水下声速剖面分布估计方法，通常利用现场实测声场、温度场、盐度场数据作为输入参考信息估计区域声速剖面分布情况，可以获得目标区域较为精确的声速剖面分布估计，但是由于需要进行现场数据测量工作，因此仍不能实时给出目标区域声速估计结果。
Tolstoy等提出一种基于匹配场处理的声速剖面反演方法，该方法结合射线追踪理论与正交经验函数分解，通过匹配场处理技术，搜索候选声速剖面，使其模拟的理论信号传播时间与实测值误差最小，从而确定声速剖面估计值，能够较为精确的拟合实际声速剖面，但该方法匹配项确定过程复杂度较高，反演算法时间效率低。艾锐峰等提出一种基于神经网络的声速剖面反演方法，将正交经验函数分解系数、海表温度等特征作为神经网络的输入，对海区垂直声速剖面进行反演，与基于匹配场处理的声速剖面反演方法相比，在保持同等精度量级的情况下能够有效减小声速反演估计的计算时间开销。李博等提出了一种联合卷积循环神经网络和历史海区垂直温、盐数据预测未来海区温、盐数据的方法，该方法结合了历史海域的温、盐数据对目标区域温、盐数据进行了预测，再利用声速经验公式将温、盐、深数据转化为声速剖面，该方法同样具有算法时间开销小的优势，但对数据源种类要求较高。Huang等提出一种综合优化的自适应神经网络声速剖面反演方法，将时间、地点、深度信息作为神经网络输入反演声速剖面，相比于基础神经网络进行声速反演的方法，其反演的声速剖面精度更高。
总体来说，上述声速剖面反演方法均在声速反演时利用现场实测声场、温度场、盐度场数据作为输入参考信息估计区域声速剖面分布情况，可以获得目标区域较为精确的声速剖面分布估计，但是由于需要进行现场数据测量工作，因此仍不能实时给出目标区域声速估计结果。
发明内容
本发明的目的在于提供一种基于跨时空声速剖面聚类的声速分布快速估计方法，以弥补现有技术的不足。
为达到上述的目的，本发明采取的具体技术方案为：
一种基于跨时空声速剖面聚类的声速分布快速估计方法，包括以下步骤：
S1：首先判定声速分布估计区域的类型：根据目标区域所处纬度，分为存在表面层区域和无表面层区域；
S2：对含表面层区域进行历史声速剖面数据样本聚类，得到存在表面层区域声速剖面聚类集合；
S3：对无表面层区域进行历史声速剖面数据样本聚类，得到无表面层区域声速剖面聚类集合；
S4: 对目标区域声速剖面所属类型进行时空映射，采用K邻近算法判断目标区域声速剖面所属类型，获得目标区域声速剖面所属类型估计输出；
S5：目标区域声速剖面分布估计：以目标区域声速剖面所属类型估计输出中声速剖面样本平均值作为目标区域声速剖面分布估计
Figure 922985DEST_PATH_IMAGE001
。
进一步的，所述S1具体为：
S1-1：根据目标区域所处纬度L，将任务分为存在表面层区域，即其纬度范围为赤道0°到北纬50°或南纬50°之间，即
Figure 964759DEST_PATH_IMAGE002
或
Figure 370595DEST_PATH_IMAGE003
；若目标区域为存在表面层区域，按照纬度确定表面层与主跃层分层深度Ds：
Figure 156018DEST_PATH_IMAGE004
(1)；
若无表面层区域，即其纬度大于北纬或南纬50°，即
Figure 796821DEST_PATH_IMAGE005
或
Figure 540655DEST_PATH_IMAGE006
，其中N表示北纬，S表示南纬。
进一步的，所述S2具体为：历史声速剖面数据样本来源于赤道0°到北纬50°或南纬50°之间，所述历史声速剖面数据样本总数为I，集合表示为
Figure 637049DEST_PATH_IMAGE007
，其中第i个声速剖面样本为
Figure 757321DEST_PATH_IMAGE008
，d为深度，单位为米；表面层负梯度参考声速剖面为
Figure 49369DEST_PATH_IMAGE009
；
S2-1：初始化
初始化表面层负梯度声速剖面集合
Figure 167366DEST_PATH_IMAGE010
，表面层正梯度声速剖面集合
Figure 751056DEST_PATH_IMAGE011
，声速剖面样本的欧式距离矩阵
Figure 409440DEST_PATH_IMAGE012
，候选声速剖面聚类中心集合
Figure 24836DEST_PATH_IMAGE013
，邻居声速剖面集合
Figure 313734DEST_PATH_IMAGE014
，声速剖面聚类集合
Figure 447038DEST_PATH_IMAGE015
；
S2-2：相关性检验分类
对
Figure 797860DEST_PATH_IMAGE016
中的声速剖面数据样本
Figure 565965DEST_PATH_IMAGE017
进行表面层深度区间部分截取，表示为
Figure 573235DEST_PATH_IMAGE018
，计算其与参考声速剖面样本
Figure 380785DEST_PATH_IMAGE019
之间的相关系数
Figure 371785DEST_PATH_IMAGE020
：
Figure 994397DEST_PATH_IMAGE021
(2)
其中
Figure 126563DEST_PATH_IMAGE022
为参考声速剖面表面层平均声速值，
Figure 201835DEST_PATH_IMAGE023
是经验声速剖面表面层平均声速值；如果
Figure 707510DEST_PATH_IMAGE024
，则将声速剖面数据样本
Figure 184627DEST_PATH_IMAGE017
加入到表面层负梯度声速剖面集合
Figure 753274DEST_PATH_IMAGE025
，否则将声速剖面数据样本
Figure 581422DEST_PATH_IMAGE017
加入到表面层正梯度声速剖面集合
Figure 828470DEST_PATH_IMAGE026
；
S2-3：局部密度聚类
分别对表面层负梯度声速剖面集合
Figure 425673DEST_PATH_IMAGE027
，和表面层正梯度声速剖面集合
Figure 165222DEST_PATH_IMAGE028
，进行局部密度聚类；
令候选声速剖面聚类中心集合
Figure 215086DEST_PATH_IMAGE029
，并在此集合标记声速剖面样本为
Figure 62563DEST_PATH_IMAGE030
，计算声速剖面样本
Figure 45431DEST_PATH_IMAGE031
与声速剖面样本
Figure 159143DEST_PATH_IMAGE032
之间的欧式距离：
Figure 961883DEST_PATH_IMAGE033
(3)
将欧式距离计算结果存入声速剖面样本的欧式距离矩阵
Figure 347471DEST_PATH_IMAGE034
；
如果
Figure 653688DEST_PATH_IMAGE035
，循环执行：随机选择声速剖面样本
Figure 735039DEST_PATH_IMAGE036
，重置
Figure 759495DEST_PATH_IMAGE037
；遍历每一个声速剖面样本
Figure 683196DEST_PATH_IMAGE038
，查询
Figure 375077DEST_PATH_IMAGE039
中
Figure 565012DEST_PATH_IMAGE040
与
Figure 76765DEST_PATH_IMAGE041
的欧氏距离
Figure 804156DEST_PATH_IMAGE042
，如果欧式距离
Figure 819385DEST_PATH_IMAGE042
小于预设欧氏距离密度阈值
Figure 976960DEST_PATH_IMAGE043
，即
Figure 710429DEST_PATH_IMAGE044
，则将声速剖面样本
Figure 772670DEST_PATH_IMAGE041
加入到邻居声速剖面集合
Figure 907985DEST_PATH_IMAGE045
，如果遍历每一个声速剖面样本
Figure 502040DEST_PATH_IMAGE041
后
Figure 697308DEST_PATH_IMAGE045
元素个数
Figure 81016DEST_PATH_IMAGE046
大于等于预设邻居数量阈值
Figure 70837DEST_PATH_IMAGE047
，即
Figure 22744DEST_PATH_IMAGE048
，则在声速剖面聚类集合
Figure 901445DEST_PATH_IMAGE049
中创建新聚类集合元素
Figure 760948DEST_PATH_IMAGE050
，同时在
Figure 74117DEST_PATH_IMAGE051
中剔除
Figure 741466DEST_PATH_IMAGE052
中的共有元素，否则从
Figure 936824DEST_PATH_IMAGE051
中剔除
Figure 819591DEST_PATH_IMAGE040
；
令候选声速剖面聚类中心集合
Figure 784005DEST_PATH_IMAGE053
，将a替换为b，-替换为+，聚类集合
Figure 887834DEST_PATH_IMAGE054
替换为
Figure 304909DEST_PATH_IMAGE055
，重复执行S2过程S2-3，得到存在表面层区域声速剖面聚类集合
Figure 788105DEST_PATH_IMAGE056
。
进一步的，所述S3具体为：历史声速剖面数据样本来源于北纬50°到北极或南纬50°到南极之间；历史声速剖面数据样本总数为J，集合表示为
Figure 607025DEST_PATH_IMAGE057
其中第j个声速剖面样本为
Figure 881755DEST_PATH_IMAGE058
，d为深度，单位为米；
S3-1：初始化
初始化声速剖面样本的欧式距离矩阵
Figure 317285DEST_PATH_IMAGE059
，候选声速剖面聚类中心集合
Figure 338593DEST_PATH_IMAGE060
，邻居声速剖面集合
Figure 12020DEST_PATH_IMAGE061
，声速剖面聚类集合
Figure 723230DEST_PATH_IMAGE062
；
S3-2：局部密度聚类
令候选声速剖面聚类中心集合
Figure 68892DEST_PATH_IMAGE063
，并在此集合标记声速剖面样本为
Figure 392426DEST_PATH_IMAGE064
，计算声速剖面样本
Figure 684474DEST_PATH_IMAGE065
与声速剖面样本
Figure 68051DEST_PATH_IMAGE066
之间的欧式距离：
Figure 651741DEST_PATH_IMAGE067
(4)
将欧式距离计算结果存入声速剖面样本的欧式距离矩阵
Figure 778966DEST_PATH_IMAGE059
；
如果
Figure 925520DEST_PATH_IMAGE068
，循环执行：随机选择声速剖面样本
Figure 948840DEST_PATH_IMAGE069
，重置
Figure 285405DEST_PATH_IMAGE070
；遍历每一个声速剖面样本
Figure 419583DEST_PATH_IMAGE071
，查询
Figure 522161DEST_PATH_IMAGE059
中
Figure 981961DEST_PATH_IMAGE072
与
Figure 336981DEST_PATH_IMAGE073
的欧氏距离
Figure 540429DEST_PATH_IMAGE074
，如果欧式距离
Figure 661576DEST_PATH_IMAGE074
小于预设欧氏距离密度阈值
Figure 557856DEST_PATH_IMAGE075
，即
Figure 852703DEST_PATH_IMAGE076
，则将声速剖面样本
Figure 623956DEST_PATH_IMAGE073
加入到邻居声速剖面集合
Figure 101074DEST_PATH_IMAGE077
，如果遍历每一个声速剖面样本
Figure 607404DEST_PATH_IMAGE073
后
Figure 169972DEST_PATH_IMAGE077
元素个数
Figure 213758DEST_PATH_IMAGE078
大于等于预设邻居数量阈值
Figure 810962DEST_PATH_IMAGE079
，即
Figure 284931DEST_PATH_IMAGE080
，则在声速剖面聚类集合
Figure 20281DEST_PATH_IMAGE081
中创建新聚类集合元素
Figure 41327DEST_PATH_IMAGE082
，同时在
Figure 463343DEST_PATH_IMAGE083
中剔除
Figure 137907DEST_PATH_IMAGE084
中的共有元素，否则从
Figure 891712DEST_PATH_IMAGE083
中剔除
Figure 280230DEST_PATH_IMAGE085
；获得无表面层区域声速剖面聚类集合
Figure 586446DEST_PATH_IMAGE086
。
进一步的，所述S4具体为：根据目标任务纬度值L所在区间，声速分布估计目标区域的时空信息
Figure 868130DEST_PATH_IMAGE087
，其中时间信息
Figure 892586DEST_PATH_IMAGE088
均以“天”为单位，编码由每年1月1日开始为“1”，每日递增1个单位，12月31日为“365”，闰年2月29日与28日编码相同，为“59”；空间信息
Figure 84795DEST_PATH_IMAGE089
以经纬度进行度量，单位为度；
如果目标区域为含表面层区域，历史声速剖面数据
Figure 245518DEST_PATH_IMAGE090
，存在表面层区域声速剖面聚类集合
Figure 494841DEST_PATH_IMAGE091
，历史声速剖面数据样本采样时空信息
Figure 6594DEST_PATH_IMAGE092
；如果目标区域为无表面层区域，历史声速剖面数据
Figure 533652DEST_PATH_IMAGE093
，无表面层区域声速剖面聚类集合
Figure 17723DEST_PATH_IMAGE094
，历史声速剖面数据样本采样时空信息
Figure 258122DEST_PATH_IMAGE095
。
以K邻近算法判断目标区域声速剖面所属类型。
S4-1：存在表面层目标区域声速剖面所属类型归类：
(1)时空信息距离计算
计算声速分布估计目标区域与历史声速剖面样本采样时空信息距离：
Figure 991592DEST_PATH_IMAGE096
(5)
其中
Figure 791183DEST_PATH_IMAGE097
是时间距离，
Figure 926498DEST_PATH_IMAGE098
是空间距离，
Figure 720885DEST_PATH_IMAGE099
为权重参数平衡时空信息占比。时间距离计算依据：
Figure 738388DEST_PATH_IMAGE100
(6)
空间距离计算依据：
Figure 810512DEST_PATH_IMAGE101
(7)
其中当坐标位于北半球时，
Figure 65913DEST_PATH_IMAGE102
，位于南半球时，
Figure 827939DEST_PATH_IMAGE103
，经度编码方式定义为：
Figure 536001DEST_PATH_IMAGE104
(8)
其中
Figure 146236DEST_PATH_IMAGE105
是坐标点编码前的原始经度；
(2)所属类型映射
对时空信息距离由小到大排序；选择K个与声速分布估计目标区域具有最短时空距离的历史声速剖面数据样本，根据此K个历史声速剖面数据样本中多数声速剖面样本所属的声速剖面类别作为目标区域声速剖面所属类型估计输出，记作
Figure 521722DEST_PATH_IMAGE106
。
S4-2：无表面层目标区域声速剖面所属类型归类：
(1)时空信息距离计算
计算声速分布估计目标区域与历史声速剖面样本采样时空信息距离：
Figure 189071DEST_PATH_IMAGE107
(9)
其中
Figure 384429DEST_PATH_IMAGE108
是时间距离，
Figure 798355DEST_PATH_IMAGE109
是空间距离，
Figure 966031DEST_PATH_IMAGE110
为权重参数平衡时空信息占比。时间距离计算依据：
Figure 69860DEST_PATH_IMAGE111
(10)
空间距离计算依据：
Figure 283672DEST_PATH_IMAGE112
(11)
其中当坐标位于北半球时，
Figure 766869DEST_PATH_IMAGE113
，位于南半球时，
Figure 585789DEST_PATH_IMAGE114
，经度编码方式定义为：
Figure 860519DEST_PATH_IMAGE115
(12)
其中
Figure 30469DEST_PATH_IMAGE116
是坐标点编码前的原始经度；
(2)所属类型映射
对时空信息距离由小到大排序；选择
Figure 51777DEST_PATH_IMAGE117
个与声速分布估计目标区域具有最短时空距离的历史声速剖面数据样本，根据此
Figure 725204DEST_PATH_IMAGE117
个历史声速剖面数据样本中多数声速剖面样本所属的声速剖面类别作为目标区域声速剖面所属类型估计输出，记作
Figure 905256DEST_PATH_IMAGE118
。
与现有技术相比，本发明的优点和有益效果是：
本发明解决了水下声速剖面分布的快速估计问题，缩短了目标区域水下声速分布估计时间开销，提高了水下声速分布估计实时性，以便水下定位导航授时系统提高水下测距、定位、导航与授时精度。
本发明提出的方法可以在无现场实测数据的情况下，仅利用声速估计任务的地点与时间信息（时空信息），完成对目标区域的声速剖面分布快速估计，尤其对于历史参考样本稀少的时空区间，通过跨时空声速剖面聚类，可利用其他时空区间中具有相似声速剖面分布特征的样本作为参考，完成对目标区域的声速剖面分布的快速估计。
本发明提出的方法相较于传统声速剖面反演方法，操作简便，大大减小了目标区域声速分布的时间开销。且随着水下声速场构建技术的发展，本发明能够广泛应用到水下通信、定位、导航、探测等以声波作为信号载体的应用系统中。
附图说明
图1是基于跨时空声速剖面聚类的声速分布快速估计方法示意图。
图2是含表面层地区历史声速剖面数据样本聚类示意图。
图3是无表面层地区历史声速剖面数据样本聚类示意图。
图4是2016年6月30日，西经141.711°，北纬30.996°采集的声速剖面样本分别根据时间参数聚类（30日范围）、距离参数聚类（10经、纬度范围）、基于跨时空声速剖面聚类（局部密度聚类）后的所属聚类样本分布示意图。
图5是根据时空信息对声速估计任务当前时空区域所属声速剖面类型进行映射的准确度结果图。
图6是在不同聚类准则和声速剖面估计任务当前时空区间所属类型映射准则情况下，以聚类平均声速剖面作为声速估计任务的声速分布估计结果，得到的平均声速分布估计误差以及方差区间分布图。
具体实施方式
下面结合实施例及附图对本发明所述的技术方案作进一步地描述说明。
实施例1
该实施例是一种基于跨时空声速剖面聚类的声速分布快速估计方法，声速分布估计区域为北纬36.99°，西经123.29°，声速分布估计时间为2022年7月20日，具体实施如下：
步骤1：声速分布估计区域类型判定
根据目标区域所处纬度
Figure 296923DEST_PATH_IMAGE119
，属于存在表面层区域，按照（1）式确定表面层与主跃层分层深度
Figure 590764DEST_PATH_IMAGE120
。
步骤2：含表面层区域声速分布聚类
按照图2所示进行历史声速剖面数据样本聚类，历史声速剖面数据样本来源于赤道0°到北纬50°之间。历史声速剖面数据样本总数为I，集合表示为
Figure 181014DEST_PATH_IMAGE121
,其中第i个声速剖面样本为
Figure 266388DEST_PATH_IMAGE122
, d为深度，单位为米；表面层负梯度参考声速剖面为
Figure 879772DEST_PATH_IMAGE123
。
(1)初始化
初始化表面层负梯度声速剖面集合
Figure 508462DEST_PATH_IMAGE124
，表面层正梯度声速剖面集合
Figure 156481DEST_PATH_IMAGE125
，声速剖面样本的欧式距离矩阵
Figure 232931DEST_PATH_IMAGE126
，候选声速剖面聚类中心集合
Figure 599191DEST_PATH_IMAGE127
，邻居声速剖面集合
Figure 765992DEST_PATH_IMAGE128
，声速剖面聚类集合
Figure 268518DEST_PATH_IMAGE129
。
(2)相关性检验分类
对
Figure 226853DEST_PATH_IMAGE130
中的声速剖面数据样本
Figure 283671DEST_PATH_IMAGE131
进行表面层深度区间部分截取，表示为
Figure 254163DEST_PATH_IMAGE132
，依据（2）式计算其与参考声速剖面样本
Figure 142353DEST_PATH_IMAGE133
之间的相关系数
Figure 724120DEST_PATH_IMAGE134
。如果
Figure 832016DEST_PATH_IMAGE135
，则将声速剖面数据样本
Figure 839155DEST_PATH_IMAGE131
加入到表面层负梯度声速剖面集合
Figure 814808DEST_PATH_IMAGE136
，否则将声速剖面数据样本
Figure 350831DEST_PATH_IMAGE131
加入到表面层正梯度声速剖面集合
Figure 414864DEST_PATH_IMAGE137
。
(3)局部密度聚类
分别对表面层负梯度声速剖面集合
Figure 225694DEST_PATH_IMAGE138
，和表面层正梯度声速剖面集合
Figure 321433DEST_PATH_IMAGE139
，进行局部密度聚类。
令候选声速剖面聚类中心集合
Figure 293937DEST_PATH_IMAGE140
，并在此集合标记声速剖面样本为
Figure 110846DEST_PATH_IMAGE141
Figure 459787DEST_PATH_IMAGE142
按照（3）式计算声速剖面样本
Figure 613295DEST_PATH_IMAGE143
与声速剖面样本
Figure 819017DEST_PATH_IMAGE144
之间的欧式距离，将欧式距离计算结果存入声速剖面样本的欧式距离矩阵
Figure 592063DEST_PATH_IMAGE126
。
如果
Figure 744696DEST_PATH_IMAGE145
，循环执行：随机选择声速剖面样本
Figure 18289DEST_PATH_IMAGE146
，重置
Figure 801437DEST_PATH_IMAGE147
；遍历每一个声速剖面样本
Figure 124096DEST_PATH_IMAGE148
，查询
Figure 814841DEST_PATH_IMAGE126
中
Figure 474099DEST_PATH_IMAGE149
与
Figure 428148DEST_PATH_IMAGE150
的欧氏距离
Figure 175787DEST_PATH_IMAGE151
，如果欧式距离
Figure 670222DEST_PATH_IMAGE151
小于预设欧氏距离密度阈值
Figure 473003DEST_PATH_IMAGE152
，即
Figure 394692DEST_PATH_IMAGE153
，则将声速剖面样本
Figure 895206DEST_PATH_IMAGE150
加入到邻居声速剖面集合
Figure 927752DEST_PATH_IMAGE154
，如果遍历每一个声速剖面样本
Figure 561603DEST_PATH_IMAGE150
后
Figure 654193DEST_PATH_IMAGE154
元素个数
Figure 376423DEST_PATH_IMAGE155
大于等于预设邻居数量阈值
Figure 212661DEST_PATH_IMAGE156
，即
Figure 966597DEST_PATH_IMAGE157
，则在声速剖面聚类集合
Figure 433350DEST_PATH_IMAGE158
中创建新聚类集合元素
Figure 642877DEST_PATH_IMAGE159
，同时在
Figure 499450DEST_PATH_IMAGE160
中剔除
Figure 609358DEST_PATH_IMAGE161
中的共有元素，否则从
Figure 545215DEST_PATH_IMAGE160
中剔除
Figure 147097DEST_PATH_IMAGE162
。
令候选声速剖面聚类中心集合
Figure 823673DEST_PATH_IMAGE163
，将a替换为b，-替换为+，聚类集合
Figure 788087DEST_PATH_IMAGE161
替换为
Figure 363687DEST_PATH_IMAGE164
，重复执行步骤2过程(3)，得到存在表面层区域声速剖面聚类集合
Figure 311920DEST_PATH_IMAGE165
，转入执行步骤4。
步骤3：无表面层区域声速分布聚类
声速分布估计目标区域不属于无表面层区域，直接跳过步骤3，执行步骤4。
步骤4：目标区域声速剖面所属类型时空映射
声速分布估计目标区域的编码时空信息
Figure 979137DEST_PATH_IMAGE166
。目标区域为含表面层区域，历史声速剖面数据
Figure 830681DEST_PATH_IMAGE167
，存在表面层区域声速剖面聚类集合
Figure 810138DEST_PATH_IMAGE168
，历史声速剖面数据样本采样时空信息
Figure 681886DEST_PATH_IMAGE169
。
以K=7时的邻近算法判断目标区域声速剖面所属类型，K=7。
(1)时空信息距离计算
根据（5）式并以
Figure 201729DEST_PATH_IMAGE170
为权重参数平衡时空信息占比计算声速分布估计目标区域与历史声速剖面样本采样时空信息距离。根据（6）式计算时间距离，根据（7）式计算空间距离。
(2)所属类型映射
对时空信息距离由小到大排序；选择7个与声速分布估计目标区域具有最短时空距离的历史声速剖面数据样本，根据此7个历史声速剖面数据样本中存在4个声速剖面样本所属的声速剖面类别为
Figure 907779DEST_PATH_IMAGE171
，以此作为目标区域声速剖面所属类型估计输出，记作
Figure 854875DEST_PATH_IMAGE172
。
步骤5：目标区域声速剖面分布估计
以目标区域声速剖面所属类型估计输出
Figure 745078DEST_PATH_IMAGE173
中声速剖面样本平均值作为目标区域声速剖面分布估计
Figure 68612DEST_PATH_IMAGE174
。
结果分析：
1、图4中，（a）为基于跨时空声速剖面聚类（局部密度聚类）后的聚类样本分布示意图、（b）为声速剖面样本
Figure 566851DEST_PATH_IMAGE175
分别根据时间参数聚类（30日范围）的聚类样本分布示意图、（c）为距离参数聚类（10经、纬度范围）的聚类样本分布示意图。图4 (b)结果可以看出，单纯采用时间参数聚类（30日范围），声速剖面分布类型包含多类，没有实现同类型声速剖面聚类；图4(c)结果中，单纯采用距离参数聚类（10经、纬度范围），声速剖面大致具有相似分布规律，曲线形状近似，但相比于图4 (a)跨时空声速剖面聚类（局部密度聚类）结果，图4 (c)结果在临近海面处与200米深度处表现出明显的声速值分布更分散，区间更宽；图4 (a)基于跨时空声速剖面聚类（局部密度聚类）结果在聚类类型内声速剖面声速值在各深度层分布，相比单纯采用时间参数聚类（30日范围）、单纯采用距离参数聚类（10经、纬度范围）表现出更集中的特点，具有更好的聚类相似性，表示聚类平均声速剖面与聚类中每一个声速剖面样本的平均差异越小，如果判断声速估计任务时空区声速分布属于该分布类型，则以聚类平均声速剖面分布作为声速估计任务时空区的声速剖面分布结果，将具有更好的估计精度。
2、图5给出了在欧氏距离密度阈值
Figure 684849DEST_PATH_IMAGE176
，邻居数量阈值
Figure 85785DEST_PATH_IMAGE177
和欧氏距离密度阈值
Figure 9747DEST_PATH_IMAGE178
，邻居数量阈值
Figure 159231DEST_PATH_IMAGE179
，以及不同
Figure 651392DEST_PATH_IMAGE180
取值时，根据时空信息对声速估计任务当前时空区域所属声速剖面类型进行映射的准确度。两组曲线中均在
Figure 781766DEST_PATH_IMAGE181
时达到准确度最大值，表明了在当前时间、空间参数单位量纲情况下，利用时间、空间信息对声速估计任务当前时空区域所属声速剖面类型映射的最佳平衡比例；同时也表明空间信息不同对于声速估计任务当前时空区域所属声速剖面类型的决定性占比更高。
3、图6给出了300组声速剖面测试数据作为声速估计任务，在不同聚类准则和声速剖面估计任务当前时空区间所属类型映射准则情况下，以聚类平均声速剖面作为声速估计任务的声速分布估计结果，得到的平均声速分布估计误差以及方差区间分布。其中，1为负梯度声速剖面测试数据，跨时空声速剖面聚类（局部密度聚类），基于时空信息声速估计任务所属类型影射；2为为负梯度声速剖面测试数据，距离参数聚类（10经、纬度范围），基于时空信息声速估计任务所属类型影射；3为为负梯度声速剖面测试数据，时间参数聚类（30日范围），基于时空信息声速估计任务所属类型影射；4为为负梯度声速剖面测试数据，跨时空声速剖面聚类（局部密度聚类），基于时空信息声速估计任务所属类型影射；5为负梯度声速剖面测试数据，距离参数聚类（10经、纬度范围），基于时空信息声速估计任务所属类型影射；6为为负梯度声速剖面测试数据，时间参数聚类（30日范围），基于时空信息声速估计任务所属类型影射；图6结果表明，不论是负梯度声速剖面测试数据还是正梯度声速剖面测试数据，跨时空声速剖面聚类（局部密度聚类）结合基于时空信息的声速估计任务所属类型映射，相比于单纯依据距离参数聚类与声速估计任务所属类型映射或者单纯依据时间参数聚类与声速估计任务所属类型映射，能够更准确地对声速估计任务的声速分布情况进行预测，误差的平均值更低，误差的方差波动范围更小。
通过上述实施例可以看出，本发明利用与声速估计任务所在时空区间此区间具有相同声速分布特征的其他时空区间的历史声速剖面数据为参考，以平均声速剖面分布情况对目标区域声速分布进行估计。本发明提出的方法可以在无现场实测数据的情况下，仅利用声速估计任务的地点与时间信息（时空信息），完成对目标区域的声速剖面分布快速估计，尤其对于历史参考样本稀少的时空区间，通过跨时空声速剖面聚类，可利用其他时空区间中具有相似声速剖面分布特征的样本作为参考，最终完成对目标区域的声速剖面分布的快速估计。
在上述实施例的基础上，本发明继续对其中涉及到的技术特征及该技术特征在本发明中所起到的功能、作用进行详细的描述，以帮助本领域的技术人员充分理解本发明的技术方案并且予以重现。
最后，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (4)

1.一种基于跨时空声速剖面聚类的声速分布快速估计方法，其特征在于，包括以下步骤：
S1：首先判定声速分布估计区域的类型：根据目标区域所处纬度，分为存在表面层区域和无表面层区域；
S2：对含表面层区域进行历史声速剖面数据样本聚类，得到存在表面层区域声速剖面聚类集合；
S3：对无表面层区域进行历史声速剖面数据样本聚类，得到无表面层区域声速剖面聚类集合；
S4: 对目标区域声速剖面所属类型进行时空映射，采用K邻近算法判断目标区域声速剖面所属类型，获得目标区域声速剖面所属类型估计输出；所述S4具体为：根据目标任务纬度值L所在区间，声速分布估计目标区域的时空信息
Figure 301395DEST_PATH_IMAGE001
，其中时间信息
Figure 287936DEST_PATH_IMAGE002
均以“天”为单位，编码由每年1月1日开始为“1”，每日递增1个单位，12月31日为“365”，闰年2月29日与28日编码相同，为“59”；空间信息
Figure 141360DEST_PATH_IMAGE003
以经纬度进行度量，单位为度；
如果目标区域为含表面层区域，历史声速剖面数据
Figure 171633DEST_PATH_IMAGE004
，存在表面层区域声速剖面聚类集合
Figure 346394DEST_PATH_IMAGE005
，历史声速剖面数据样本采样时空信息
Figure 120315DEST_PATH_IMAGE006
；如果目标区域为无表面层区域，历史声速剖面数据
Figure 831175DEST_PATH_IMAGE007
，无表面层区域声速剖面聚类集合
Figure 48661DEST_PATH_IMAGE008
，历史声速剖面数据样本采样时空信息
Figure 428827DEST_PATH_IMAGE009
；
以K邻近算法判断目标区域声速剖面所属类型；所述S4具体为：
S4-1：存在表面层目标区域声速剖面所属类型归类：
(1)时空信息距离计算
计算声速分布估计目标区域与历史声速剖面样本采样时空信息距离：
Figure 521286DEST_PATH_IMAGE010
(5)
其中
Figure 568876DEST_PATH_IMAGE011
是时间距离，
Figure 222842DEST_PATH_IMAGE012
是空间距离，
Figure 602221DEST_PATH_IMAGE013
为权重参数平衡时空信息占比；时间距离计算依据：
Figure 717945DEST_PATH_IMAGE014
(6)
空间距离计算依据：
Figure 636353DEST_PATH_IMAGE015
(7)
其中当坐标位于北半球时，
Figure 179330DEST_PATH_IMAGE016
，位于南半球时，
Figure 48935DEST_PATH_IMAGE017
，经度编码方式定义为：
Figure 968349DEST_PATH_IMAGE018
(8)
其中
Figure 741265DEST_PATH_IMAGE019
是坐标点编码前的原始经度；
(2)所属类型映射
对时空信息距离由小到大排序；选择K个与声速分布估计目标区域具有最短时空距离的历史声速剖面数据样本，根据此K个历史声速剖面数据样本中多数声速剖面样本所属的声速剖面类别作为目标区域声速剖面所属类型估计输出，记作
Figure 455143DEST_PATH_IMAGE020
；
S4-2：无表面层目标区域声速剖面所属类型归类：
(1)时空信息距离计算
计算声速分布估计目标区域与历史声速剖面样本采样时空信息距离：
Figure 814973DEST_PATH_IMAGE021
(9)
其中
Figure 6920DEST_PATH_IMAGE022
是时间距离，
Figure 899921DEST_PATH_IMAGE023
是空间距离，
Figure 33968DEST_PATH_IMAGE024
为权重参数平衡时空信息占比；
时间距离计算依据：
Figure 363318DEST_PATH_IMAGE025
(10)
空间距离计算依据：
Figure 640847DEST_PATH_IMAGE026
(11)
其中当坐标位于北半球时，
Figure 372042DEST_PATH_IMAGE027
，位于南半球时，
Figure 697498DEST_PATH_IMAGE028
，经度编码方式定义为：
Figure 514145DEST_PATH_IMAGE029
(12)
其中
Figure 329785DEST_PATH_IMAGE030
是坐标点编码前的原始经度；
(2)所属类型映射
对时空信息距离由小到大排序；选择
Figure 915487DEST_PATH_IMAGE031
个与声速分布估计目标区域具有最短时空距离的历史声速剖面数据样本，根据此
Figure 391337DEST_PATH_IMAGE031
个历史声速剖面数据样本中多数声速剖面样本所属的声速剖面类别作为目标区域声速剖面所属类型估计输出，记作
Figure 695279DEST_PATH_IMAGE032
；
S5：目标区域声速剖面分布估计：以目标区域声速剖面所属类型估计输出中声速剖面样本平均值作为目标区域声速剖面分布估计
Figure 49031DEST_PATH_IMAGE033
。
2.如权利要求1所述的一种基于跨时空声速剖面聚类的声速分布快速估计方法，其特征在于，所述S1具体为：
S1-1：根据目标区域所处纬度L，将任务分为存在表面层区域，即其纬度范围为赤道0°到北纬50°或南纬50°之间，即
Figure DEST_PATH_IMAGE034
或
Figure DEST_PATH_IMAGE035
；若目标区域为存在表面层区域，按照纬度确定表面层与主跃层分层深度Ds：
Figure DEST_PATH_IMAGE036
(1)；
若无表面层区域，即其纬度大于北纬或南纬50°，即
Figure DEST_PATH_IMAGE037
或
Figure DEST_PATH_IMAGE038
，其中N表示北纬，S表示南纬。
3.如权利要求1所述的一种基于跨时空声速剖面聚类的声速分布快速估计方法，其特征在于，所述S2具体为：所述历史声速剖面数据样本总数为I，集合表示为
Figure DEST_PATH_IMAGE039
，其中第i个声速剖面样本为
Figure DEST_PATH_IMAGE040
，d为深度，单位为米；表面层负梯度参考声速剖面为
Figure DEST_PATH_IMAGE041
；
S2-1：初始化
初始化表面层负梯度声速剖面集合
Figure DEST_PATH_IMAGE042
，表面层正梯度声速剖面集合
Figure DEST_PATH_IMAGE043
，声速剖面样本的欧式距离矩阵
Figure DEST_PATH_IMAGE044
，候选声速剖面聚类中心集合
Figure DEST_PATH_IMAGE045
，邻居声速剖面集合
Figure DEST_PATH_IMAGE046
，声速剖面聚类集合
Figure DEST_PATH_IMAGE047
；
S2-2：相关性检验分类
对
Figure DEST_PATH_IMAGE048
中的声速剖面数据样本
Figure DEST_PATH_IMAGE049
进行表面层深度区间部分截取，表示为
Figure DEST_PATH_IMAGE050
，计算其与参考声速剖面样本
Figure DEST_PATH_IMAGE051
之间的相关系数
Figure DEST_PATH_IMAGE052
：
Figure DEST_PATH_IMAGE053
(2)
其中
Figure DEST_PATH_IMAGE054
为参考声速剖面表面层平均声速值，
Figure DEST_PATH_IMAGE055
是经验声速剖面表面层平均声速值；如果
Figure DEST_PATH_IMAGE056
，则将声速剖面数据样本
Figure 518933DEST_PATH_IMAGE049
加入到表面层负梯度声速剖面集合
Figure DEST_PATH_IMAGE057
，否则将声速剖面数据样本
Figure 506962DEST_PATH_IMAGE049
加入到表面层正梯度声速剖面集合
Figure DEST_PATH_IMAGE058
；
S2-3：局部密度聚类
分别对表面层负梯度声速剖面集合
Figure DEST_PATH_IMAGE059
，和表面层正梯度声速剖面集合
Figure DEST_PATH_IMAGE060
，进行局部密度聚类；
令候选声速剖面聚类中心集合
Figure DEST_PATH_IMAGE061
，并在此集合标记声速剖面样本为
Figure DEST_PATH_IMAGE062
，计算声速剖面样本
Figure DEST_PATH_IMAGE063
与声速剖面样本
Figure DEST_PATH_IMAGE064
之间的欧式距离：
Figure DEST_PATH_IMAGE065
(3)
将欧式距离计算结果存入声速剖面样本的欧式距离矩阵
Figure DEST_PATH_IMAGE066
；
如果
Figure DEST_PATH_IMAGE067
，循环执行：随机选择声速剖面样本
Figure DEST_PATH_IMAGE068
，重置
Figure DEST_PATH_IMAGE069
；遍历每一个声速剖面样本
Figure DEST_PATH_IMAGE070
，查询
Figure DEST_PATH_IMAGE071
中
Figure DEST_PATH_IMAGE072
与
Figure DEST_PATH_IMAGE073
的欧氏距离
Figure DEST_PATH_IMAGE074
，如果欧式距离
Figure 544539DEST_PATH_IMAGE074
小于预设欧氏距离密度阈值
Figure DEST_PATH_IMAGE075
，即
Figure DEST_PATH_IMAGE076
，则将声速剖面样本
Figure 344392DEST_PATH_IMAGE073
加入到邻居声速剖面集合
Figure DEST_PATH_IMAGE077
，如果遍历每一个声速剖面样本
Figure 216271DEST_PATH_IMAGE073
后
Figure 50235DEST_PATH_IMAGE077
元素个数
Figure DEST_PATH_IMAGE078
大于等于预设邻居数量阈值
Figure DEST_PATH_IMAGE079
，即
Figure DEST_PATH_IMAGE080
，则在声速剖面聚类集合
Figure DEST_PATH_IMAGE081
中创建新聚类集合元素
Figure DEST_PATH_IMAGE082
，同时在
Figure DEST_PATH_IMAGE083
中剔除
Figure DEST_PATH_IMAGE084
中的共有元素，否则从
Figure 709796DEST_PATH_IMAGE083
中剔除
Figure 654619DEST_PATH_IMAGE072
；
令候选声速剖面聚类中心集合
Figure DEST_PATH_IMAGE085
，将a替换为b，-替换为+，聚类集合
Figure DEST_PATH_IMAGE086
替换为
Figure DEST_PATH_IMAGE087
，重复执行S2过程S2-3，得到存在表面层区域声速剖面聚类集合
Figure DEST_PATH_IMAGE088
。
4.如权利要求1所述的一种基于跨时空声速剖面聚类的声速分布快速估计方法，其特征在于，所述S3具体为：历史声速剖面数据样本总数为J，集合表示为
Figure DEST_PATH_IMAGE089
其中第j个声速剖面样本为
Figure DEST_PATH_IMAGE090
，d为深度，单位为米；
S3-1：初始化
初始化声速剖面样本的欧式距离矩阵
Figure DEST_PATH_IMAGE091
，候选声速剖面聚类中心集合
Figure DEST_PATH_IMAGE093
，邻居声速剖面集合
Figure DEST_PATH_IMAGE094
，声速剖面聚类集合
Figure DEST_PATH_IMAGE095
；
S3-2：局部密度聚类
令候选声速剖面聚类中心集合
Figure DEST_PATH_IMAGE096
，并在此集合标记声速剖面样本为
Figure DEST_PATH_IMAGE097
，计算声速剖面样本
Figure DEST_PATH_IMAGE098
与声速剖面样本
Figure DEST_PATH_IMAGE099
之间的欧式距离：
Figure DEST_PATH_IMAGE100
(4)
将欧式距离计算结果存入声速剖面样本的欧式距离矩阵
Figure 987861DEST_PATH_IMAGE091
；
如果
Figure DEST_PATH_IMAGE102
，循环执行：随机选择声速剖面样本
Figure DEST_PATH_IMAGE103
，重置
Figure DEST_PATH_IMAGE105
；遍历每一个声速剖面样本
Figure DEST_PATH_IMAGE106
，查询
Figure 317693DEST_PATH_IMAGE091
中
Figure DEST_PATH_IMAGE107
与
Figure DEST_PATH_IMAGE108
的欧氏距离
Figure DEST_PATH_IMAGE109
，如果欧式距离
Figure 584988DEST_PATH_IMAGE109
小于预设欧氏距离密度阈值
Figure DEST_PATH_IMAGE110
，即
Figure DEST_PATH_IMAGE111
，则将声速剖面样本
Figure 989294DEST_PATH_IMAGE108
加入到邻居声速剖面集合
Figure DEST_PATH_IMAGE112
，如果遍历每一个声速剖面样本
Figure 71650DEST_PATH_IMAGE108
后
Figure 247417DEST_PATH_IMAGE112
元素个数
Figure DEST_PATH_IMAGE113
大于等于预设邻居数量阈值
Figure DEST_PATH_IMAGE114
，即
Figure DEST_PATH_IMAGE115
，则在声速剖面聚类集合
Figure DEST_PATH_IMAGE116
中创建新聚类集合元素
Figure DEST_PATH_IMAGE117
，同时在
Figure DEST_PATH_IMAGE118
中剔除
Figure DEST_PATH_IMAGE119
中的共有元素，否则从
Figure 310663DEST_PATH_IMAGE118
中剔除
Figure DEST_PATH_IMAGE120
；获得无表面层区域声速剖面聚类集合
Figure DEST_PATH_IMAGE121
。
CN202211243606.9A 2022-10-12 2022-10-12 基于跨时空声速剖面聚类的声速分布快速估计方法 Active CN115307714B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211243606.9A CN115307714B (zh) 2022-10-12 2022-10-12 基于跨时空声速剖面聚类的声速分布快速估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211243606.9A CN115307714B (zh) 2022-10-12 2022-10-12 基于跨时空声速剖面聚类的声速分布快速估计方法

Publications (2)

Publication Number Publication Date
CN115307714A CN115307714A (zh) 2022-11-08
CN115307714B true CN115307714B (zh) 2023-02-03

Family

ID=83868293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211243606.9A Active CN115307714B (zh) 2022-10-12 2022-10-12 基于跨时空声速剖面聚类的声速分布快速估计方法

Country Status (1)

Country Link
CN (1) CN115307714B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070092B (zh) * 2023-03-06 2023-06-30 山东科技大学 一种等梯度声速剖面优化方法
CN115952472B (zh) * 2023-03-09 2023-07-04 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
CN116202611B (zh) * 2023-05-06 2023-07-14 中国海洋大学 一种基于元学习的小样本声速剖面反演方法
CN117076893B (zh) * 2023-10-16 2024-01-09 中国海洋大学 一种基于长短期记忆神经网络的声速分布预报方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2498354C1 (ru) * 2012-06-05 2013-11-10 Открытое акционерное общество "Концерн "Центральный научно-исследовательский институт "Электроприбор" Способ оценки полного профиля вертикального распределения скорости звука
CN109858523A (zh) * 2019-01-03 2019-06-07 武汉大学 一种神经网络和射线理论的浅海声速剖面反演方法
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
CN113191087A (zh) * 2021-02-02 2021-07-30 中国人民解放军海军大连舰艇学院 联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法
CN113218493A (zh) * 2021-04-08 2021-08-06 中国人民解放军国防科技大学 一种基于经验正交函数法的声速剖面反演方法
CN113486574A (zh) * 2021-06-21 2021-10-08 广东海洋大学 基于历史数据以及机器学习的声速剖面补全方法及装置
CN113916347A (zh) * 2021-11-05 2022-01-11 哈尔滨工程大学 一种海水声速剖面延拓方法及装置
CN114004300A (zh) * 2021-11-01 2022-02-01 中国人民解放军国防科技大学 基于K-means算法迭代分层聚类声速剖面的海洋锋重构方法
RU2769550C1 (ru) * 2021-04-01 2022-04-04 Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-Морского Флота "Военно-морская академия им. Адмирала Флота Советского Союза Н.Г. Кузнецова" Способ достроения измеренной от поверхности моря части профиля вертикального распределения скорости звука до дна
CN114782745A (zh) * 2022-04-19 2022-07-22 广东海洋大学 一种基于机器学习的海洋声速剖面分类方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7417924B2 (en) * 2005-04-26 2008-08-26 Westerngeco L.L.C. Apparatus, systems and methods for determining position of marine seismic acoustic receivers

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2498354C1 (ru) * 2012-06-05 2013-11-10 Открытое акционерное общество "Концерн "Центральный научно-исследовательский институт "Электроприбор" Способ оценки полного профиля вертикального распределения скорости звука
CN109858523A (zh) * 2019-01-03 2019-06-07 武汉大学 一种神经网络和射线理论的浅海声速剖面反演方法
CN113191087A (zh) * 2021-02-02 2021-07-30 中国人民解放军海军大连舰艇学院 联合历史剖面声速与实测表层声速的航渡式测深数据剖面声速改正方法
RU2769550C1 (ru) * 2021-04-01 2022-04-04 Федеральное государственное казенное военное образовательное учреждение высшего образования "Военный учебно-научный центр Военно-Морского Флота "Военно-морская академия им. Адмирала Флота Советского Союза Н.Г. Кузнецова" Способ достроения измеренной от поверхности моря части профиля вертикального распределения скорости звука до дна
CN113218493A (zh) * 2021-04-08 2021-08-06 中国人民解放军国防科技大学 一种基于经验正交函数法的声速剖面反演方法
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
CN113486574A (zh) * 2021-06-21 2021-10-08 广东海洋大学 基于历史数据以及机器学习的声速剖面补全方法及装置
CN114004300A (zh) * 2021-11-01 2022-02-01 中国人民解放军国防科技大学 基于K-means算法迭代分层聚类声速剖面的海洋锋重构方法
CN113916347A (zh) * 2021-11-05 2022-01-11 哈尔滨工程大学 一种海水声速剖面延拓方法及装置
CN114782745A (zh) * 2022-04-19 2022-07-22 广东海洋大学 一种基于机器学习的海洋声速剖面分类方法及装置

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Collaborating Ray Tracing and AI Model for AUV-Assisted 3-D Underwater Sound-Speed Inversion;Wei Huang, et al;《IEEE JOURNAL OF OCEANIC ENGINEERING》;20210531;第46卷(第4期);第1372-1390页 *
Ocean Front Reconstruction Method Based on K-Means Algorithm Iterative Hierarchical Clustering Sound Speed Profile;Yuyao Liu, et al;《Journal of Marine Science and Engineering》;20211130;第1-18页 *
印度洋中北部声速剖面结构的时空变化及其物理机理研究;李佳等;《物理学报》;20120831;第61卷(第8期);第1-18页 *
基于Argo数据的海洋时空声速预测方法研究;李博;《中国优秀硕士学位论文全文数据库》;20200815(第8期);正文第1-63页 *
多波束声速剖面的动态选取方法;高建尽等;《测绘工程》;20141125(第11期);第34-37页 *
海洋声速剖面的自动聚类研究;谢骏等;《海洋学报(中文版)》;20090315(第02期);第34-39页 *

Also Published As

Publication number Publication date
CN115307714A (zh) 2022-11-08

Similar Documents

Publication Publication Date Title
CN115307714B (zh) 基于跨时空声速剖面聚类的声速分布快速估计方法
Soh et al. Adaptive deep learning-based air quality prediction model using the most relevant spatial-temporal relations
CN109800863B (zh) 一种基于模糊理论和神经网络的测井相识别方法
CN106912105B (zh) 基于pso_bp神经网络的三维定位方法
CN106597363A (zh) 一种室内wlan环境下的行人定位方法
CN109523066B (zh) 一种基于克里金插值的pm2.5新增移动站点选址方法
CN108896040B (zh) 天空海一体化水下潜器惯性/重力组合导航方法和系统
CN105405118B (zh) 基于量子衍生混合蛙跳的水下声纳图像目标检测方法
CN111552754B (zh) 一种舰船轨迹相似度度量方法及系统
CN110320520B (zh) 一种测深信息同步定位与建图的鲁棒后端图优化方法
CN110598804A (zh) 一种基于聚类和膜计算的改进FastSLAM算法
CN113218493A (zh) 一种基于经验正交函数法的声速剖面反演方法
CN115342814B (zh) 一种基于多传感器数据融合的无人船定位方法
CN111290053B (zh) 一种基于卡尔曼滤波的雷暴路径预测方法
CN110132281A (zh) 一种基于询问应答模式的水下高速目标高精度自主声学导航方法
CN110909303B (zh) 一种自适应时空异质性反距离插值方法
Lin et al. Noise filtering, trajectory compression and trajectory segmentation on GPS data
CN109031314A (zh) 一种面向声速剖面的水下节点定位方法
CN115859116A (zh) 一种基于径向基函数回归插值法的海洋环境场重建方法
CN117076893B (zh) 一种基于长短期记忆神经网络的声速分布预报方法
CN116202611B (zh) 一种基于元学习的小样本声速剖面反演方法
CN114710744B (zh) 一种深度融合WiFi测距与PDR推算的室内定位方法
CN107516007B (zh) 一种气团停留时长计算方法
CN109286900B (zh) 一种Wi-Fi样本数据优化方法
Kang et al. Vehicle Trajectory Clustering in Urban Road Network Environment Based on Doc2Vec Model

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