CN115795401A - 海洋牧场全要素监测传感器多数据融合系统 - Google Patents

Abstract

本发明涉及特定计算模型的计算机系统技术领域，具体涉及海洋牧场全要素监测传感器多数据融合系统，包括存储器和处理器，处理器执行存储器存储的计算机程序，以实现如下步骤：获取当前各要素对应的待检测传感器序列；将待检测传感器序列输入到训练好的目标神经网络中，得到各要素对应的目标向量；根据各要素对应的目标向量，计算得到各要素对应的异常程度，进而得到当前预设时间段内海洋的异常状态指标；判断异常状态指标是否大于预设阈值，若大于，则判定当前海洋牧场的环境状态异常；若小于或者等于，则判定当前海洋牧场的环境状态正常。通过对海洋牧场各要素进行多数据融合，提高海洋环境状态检测的可靠性和准确性。

Description

海洋牧场全要素监测传感器多数据融合系统

技术领域

本发明涉及特定计算模型的计算机系统技术领域，具体涉及海洋牧场全要素监测传感器多数据融合系统。

背景技术

在海洋牧场3.0的建设使用过程中，需要使用不同的传感器进行原位监测，监测多种数据，并利用这些数据来反应当前海洋环境的状态，实现对海洋牧场生态观测，从而保证海洋牧场生态环境稳定，稳住海洋牧场汇碳能力，助力碳中和。

考虑到在采用传感器进行海洋牧场原位观测时，不同的传感器的测量范围及测量精度往往是不同的，同时采样频率也不相同；现有技术往往是利用最小二乘法的方式进行数据的拟合，来对数据进行插值估计，但是最小二乘法很难获得较为准确的插值数据，进而难以有效的融合不同数据，来判断当前的海洋环境状态。

发明内容

为了解决现有技术利用最小二乘法来判断海洋环境状态时存在的可靠性较低的问题，本发明的目的在于提供一种海洋牧场全要素监测传感器多数据融合系统，所采用的技术方案具体如下：

一种海洋牧场全要素监测传感器多数据融合系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：

获取海洋牧场在当前预设时间段内各要素对应的待检测传感器序列；将所述各要素对应的待检测传感器序列输入到训练好的目标神经网络中，得到所述各要素对应的目标向量；所述待检测传感器序列中的数据为当前预设时间段内根据获取对应要素的传感器的采集频率采集到的不同时刻的数据；所述目标神经网络用于对待检测传感器序列进行插值处理；

根据所述各要素对应的目标向量，计算得到所述各要素对应的异常程度；根据所述各要素对应的异常程度，得到当前预设时间段内海洋的异常状态指标；

判断所述异常状态指标是否大于预设阈值，若大于，则判定当前海洋牧场的环境状态异常；若小于或者等于，则判定当前海洋牧场的环境状态正常。

进一步地，所述目标神经网络的训练的过程，包括：

获取历史时间段内各要素对应的传感器序列；任一要素对应的传感器序列包括获取对应要素的多个传感器在不同目标采集时刻下获取的数据；所述目标采集时刻为各要素对应的传感器中采集频率最高的传感器在预设时间段内的采集时刻；

对所述各要素对应的传感器序列进行遮罩，得到各要素对应的目标传感器序列，所述目标传感器序列中被遮罩的元素的值为0，记为0值元素；

对于任一要素对应的目标传感器序列：根据该目标传感器序列，得到该目标传感器序列对应的各子数据段；所述子数据段为该要素对应的目标传感器序列中任意连续个非0元素构成的数据段；根据所述各子数据段中的各元素，得到所述各子数据段对应的差值向量；根据所述各子数据段对应的差值向量，得到所述各子数据段中的各元素对应的网络推理难度函数；根据各子数据段中的各元素对应的网络推理难度函数，得到该目标传感器序列中各元素对应的惩罚系数；根据该目标传感器序列中各元素对应的惩罚系数，构建该目标传感器序列对目标神经网络进行训练时的损失函数；

根据不同历史时间段内各要素对应的目标传感器序列、对应的损失函数以及KL散度函数对目标神经网络进行训练，得到训练好的目标神经网络；所述KL散度函数用于对目标神经网络的中间层进行监督训练，所述中间层包括三个神经元。

本发明引入了惩罚系数对目标神经网络进行改进，使网络的鲁棒性和可靠性更好，进一步提高了判断海洋环境状态时的可靠性。

进一步地，对所述各要素对应的传感器序列进行遮罩，得到各要素对应的目标传感器序列，所述目标传感器序列中被遮罩的元素的值为0，记为0值元素，包括：

将所述各要素对应的传感器序列中，未获取数据的所述目标采集时刻对应的数据赋值为0，得到各要素对应的目标传感器序列。

进一步地，根据所述各子数据段中的元素，得到所述各子数据段对应的差值向量，包括：

对于任一子数据段：

计算该子数据段中任意相邻的两个元素之间的差值，得到该子数据段中各元素对应的差值，所述差值为对应元素减去前一个元素的结果；其中，对于该子数据段中的第一个元素，第一个元素的差值为该第一个元素的数值；对于该子数据段中的其他各元素，对应的差值为该元素减去其前一个元素；

根据该子数据段中各元素对应的差值，得到该子数据段对应的差值向量。

进一步地，根据所述各子数据段对应的差值向量，得到所述各子数据段对应的网络推理难度函数，包括：

根据所述各子数据段对应的差值向量，计算所述各子数据段对应的非线性复杂度；

对于任一子数据段：计算该子数据段对应的非线性复杂度与标准正态分布函数的乘积，得到该子数据段对应的推理难度影响函数；将该子数据段对应的推理难度影响函数作为该子数据段中的各元素对应的网络推理难度函数。

进一步地，根据所述各子数据段对应的差值向量，计算所述各子数据段对应的非线性复杂度的公式为：

其中，

为该目标传感器序列对应的第a个子数据段对应的非线性复杂度，

为第k种差值向量，

为第k种差值向量在该目标传感器序列对应的第a个子数据段中出现的概率，

为以自然常数为底的指数函数，

为对数函数的底数，

为出现的差值向量的种类数量。

进一步地，根据各子数据段中的各元素对应的网络推理难度函数，得到该目标传感器序列中各元素对应的惩罚系数，包括：

对于该目标传感器序列中的各0值元素：获取该目标传感器序列中的各0值元素与其距离最近的非0元素的距离，记为推理距离；根据各0值元素对应的推理距离和各非0元素对应的网络推理难度函数，计算得到各0值元素对应的目标函数；

采用高斯混合模型将该目标传感器序列对应的各0值元素对应的目标函数和各非0元素对应的网络推理难度函数进行叠加，得到混合高斯模型；

将该目标传感器序列中各0值元素的序号输入到所述混合高斯模型中，输出的值作为0值元素的惩罚系数，得到各0值元素对应的惩罚系数；对于非0元素：该目标传感器序列中各非0元素对应的惩罚系数为1。

进一步地，所述根据各0值元素对应的推理距离和各非0元素对应的网络推理难度函数，计算得到各0值元素对应的目标函数的公式为：

其中，

为第i个0值元素对应的目标函数，

为标准正态分布函数，

为第i个0值元素左右两端的两个非0元素对应的网络推理难度函数的峰值的最大值，

为第i个0值元素对应的推理距离。

进一步地，所述损失函数的公式为：

其中，

为损失函数，

为该目标传感器序列中各元素的数量，

为该目标传感器序列中序号为

的元素对应的惩罚系数，

为目标神经网络输出的该目标传感器序列中序号为

的元素的值，

为该目标传感器序列对应的传感器序列中序号为

的元素的值。

进一步地，根据所述各要素对应的目标向量，计算得到所述各要素对应的异常程度；根据所述各要素对应的异常程度，得到当前预设时间段内海洋的异常状态指标，包括：

所述目标向量为三维向量；

对于任一要素对应的异常程度的计算公式为：

其中，D为在三维空间中以该要素对应的目标向量为坐标的数据点与原点的距离，R为归一化参数，

为该要素对应的异常程度；

所述海洋的异常状态指标为所述各要素对应的异常程度的累加值。

本发明具有如下有益效果：本发明获取海洋牧场在当前预设时间段内各要素对应的待检测传感器序列，然后将所述各要素对应的待检测传感器序列输入到训练好的目标神经网络中，得到所述各要素对应的目标向量，以便于更好的对数据进行观察；所述目标神经网络用于对待检测传感器序列进行插值处理；本发明将各待检测传感器序列插值，以便于后续更好的对各要素对应的数据进行融合分析；接着，根据所述各要素对应的目标向量，计算得到所述各要素对应的异常程度，进而根据所述各要素对应的异常程度，得到当前预设时间段内海洋的异常状态指标；最后判断所述异常状态指标是否大于预设阈值，若大于，则判定当前海洋牧场的环境状态异常；若小于或者等于，则判定当前海洋牧场的环境状态正常。本发明通过对海洋牧场各要素进行多数据融合，实现海洋牧场的环境状态的准确检测，提高了判断海洋环境状态时的可靠性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，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它附图。

图1为本发明所提供的一种海洋牧场全要素监测传感器多数据融合系统的流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功能效果，以下结合附图及较佳实施例，对依据本发明提出的一种海洋牧场全要素监测传感器多数据融合系统进行详细说明如下。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种海洋牧场全要素监测传感器多数据融合系统的具体方案。

海洋牧场全要素监测传感器多数据融合系统实施例：

如图1所示，本实施例的一种海洋牧场全要素监测传感器多数据融合系统，包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：

步骤S1，获取海洋牧场在当前预设时间段内各要素对应的待检测传感器序列；将所述各要素对应的待检测传感器序列输入到训练好的目标神经网络中，得到所述各要素对应的目标向量；所述待检测传感器序列中的数据为当前预设时间段内根据获取对应要素的传感器的采集频率采集到的不同时刻的数据；所述目标神经网络用于对待检测传感器序列进行插值处理。

海洋牧场的环境状态检测通过多传感器设备对海洋牧场中的基本要素的数据信息进行采集（比如水深、水温、盐度、叶绿素、溶解氧、PH、浊度、水下高清视频等基本要素），然后汇集监测海洋牧场生态状态的传感器信号监测数据并进行融合分析；但是由于不同传感器之间的采集频率并不一致，不利于海洋牧场原位监测，会导致对海洋环境状态判断的结果不可靠；本实施例通过构建目标神经网络对不同频率信号的传感器采集的数据进行补齐，进而对一段时间内的采集到的各要素的数据进行融合，以判断海洋环境状态；对海洋环境状态的检测有利于海洋牧场生态监测，从而保证海洋牧场生态的稳定，使得海洋牧场汇碳能力稳定。本实施例利用目标神经网络，通过内部的大量线性拟合，来获得数据之间复杂的非线性关系，以提高数据插值的可靠性，保证得到的海洋牧场观测数据更为准确。

本实施例针对的场景为：首先搭建原位在线监测系统，主要是对水深、水温、盐度、叶绿素、溶解氧、PH、浊度、水下高清视频等基本要素的采集；数据采集完成后，将岸基控制系统与地面网络连接，进行观测信息的远程传输；最后，将数据传输至服务器后，对采集到的数据进行分析、融合，以实现数据的可视化实时监测，以及对海洋环境状态的异常警示功能。其中将数据传输至服务器后，对采集到的数据进行分析、融合的过程主要是依靠本实施例构建的目标神经网络对不同采集频率的传感器在一段时间内采集到的各要素的数据序列进行差值处理，更优地，还能够进行降维处理，以便于对各要素的数据进行融合。

本实施例中所述目标神经网络用于对数据进行插值填补，能实现传感器数据的拟合填补，能把离散采集的传感器数据处理得到连续数据。所述目标神经网络结构为现有的MAE网络的结构，在此就不再赘述。

本实施例中对目标神经网络进行训练的过程为：

由于采集各类要素的传感器的采样频率是不同的，有的采样间隔比较大，有的采样间隔比较小，因此在一段时间内得到的各要素的数据序列是不同的（即每个数据序列中的元素数量以及元素对应的时刻是不同的），因此只能通过拟合的方式来填补数据，使得各要素对应的数据序列中包括各个时刻下的数据；常用的拟合方法有B样条、三次样条插值、Ransac、最小二乘法等方法，而不同的拟合方式效果不同，对于较为复杂的关系，也难以给出较好的拟合效果。本实施例利用目标神经网络结合大量训练数据来获得数据间的关系，进而使填补数据更加鲁棒、可靠。

第一，本实施例首先获取用于训练目标神经网络的数据：

考虑到不同要素对应的传感器的采集频率是有差别的（即不同传感器的采集频率并不一致）；本实施例将各传感器中采集频率最高（即采样间隔最小）的传感器在预设时间段内的各个采集时刻记为目标采集时刻，以此作为基本的采集时刻；对于采集频率相对较小的传感器，本实施例利用多个获取同一要素的传感器进行采集（即利用多个传感器对同一个要素进行采集），既可得到在预设时间段内各要素对应的传感器序列，所述传感器序列包括在各目标采集时刻下对应的数据（即将多个传感器在同一预设时间段内得到的数据序列进行融合，得到各目标采集时刻下的数据，进而得到对应传感器序列）；对于采集频率最高的传感器，仅通过一个传感器，就可以得到对应要素对应的传感器序列。

本实施例根据各要素对应的传感器采集的数据，获取不同历史时间段内各要素对应的传感器序列；所述历史时间段为过去时间当中的任意预设时间段（所述预设时间段的长度需根据实际需要进行设置）。

对各要素对应的传感器序列进行遮罩，得到各要素对应的目标传感器序列，目标传感器序列中被遮罩的元素的值为0，记为0值元素。那么，对于采集频率最高的传感器得到的传感器序列，由于各个目标采集时刻均获取到数据，那么，本实施例不进行遮罩处理。对于不是采集频率最高的传感器得到的传感器序列，由于采样频率不是最高，那么，其中就存在未获取数据的目标采集时刻，进而将各要素对应的传感器序列中，未获取数据的目标采集时刻对应的数据赋值为0，得到各要素对应的目标传感器序列。作为一个具体示例，如表1所示，以8个目标采集时刻为例，对于第一行传感器序列，由于是采集频率最高的传感器得到的传感器序列，这8个目标采集时刻均获取到数据，分别为数据A1-A8，不进行遮罩处理；对于第二行传感器序列，只有第1个、第4个和第7个目标采集时刻获取到数据，其他目标采集时刻未获取数据，则将除了第1个、第4个和第7个目标采集时刻之外的其他各目标采集时刻对应的数据赋值为0，得到各要素对应的目标传感器序列。

表1

至此，本实施例根据上述过程可以得到不同历史时间段内各要素对应的目标传感器序列，一个传感器序列对应一个目标传感器序列；本实施例分别将不同历史时间段对应的目标传感器序列输入到目标神经网络中（即将不同历史时间段内各要素对应的目标传感器序列分批次输入到目标神经网络中），进而对目标神经网络进行分批次训练。

第二， 构建训练目标神经网络的损失函数：

由于不同的目标传感器序列的遮罩情况不同，因此在网络推理时，网络推理难度也不同；本实施例对目标传感器序列中不同位置的元素施加不同的惩罚系数，使得网络在推理时，可以针对性的推理，提高网络推理的精确性并降低推理的算力消耗。为了使目标神经网络的鲁棒性和可靠性更好，本实施例根据不同目标传感器序列的遮罩情况，增添对应的惩罚系数。具体的：

对于训练网络时的任一要素对应的目标传感器序列：

目标神经网络将序列中的非0元素作为网络推理的依据，对0值元素处的值进行推理；如果序列中非0元素比较复杂时，则网络在对0值元素处的推理能力应当提高，即惩罚系数应当增大。

数据复杂度对网络推理难度影响主要体现在数据的非线性程度上，其非线性程度越大，则网络的推理难度越大；本实施例将该目标传感器序列中非0元素标记为1，0值元素标记为0，然后利用连通域提取算法对该目标传感器序列进行处理，得到该目标传感器序列对应的各连通域，所述连通域为该目标传感器序列中任意连续个非0元素（值不为0的元素）构成的数据段，本实施例将一个连通域记为一个子数据段，一个子数据段中的元素可能为一个，也可能为多个。

对于该目标传感器序列对应的任一子数据段：计算该子数据段中任意相邻的两个元素之间的差值（即后一个元素减去前一个元素；对于该子数据段中的第一个元素，第一个元素的差值为该第一个元素的数值；对于该子数据段中的其他各元素，对应的差值为该元素减去其前一个元素），进而得到该子数据段对应的差值序列，即差值向量。

至此，根据上述过程可以得到该目标传感器序列对应的各子数据段中的各元素对应的差值向量，本实施例将各子数据段对应的差值向量分为M种，即将差值向量相同的作为一种差值向量。

为了体现该目标传感器序列对应的各子数据段对应的复杂度，本实施例根据各子数据段中的各元素对应的差值向量，计算各子数据段对应的非线性复杂度，即：

其中，

为该目标传感器序列对应的第a个子数据段对应的非线性复杂度，

为第k种差值向量，

为第k种差值向量在该目标传感器序列对应的第a个子数据段中出现的概率，

为以自然常数e为底的指数函数，

为对数函数的底数，

为出现的差值向量的种类数量。

根据上述公式，

为子数据段的信息熵，当信息熵越大时，说明数据波动越大且没有规律，即对应子数据段越复杂，网络推理难度越大，则子数据段对应的非线性复杂度越大；当信息熵越大时，说明对应子数据段对应的非线性复杂度越小，即对应子数据段越不复杂；本实施例中非线性复杂度的最小值为1。

至此，本实施例根据上述过程得到了该目标传感器序列对应的各子数据段对应的非线性复杂度。

本实施例根据各子数据段对应的非线性复杂度，计算各子数据段对应的推理难度影响函数；对于任一子数据段对应的推理难度影响函数：计算该子数据段对应的非线性复杂度与标准正态分布函数的乘积，得到该子数据段对应的推理难度影响函数，将该子数据段对应的推理难度影响函数作为该子数据段中的各元素对应的网络推理难度函数。至此，可以得到各子数据段对应的推理难度影响函数，也可以说是各子数段中各元素（非0元素）对应的网络推理难度函数，即同一子数据段中的各元素对应的网络推理难度函数相同。

目标神经网络用于对0值元素处的值进行推理，对于该目标传感器序列中的0值元素，本实施例将该目标传感器序列中的各0值元素与其距离最近的非0元素的距离记为推理距离L，其中L越大，说明该0值元素距非0元素越远，则目标神经网络在对其进行推理时，难度较大，所以其惩罚系数应当越大，进而使得目标神经网络在对该0值元素处的值进行推理时，向着较高复杂度进行推理，从而提高拟合效果；因此本实施例根据各0值元素对应的推理距离和各非0元素对应的网络推理难度函数，计算得到各0值元素对应的目标函数，即：

其中，

为第i个0值元素对应的目标函数，

为标准正态分布函数，

为第i个0值元素左右两端的两个非0元素对应的网络推理难度函数的峰值的最大值，

为第i个0值元素对应的推理距离。

本实施例中标准正态分布的横坐标为该目标传感器序列的元素的序号，即序列中第一个元素的序号为1，第二元素的序号为2，依次类推；同理对应的传感器序列的元素序号与目标传感器序列的元素的序号一致。

至此，本实施例得到了各0值元素对应的目标函数以及各非0元素对应的网络推理难度函数；然后，本实施例采用现有的高斯混合模型将该目标传感器序列对应的各0值元素对应的目标函数和各非0元素对应的网络推理难度函数进行叠加，得到混合高斯模型；将该目标传感器序列中各0值元素的序号输入到所述混合高斯模型中，输出的值作为0值元素的惩罚系数，进而得到各0值元素对应的惩罚系数；对于非0元素，该目标传感器序列中各非0元素对应的惩罚系数为1。

至此，本实施例得到了该目标传感器序列中各元素对应的惩罚系数；本实施例根据该目标传感器序列中各元素对应的惩罚系数，构建该目标传感器序列对目标神经网络进行训练时的损失函数，即：

其中，

为损失函数，

为该目标传感器序列中各元素的数量（即预设时间段内目标采集时刻的数量），

为该目标传感器序列中序号为

的元素对应的惩罚系数，

为目标神经网络输出的该目标传感器序列中序号为

的元素的值，

为该目标传感器序列对应的传感器序列中序号为

的元素的值（即被遮罩前该位置元素的值）。

根据上述过程，本实施例根据不同历史时间段内各要素对应的目标传感器序列以及对应的损失函数对目标神经网络进行训练，进而得到训练好的目标神经网络。

上述过程中，在采集得到高频率的传感器数据后，由于在同样的时间间隔点，高频频率传感器数据比低频率的传感器数据具有更多的采样点，使得在同时间间隔下，高低频数据内的数据量不同，如果把高频率数据和低频率数据按时间戳进行强制对齐，则会使得低频率中的传感器数据相对于高频率的传感器数据中，出现较多的零值，但是不同频率下零值出现的频率不同，则神经网络对具有不同程度遮罩的数据推理难度应该不同。为了保证训练完成的神经网络在补齐数据时具有较强的鲁棒性，能够保证高难度推理数据的准确性，则计算惩罚系数，使得神经网络对推理难度大数据具有更强的推理能力，则需要对不同频率的所对应的遮罩（即传感器中的零值数据）为神经网络推理所带来的推理难度进行不同程度的调整。通过惩罚系数，使得神经网络在推理遮罩数据时具有更强的适应性，即数据越复杂确实越大，则推理难度越大。

第三，考虑到三维及以下空间更易于观察，因此需要把数据统一降维至三维空间；同时考虑到目标神经网络要求输入和输出的维度是相同、一致的，因此本实施例利用目标神经网络的中间层来实现降维；本实施例将目标神经网络的中间层的神经元数量设置为3，进而使得中间层的三个神经元输出的数据作为网络输出数据的降维表示。为了确保降维后的分布密度信息不产生过大变化，在对目标神经网络训练的过程中本实施例使用KL散度函数对中间层的三维输出进行监督训练。所述KL散度函数为现有技术，在此就不再赘述。

至此，本实施例根据上述过程对目标神经网络进行训练，得到训练好的目标神经网络。

在后续对网络进行使用的过程中，本实施例获取得到的各元素对应的数据序列与上述传感器序列不同，仅根据对应的频率的传感器进行对应要素数据的获取，即在预设时间段内有的要素对应的数据序列中包含的元素少，时间间隔大；有的要素对应的数据序列中包含的元素多，时间间隔小。

本实施例利用不同传感器获取海洋牧场在当前预设时间段内各要素对应的待检测传感器序列（即待检测的数据序列），然后将各要素对应的待检测传感器序列输入到训练好的目标神经网络中，得到各要素对应的插值后的待检测传感器序列以及对应的目标向量，所述目标向量由训练好的目标神经网络的中间层输出的三个数据构建得到的，各要素对应的插值后的待检测传感器序列中的元素数量相同，每个元素对应一个目标采集时刻。

步骤S2，根据所述各要素对应的目标向量，计算得到所述各要素对应的异常程度；根据所述各要素对应的异常程度，得到当前预设时间段内海洋的异常状态指标。

本实施例根据步骤S1得到了当前预设时间段内各要素对应的目标向量；目标向量在三维空间中可以看作是一个数据点的坐标（即一个要素在三维空间中对应一个数据点），当目标向量对应的数据点与原点的距离越远时，说明对应要素在预设时间段内越异常；对于任一要素：根据该要素对应的目标向量，计算海洋牧场中该要素对应的异常程度，具体的：

其中，D为在三维空间中该要素对应的数据点与原点的距离（即在三维空间中以该要素对应的目标向量为坐标的数据点与原点的距离），R为归一化参数，

为该要素对应的异常程度；所述归一化参数用于将得到的D进行归一化，具体取值需根据实际需要进行设置。

至此，本实施例根据上述过程可以得到在当前预设时间段内各要素对应的异常程度。

将当前预设时间段内各要素对应的异常程度进行累加，得到当前预设时间段内海洋的异常状态指标；当异常状态指标越大时，说明海洋牧场的环境状态越不稳定，即越异常；当异常状态指标越小，说明海洋牧场的环境状态越稳定，即海洋牧场中的各要素越稳定。

步骤S3，判断所述异常状态指标是否大于预设阈值，若大于，则判定当前海洋牧场的环境状态异常；若小于或者等于，则判定当前海洋牧场的环境状态正常。

本实施例根据步骤S2得到了当前预设时间段内海洋的异常状态指标；本实施例根据当前预设时间段内海洋的异常状态指标，来判断当前预设时间段内海洋牧场的环境状态是否异常，具体的：

若所述异常状态指标大于预设阈值，则判定当前海样牧场的环境状态异常，需要进行异常警示，以便预防波浪、暗涌等异常，通过报警后，由相关从业人员对海洋牧场进行调整，保证海洋牧场的汇碳能力的稳定，实现助力碳中和；若所述异常状态指标小于等于预设阈值，则判定当前海样牧场的环境状态正常，则不需要进行警示。本实施例中预设阈值根据实际需要进行设置。

本实施例获取海洋牧场在当前预设时间段内各要素对应的待检测传感器序列，然后将所述各要素对应的待检测传感器序列输入到训练好的目标神经网络中，得到所述各要素对应的目标向量；本实施例中所述目标向量为三维向量，以便于更好的对数据进行观察；所述目标神经网络用于对待检测传感器序列进行插值处理以及降维处理；本实施例将各待检测传感器序列插值，并进行降维处理，以便于后续更好的对各要素对应的数据进行融合分析；接着，根据所述各要素对应的目标向量，计算得到所述各要素对应的异常程度，进而根据所述各要素对应的异常程度，得到当前预设时间段内海洋的异常状态指标；最后判断所述异常状态指标是否大于预设阈值，若大于，则判定当前海洋牧场的环境状态异常；若小于或者等于，则判定当前海洋牧场的环境状态正常。本实施例引入了惩罚系数对目标神经网络进行改进，使网络的鲁棒性和可靠性更好，进而提高了判断海洋环境状态时的可靠性。

需要说明的是：以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的技术构思之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种海洋牧场全要素监测传感器多数据融合系统，包括存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如下步骤：

获取海洋牧场在当前预设时间段内各要素对应的待检测传感器序列；将所述各要素对应的待检测传感器序列输入到训练好的目标神经网络中，得到所述各要素对应的目标向量；所述待检测传感器序列中的数据为当前预设时间段内根据获取对应要素的传感器的采集频率采集到的不同时刻的数据；所述目标神经网络用于对待检测传感器序列进行插值处理；

根据所述各要素对应的目标向量，计算得到所述各要素对应的异常程度；根据所述各要素对应的异常程度，得到当前预设时间段内海洋的异常状态指标；

判断所述异常状态指标是否大于预设阈值，若大于，则判定当前海洋牧场的环境状态异常；若小于或者等于，则判定当前海洋牧场的环境状态正常。

2.根据权利要求1所述的海洋牧场全要素监测传感器多数据融合系统，其特征在于，所述目标神经网络的训练的过程，包括：

获取历史时间段内各要素对应的传感器序列；任一要素对应的传感器序列包括获取对应要素的多个传感器在不同目标采集时刻下获取的数据；所述目标采集时刻为各要素对应的传感器中采集频率最高的传感器在预设时间段内的采集时刻；

对所述各要素对应的传感器序列进行遮罩，得到各要素对应的目标传感器序列，所述目标传感器序列中被遮罩的元素的值为0，记为0值元素；

对于任一要素对应的目标传感器序列：根据该目标传感器序列，得到该目标传感器序列对应的各子数据段；所述子数据段为该要素对应的目标传感器序列中任意连续个非0元素构成的数据段；根据所述各子数据段中的各元素，得到所述各子数据段对应的差值向量；根据所述各子数据段对应的差值向量，得到所述各子数据段中的各元素对应的网络推理难度函数；根据各子数据段中的各元素对应的网络推理难度函数，得到该目标传感器序列中各元素对应的惩罚系数；根据该目标传感器序列中各元素对应的惩罚系数，构建该目标传感器序列对目标神经网络进行训练时的损失函数；

根据不同历史时间段内各要素对应的目标传感器序列、对应的损失函数以及KL散度函数对目标神经网络进行训练，得到训练好的目标神经网络；所述KL散度函数用于对目标神经网络的中间层进行监督训练，所述中间层包括三个神经元。

3.根据权利要求2所述的海洋牧场全要素监测传感器多数据融合系统，其特征在于，对所述各要素对应的传感器序列进行遮罩，得到各要素对应的目标传感器序列，所述目标传感器序列中被遮罩的元素的值为0，记为0值元素，包括：

将所述各要素对应的传感器序列中，未获取数据的所述目标采集时刻对应的数据赋值为0，得到各要素对应的目标传感器序列。

4.根据权利要求2所述的海洋牧场全要素监测传感器多数据融合系统，其特征在于，根据所述各子数据段中的元素，得到所述各子数据段对应的差值向量，包括：

对于任一子数据段：

计算该子数据段中任意相邻的两个元素之间的差值，得到该子数据段中各元素对应的差值，所述差值为对应元素减去前一个元素的结果；其中，对于该子数据段中的第一个元素，第一个元素的差值为该第一个元素的数值；对于该子数据段中的其他各元素，对应的差值为该元素减去其前一个元素；

根据该子数据段中各元素对应的差值，得到该子数据段对应的差值向量。

5.根据权利要求2所述的海洋牧场全要素监测传感器多数据融合系统，其特征在于，根据所述各子数据段对应的差值向量，得到所述各子数据段对应的网络推理难度函数，包括：

根据所述各子数据段对应的差值向量，计算所述各子数据段对应的非线性复杂度；

对于任一子数据段：计算该子数据段对应的非线性复杂度与标准正态分布函数的乘积，得到该子数据段对应的推理难度影响函数；将该子数据段对应的推理难度影响函数作为该子数据段中的各元素对应的网络推理难度函数。

6.根据权利要求5所述的海洋牧场全要素监测传感器多数据融合系统，其特征在于，根据所述各子数据段对应的差值向量，计算所述各子数据段对应的非线性复杂度的公式为：

其中，

为该目标传感器序列对应的第a个子数据段对应的非线性复杂度，

为第k种差值向量，

为第k种差值向量在该目标传感器序列对应的第a个子数据段中出现的概率，

为以自然常数为底的指数函数，

为对数函数的底数，

为出现的差值向量的种类数量。

7.根据权利要求2所述的海洋牧场全要素监测传感器多数据融合系统，其特征在于，根据各子数据段中的各元素对应的网络推理难度函数，得到该目标传感器序列中各元素对应的惩罚系数，包括：

对于该目标传感器序列中的各0值元素：获取该目标传感器序列中的各0值元素与其距离最近的非0元素的距离，记为推理距离；根据各0值元素对应的推理距离和各非0元素对应的网络推理难度函数，计算得到各0值元素对应的目标函数；

采用高斯混合模型将该目标传感器序列对应的各0值元素对应的目标函数和各非0元素对应的网络推理难度函数进行叠加，得到混合高斯模型；

将该目标传感器序列中各0值元素的序号输入到所述混合高斯模型中，输出的值作为0值元素的惩罚系数，得到各0值元素对应的惩罚系数；对于非0元素：该目标传感器序列中各非0元素对应的惩罚系数为1。

8.根据权利要求7所述的海洋牧场全要素监测传感器多数据融合系统，其特征在于，所述根据各0值元素对应的推理距离和各非0元素对应的网络推理难度函数，计算得到各0值元素对应的目标函数的公式为：

其中，

为第i个0值元素对应的目标函数，

为标准正态分布函数，

为第i个0值元素左右两端的两个非0元素对应的网络推理难度函数的峰值的最大值，

为第i个0值元素对应的推理距离。

9.根据权利要求2所述的海洋牧场全要素监测传感器多数据融合系统，其特征在于，所述损失函数的公式为：

其中，

为损失函数，

为该目标传感器序列中各元素的数量，

为该目标传感器序列中序号为

的元素对应的惩罚系数，

为目标神经网络输出的该目标传感器序列中序号为

的元素的值，

为该目标传感器序列对应的传感器序列中序号为

的元素的值。

10.根据权利要求1所述的海洋牧场全要素监测传感器多数据融合系统，其特征在于，根据所述各要素对应的目标向量，计算得到所述各要素对应的异常程度；根据所述各要素对应的异常程度，得到当前预设时间段内海洋的异常状态指标，包括：

所述目标向量为三维向量；

对于任一要素对应的异常程度的计算公式为：

其中，D为在三维空间中以该要素对应的目标向量为坐标的数据点与原点的距离，R为归一化参数，

为该要素对应的异常程度；

所述海洋的异常状态指标为所述各要素对应的异常程度的累加值。

Images