CN115952472B - 一种声速场估算方法、装置及存储介质 - Google Patents
一种声速场估算方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115952472B CN115952472B CN202310223144.2A CN202310223144A CN115952472B CN 115952472 B CN115952472 B CN 115952472B CN 202310223144 A CN202310223144 A CN 202310223144A CN 115952472 B CN115952472 B CN 115952472B
- Authority
- CN
- China
- Prior art keywords
- sound velocity
- data
- vector
- estimated
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000013598 vector Substances 0.000 claims abstract description 147
- 230000015654 memory Effects 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 43
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 230000007787 long-term memory Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 34
- 239000000470 constituent Substances 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 7
- 230000000704 physical effect Effects 0.000 description 5
- 230000006403 short-term memory Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种声速场估算方法、装置及存储介质,通过获取目标区域的测量时间连续的历史声速数据、平均声速剖面以及遥感数据,根据历史声速数据以及平均声速剖面进行向量提取处理得到构成向量系数,对海面温度数据以及高度计数据进行时序处理得到输入数据,根据输入数据以及构成向量系数对长短期记忆网络进行训练得到长短期记忆网络模型,根据待估算数据以及所述长短期记忆网络模型得到待估算声速场的估算向量系数,根据估算向量系数进行估算处理得到估算声速场,利用具有时序特性的输入数据可以减少输入数据的数据量并且增加波动频繁区域的声速场估算精度,结合长短期记忆网络的记忆特性,有利于估算出精度更高的估算声速场。
Description
技术领域
本发明涉及数据处理技术领域,特别是涉及一种声速场估算方法、装置及存储介质。
背景技术
声速场是声速的三维分布,主要受到水体中温度、盐度随深度分布的影响,现今声速场在水下通信、灾害预测、水下救援、声纳测距、定位等水下应用中起着重要作用,因此一个精确的声速场,对水下活动有着重要意义。目前的相关技术中,需要大量的历史样本进行训练,找出样本中的多数特征关系,因此少部分特征离群值大的区域的样本进行估算时难以得到精度高的声速场,并且在估算过程中需要声速场的构成向量保持统一,对声速场构成向量的精度要求高。
发明内容
基于此,本发明的目的在于解决上述问题中的至少之一,提供一种声速场估算方法、装置及存储介质,提高估算声速场的准确度。
本发明实施例提供了一种声速场估算方法,包括:
获取目标区域的测量时间连续的历史声速数据、平均声速剖面以及遥感数据;所述遥感数据包括海面温度数据以及高度计数据;
根据所述历史声速数据以及所述平均声速剖面进行向量提取处理,得到构成向量系数;
对所述海面温度数据以及所述高度计数据进行时序处理,得到输入数据;
根据所述输入数据以及所述构成向量系数对长短期记忆网络进行训练,得到长短期记忆网络模型;
获取待估算数据,根据所述待估算数据以及所述长短期记忆网络模型得到待估算声速场的估算向量系数;
根据所述估算向量系数进行估算处理,得到估算声速场。
进一步,所述根据所述历史声速数据以及所述平均声速剖面进行向量提取处理,得到构成向量系数,包括:
对所述历史声速数据进行预设处理,得到声速场矩阵;
根据所述声速场矩阵与所述平均声速剖面的差值,确定声速波动场;
根据所述声速波动场计算构成向量系数。
进一步,所述根据所述声速波动场计算构成向量系数,包括:
根据所述声速波动场计算得到声速场构成向量;
确定每一阶的声速场构成向量的方差贡献率,将满足方差贡献率之和大于或等于预设贡献率阈值的前预设数量阶的声速场构成向量作为目标构成向量;
根据所述目标构成向量以及预设声速计算公式进行回归处理,得到构成向量系数。
进一步,所述预设声速计算公式,具体为:
进一步,所述根据所述估算向量系数进行估算处理,得到估算声速场,包括:
将所述估算向量系数作为新的目标构成向量的构成向量系数,以根据平均声速剖面、目标构成向量的总阶数、目标构成向量以及所述预设声速计算公式计算得到估算声速场。
进一步,所述海面温度数据包括若干个海面温度,所述高度计数据包括若干个高度计数值;所述对所述海面温度数据以及所述高度计数据进行时序处理,得到输入数据,包括:
将每一所述海面温度、每一所述高度计数值按照时间顺序先后进行排列;
从按照时间顺序先后进行排列后的所述海面温度以及所述高度计数值中确定起点;
将所述起点以及所述起点的前预设数量个海面温度以及高度计数值进行组合,得到样本数据;
将排列所述起点的后一个所述海面温度以及所述高度计数值作为新的起点,返回将所述起点以及所述起点的前预设数量个海面温度以及高度计数值进行组合的步骤,直至不存在新的起点,得到输入数据;所述输入数据包括若干个样本数据。
进一步,所述根据所述输入数据以及所述构成向量系数对长短期记忆网络进行训练,得到长短期记忆网络模型,包括:
将所述输入数据作为所述长短期记忆网络的输入,并将所述构成向量系数作为所述长短期记忆网络的输出,对所述长短期记忆网络进行训练;
当训练次数大于或等于预设训练迭代次数,得到长短期记忆网络模型。
本发明实施例还提供一种声速场估算装置,包括:
获取模块,用于获取目标区域的测量时间连续的历史声速数据、平均声速剖面以及遥感数据;所述遥感数据包括海面温度数据以及高度计数据;
提取模块,用于根据所述历史声速数据以及所述平均声速剖面进行向量提取处理,得到构成向量系数;
时序模块,用于对所述海面温度数据以及所述高度计数据进行时序处理,得到输入数据;
训练模块,用于根据所述输入数据以及所述构成向量系数对长短期记忆网络进行训练,得到长短期记忆网络模型;
第一估算模块,用于获取待估算数据,根据所述待估算数据以及所述长短期记忆网络模型得到待估算声速场的估算向量系数;
第二估算模块,用于根据所述估算向量系数进行估算处理,得到估算声速场。
本发明实施例还提供一种声速场估算装置,所述声速场估算装置包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现所述方法。
本发明实施例还提供一种计算机可读存储介质,所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现所述方法。
本发明的有益效果是:
通过获取目标区域的测量时间连续的历史声速数据、平均声速剖面以及遥感数据,根据历史声速数据以及平均声速剖面进行向量提取处理,得到构成向量系数,对海面温度数据以及高度计数据进行时序处理,得到输入数据,根据输入数据以及构成向量系数对长短期记忆网络进行训练,得到长短期记忆网络模型,根据待估算数据以及长短期记忆网络模型得到待估算声速场的估算向量系数,根据估算向量系数进行估算处理,得到估算声速场,利用具有时序特性的输入数据可以减少输入数据的数据量并且增加波动频繁区域的声速场估算精度;同时,结合长短期记忆网络的记忆特性,有利于在离群值大的区域估算出精度更高的估算声速场,提高估算准确性。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本发明声速场估算方法的步骤流程示意图;
图2为本发明具体实施例的长短期记忆网络模型与现有的单经验正交函数回归模型的估算结果示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
如图1所示,本发明实施例提供一种声速场估算方法,包括步骤S100-S600:
S100、获取目标区域的测量时间连续的历史声速数据、平均声速剖面以及遥感数据。
可选地,遥感数据与历史声速数据对应,遥感数据包括但不限于海面温度数据以及高度计数据,海面温度数据包括若干个海面温度,高度计数据包括若干个高度计数值,历史声速数据包括若干个声速相关数据。需要说明的是,目标区域可以根据实际需要选定,平均声速剖面可以通过历史声速数据进行平均计算得到或者可以获取自World Ocean Atlas数据,数据来源不唯一。
S200、根据历史声速数据以及平均声速剖面进行向量提取处理,得到构成向量系数。
可选地,步骤S200包括步骤S210-S230:
S210、对历史声速数据进行预设处理,得到声速场矩阵。
需要说明的是,在确定剖面的最大深度,要根据目标区域的特征考虑,不但要考虑目标区域的最大深度,还要考虑深度与声速值的样本数量的关系,最大深度越大,声速值的样本数量越少。本发明实施例考虑到目标区域的海洋特性,为了平衡误差,声速值的采样点应该在扰动大的地方密集,在扰动小的地方稀疏。但是获取的声速相关数据在深度上的采样一般情况不同,因此本发明实施例利用预设处理以获取深度标准的声速场矩阵,可以知道该声速场矩阵即为历史声速数据经过处理后得到的历史的声速场矩阵。
可选地,预设处理包括插值处理以及转换处理。具体地,插值处理为:通过三次样条插值法对声速数据进行插值处理,在插值处理后进行转换处理使得声速相关数据的深度统一,再进行转换处理使得声速相关数据中转化成声速值,从而整合为一个深度*样本数(声速值的数量)的历史声速场矩阵。
S220、根据声速场矩阵与平均声速剖面的差值,确定声速波动场。
S230、根据声速波动场计算构成向量系数。
可选地,步骤S230包括步骤S2301-S2303:
S2301、根据声速波动场计算得到声速场构成向量。
本发明实施例中,通过计算声速波动场的协方差矩阵,然后对声速波动场的协方差矩阵进行正交分解处理进行声速场构成向量的求解,具体公式如下:
其中,为(历史)声速波动场的协方差矩阵,/>是(目标区域)声速场构成向量,/>是方差矩阵。需要说明的是,方差矩阵/>是一个对角矩阵,对角矩阵中每一个数对应代表了目标区域构成向量每一列所能代表的波动方差,而方差贡献率是Λ矩阵每一个数占总值的比值,即这一阶的波动方差占总方差的比值。
S2302、确定每一阶的声速场构成向量的方差贡献率,将满足方差贡献率之和大于或等于预设贡献率阈值的前预设数量阶的声速场构成向量作为目标构成向量。
可选地,预设贡献率阈值根据实际情况设定,例如为95%,这样可以在保证精度的同时,避免引入较大的误差。例如,前99阶声速场构成向量的贡献率之和小于95%,而前100阶声速场构成向量的贡献率之和大于或等于95%,此时确定前预设数量为100,将前100阶的声速场构成向量作为目标构成向量。
S2303、根据目标构成向量以及预设声速计算公式进行回归处理,得到构成向量系数。
本发明实施例中,在计算确定目标构成向量之后,结合预设声速计算公式通过最小二乘法进行回归处理即可以计算得到构成向量系数。
具体地,预设声速计算公式为:
可选地,步骤S230之后还可以包括检验步骤S240:
S240、根据构成向量系数、平均声速剖面、目标构成向量以及预设声速计算公式,估算出第一检验声速数据,根据第一检验声速数据以及历史声速数据确定构成向量系数的精度。
具体地,精度评价可以利用均方根误差RMSE:
当均方根误差RMSE小于或等于第一误差阈值时,认为构成向量系数具备一定精度,可以执行步骤S300,否则返回S200直至构成向量系数具备一定精度。
S300、对海面温度数据以及高度计数据进行时序处理,得到输入数据。
可选地,步骤S300包括步骤S310-S340:
S310、将每一海面温度、每一高度计数值按照时间顺序先后进行排列。
具体地,将每一海面温度、每一高度计数值按照时间顺序的先后由先到后(由早到晚)进行排列,并且一个海面温度对应一个相同时间的高度计数值;同时对构成向量系数按照时间排序。
S320、从按照时间顺序先后进行排列后的海面温度以及高度计数值中确定起点。
例如,假设起点为第X个数据,即以第X个海面温度以及高度计数值作为起点。
S330、将起点以及起点的前预设数量个海面温度以及高度计数值进行组合,得到样本数据。
需要说明的是,预设数量n可以根据实际需要调整,包括但不限于小于或等于7。具体地,将起点(即第X个海面温度以及高度计数值)和起点的前n个海面温度以及高度计数值组合打包,形成一个样本数据,即将第X个海面温度以及高度计数值和X的前n个海面温度以及高度计数值形成一个样本数据,作为第X个模型输入的数据。
S340、将排列起点的后一个海面温度以及高度计数值作为新的起点,返回将起点以及起点的前预设数量个海面温度以及高度计数值进行组合的步骤,直至不存在新的起点,得到输入数据。
具体地,将排列起点的后一个海面温度以及高度计数值作为新的起点,即将第X+1个海面温度以及高度计数值作为新的起点,然后返回步骤S330,将第X+1个海面温度以及高度计数值和X+1的前n个海面温度以及高度计数值形成另一个样本数据,作为第X+1个模型输入的数据,直至不存在新的起点即此时最后一个起点为A(海面温度或高度计数值的总数量),最后形成输入数据。因此,从上述内容可以知道,输入数据可以包括若干个样本数据,输入数据为一个维度为2(n+1)*(A-n)的输入矩阵。其中,输入数据可以分为训练数据以及测试数据,排列靠前的第一数量的样本数据为训练数据(即前n个样本数据),排列靠后的第二数量的样本数据为测试数据(第n+1个样本数据依次按时序往右推进至最后的样本数据)。需要说明的是,第一数量和第二数量可以根据实际情况确定,不作具体限定。
本发明实施例中,该输入数据即输入矩阵具有时序性,特点在于通过输入连续一定时间的遥感数据,有利于更好的激活长短期记忆网络里的记忆细胞,用更少的样本,让模型学习更多的信息,并且根据梯度重复学习若干次,加深模型对样本数据的记忆,提高模型的估算精度。
S400、根据输入数据以及构成向量系数对长短期记忆网络进行训练,得到长短期记忆网络模型。
需要说明的是,长短期记忆网络(Long Short Term Memory, LSTM)具有长短期记忆算法,长短期记忆算法是循环神经网络(Recurrent Neural Network, RNN)的迭代算法,解决了RNN的梯度爆炸和梯度消失的问题,LSTM是一种全新的模型结构,在隐藏层中添加了一个记忆细胞,使其能够和之前时刻产生联系。
可选地,步骤S400包括步骤S410-S420:
S410、将输入数据作为长短期记忆网络的输入,并将构成向量系数作为长短期记忆网络的输出,对长短期记忆网络进行训练。
需要说明的是,使用构成向量系数作为长短期记忆网络的输出的优势在于:声速场构成向量可以很好的反应声速场的物理性质,因为模型追求的是精度最佳,这往往不能顾及到声速场的物理性质,声速场在深海处声速的变化往往是,单调递减的,平滑的,而模型如果估算出没有物理性质的声速场,在深海出的声速,往往不是单调递减的,不平滑的,因为声速值的波动向左和向右,模型追求的是波动的绝对值最小,不会管声速变化的方向,因此声速场构成向量的构成向量系数作为长短期记忆网络的输出,利用声速场构成向量的物理性,有利于使长短期记忆网络估算出的声速场具有物理性。
需要说明的是,该步骤S410中将输入数据中的训练数据作为长短期记忆网络的输入。
S420、当训练次数大于或等于预设训练迭代次数,得到长短期记忆网络模型。
可选地,预设训练迭代次数可以根据实际情况设定,当对长短期记忆网络的训练次数大于或等于预设训练迭代次数,训练结束,得到长短期记忆网络模型。
需要说明的是,在得到长短期记忆网络模型后,还包括长短期记忆网络模型的检验步骤S430:
S430、将输入数据中的测试数据输入至长短期记忆网络模型中,得到检验构成向量系数,根据检验构成向量系数、平均声速剖面、目标构成向量以及预设声速计算公式,估算出第二检验声速数据,根据第二检验声速数据以及测试数据确定检验构成向量系数的精度。
类似地,精度评价可以利用均方根误差RMSE,公式原理与S240相同,不再赘述。当该步骤S430中计算得到的均方根误差RMSE小于或等于第二误差阈值时,认为检验构成向量系数具备一定精度,此时长短期记忆网络模型训练结束,否则增加预设训练迭代次数并返回步骤S420,直至检验构成向量系数具备一定精度,此时得到训练结束的长短期记忆网络模型。需要说明的是,后续步骤中利用的长短期记忆网络模型为训练结束的长短期记忆网络模型。
本发明实施例中,将训练数据作为长短期记忆网络的输入,将构成向量系数作为长短期记忆网络的输出,对长短期记忆网络进行训练,再将测试数据输入至长短期记忆网络模型中,使得长短期记忆网络形成的输出矩阵的维度为S*(测试输入数据的个数)。
S500、根据获取待估算数据,根据待估算数据以及长短期记忆网络模型得到待估算声速场的估算向量系数。
S600、根据估算向量系数进行估算处理,得到估算声速场。
具体地,将估算向量系数作为新的目标构成向量的构成向量系数,即此时预设声速计算公式中的的值更新为估算向量系数/>,以根据平均声速剖面/>、目标构成向量的总阶数/>、目标构成向量/>以及预设声速计算公式计算得到待估算声速数据,从而得到估算声速场。
图2中展示了LSTM模型(长短期记忆网络模型)与单经验正交函数回归模型在估计中国南海声速场的表现,此次实验的LSTM模型的n=3,N'=8,A=269。可以看到单经验正交函数回归模型的误差都集中在119°E-119.5°E,18°N-18.5°N的蓝框K里,LSTM模型的误差较为分散,那是因为蓝框K处正是离群值大的区域,该区域的Ekman抽吸速率大,严重影响了高度计数据的精确度。因此线性的单经验正交函数回归模型在估计中国南海声速场时,误差汇集在这个区域,但是本发明实施例的方法,可以很好的解决这个区域的声速场估计问题。另外,在这个蓝框K的样本里,LSTM模型的估算精度,提高了43.34%,可以很好的说明,LSTM模型可以在离群值大的区域,更好的完成声速场估算任务。此次实验LSTM模型使用了269个样本,但是此次实验单经验正交回归函数却使用了3881个样本,从整体来看,LSTM模型的精度也提高了24.46%。也说明了,LSTM模型可以在使用更少的样本的情况下,估算出精度更高的声速场。
相对于现有技术,本发明实施例的声速场估算方法:只需要使用几个样本或极少量样本即可实现对声速场的高精度估算,可以减少输入数据的数据量,即使是样本缺乏的地区也能够适用;利用长短期记忆网络模型记忆的特性和具有时序特性的输入数据,即使在离群值大的区域也能够估算出精度更高的声速场。同时,利用输入数据的时间连续的特性,可以减少模型对声速场构成向量精度的依赖。
本发明实施例还提供一种声速场估算装置,包括:
获取模块,用于获取目标区域的测量时间连续的历史声速数据、平均声速剖面以及遥感数据;所述遥感数据包括海面温度数据以及高度计数据;
提取模块,用于根据所述历史声速数据以及所述平均声速剖面进行向量提取处理,得到构成向量系数;
时序模块,用于对所述海面温度数据以及所述高度计数据进行时序处理,得到输入数据;
训练模块,用于根据所述输入数据以及所述构成向量系数对长短期记忆网络进行训练,得到长短期记忆网络模型;
第一估算模块,用于获取待估算数据,根据所述待估算数据以及所述长短期记忆网络模型得到待估算声速场的估算向量系数;
第二估算模块,用于根据所述估算向量系数进行估算处理,得到估算声速场。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同,不再赘述。
本发明实施例还提供了另一种声速场估算装置,该声速场估算装置包括处理器和存储器,存储器中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现前述实施例的声速场估算方法。可选地,该声速场估算装置包括但不限于手机、平板电脑、电脑及车载电脑等。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同,不再赘述。
本发明实施例还提供一种计算机可读存储介质,存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现前述实施例的声速场估算方法。
本发明实施例还提供一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前述实施例的声速场估算方法。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (7)
1.一种声速场估算方法,其特征在于,包括:
获取目标区域的测量时间连续的历史声速数据、平均声速剖面以及遥感数据;所述遥感数据包括海面温度数据以及高度计数据;
根据所述历史声速数据以及所述平均声速剖面进行向量提取处理,得到构成向量系数,具体包括:根据所述历史声速数据以及所述平均声速剖面确定声速波动场,根据所述声速波动场计算构成向量系数;所述根据所述声速波动场计算构成向量系数,包括:
根据所述声速波动场计算得到声速场构成向量;
确定每一阶的声速场构成向量的方差贡献率,将满足方差贡献率之和大于或等于预设贡献率阈值的前预设数量阶的声速场构成向量作为目标构成向量;
根据所述目标构成向量以及预设声速计算公式进行回归处理,得到构成向量系数;所述预设声速计算公式,具体为:
对所述海面温度数据以及所述高度计数据进行时序处理,得到输入数据;
根据所述输入数据以及所述构成向量系数对长短期记忆网络进行训练,得到长短期记忆网络模型;
获取待估算数据,根据所述待估算数据以及所述长短期记忆网络模型得到待估算声速场的估算向量系数;
根据所述估算向量系数进行估算处理,得到估算声速场;
所述根据所述估算向量系数进行估算处理,得到估算声速场,包括:
将所述估算向量系数作为新的目标构成向量的构成向量系数,以根据平均声速剖面、目标构成向量的总阶数、目标构成向量以及所述预设声速计算公式计算得到估算声速场。
2.根据权利要求1所述声速场估算方法,其特征在于:所述根据所述历史声速数据以及所述平均声速剖面确定声速波动场,包括:
对所述历史声速数据进行预设处理,得到声速场矩阵;
根据所述声速场矩阵与所述平均声速剖面的差值,确定声速波动场。
3.根据权利要求1-2任一项所述声速场估算方法,其特征在于:所述海面温度数据包括若干个海面温度,所述高度计数据包括若干个高度计数值;所述对所述海面温度数据以及所述高度计数据进行时序处理,得到输入数据,包括:
将每一所述海面温度、每一所述高度计数值按照时间顺序先后进行排列;
从按照时间顺序先后进行排列后的所述海面温度以及所述高度计数值中确定起点;
将所述起点以及所述起点的前预设数量个海面温度以及高度计数值进行组合,得到样本数据;
将排列所述起点的后一个所述海面温度以及所述高度计数值作为新的起点,返回将所述起点以及所述起点的前预设数量个海面温度以及高度计数值进行组合的步骤,直至不存在新的起点,得到输入数据;所述输入数据包括若干个样本数据。
4.根据权利要求1-2任一项所述声速场估算方法,其特征在于:所述根据所述输入数据以及所述构成向量系数对长短期记忆网络进行训练,得到长短期记忆网络模型,包括:
将所述输入数据作为所述长短期记忆网络的输入,并将所述构成向量系数作为所述长短期记忆网络的输出,对所述长短期记忆网络进行训练;
当训练次数大于或等于预设训练迭代次数,得到长短期记忆网络模型。
5.一种声速场估算装置,其特征在于,包括:
获取模块,用于获取目标区域的测量时间连续的历史声速数据、平均声速剖面以及遥感数据;所述遥感数据包括海面温度数据以及高度计数据;
提取模块,用于根据所述历史声速数据以及所述平均声速剖面进行向量提取处理,得到构成向量系数,具体包括:根据所述历史声速数据以及所述平均声速剖面确定声速波动场,根据所述声速波动场计算构成向量系数;所述根据所述声速波动场计算构成向量系数,包括:
根据所述声速波动场计算得到声速场构成向量;
确定每一阶的声速场构成向量的方差贡献率,将满足方差贡献率之和大于或等于预设贡献率阈值的前预设数量阶的声速场构成向量作为目标构成向量;
根据所述目标构成向量以及预设声速计算公式进行回归处理,得到构成向量系数;所述预设声速计算公式,具体为:
时序模块,用于对所述海面温度数据以及所述高度计数据进行时序处理,得到输入数据;
训练模块,用于根据所述输入数据以及所述构成向量系数对长短期记忆网络进行训练,得到长短期记忆网络模型;
第一估算模块,用于获取待估算数据,根据所述待估算数据以及所述长短期记忆网络模型得到待估算声速场的估算向量系数;
第二估算模块,用于根据所述估算向量系数进行估算处理,得到估算声速场;
所述根据所述估算向量系数进行估算处理,得到估算声速场,包括:
将所述估算向量系数作为新的目标构成向量的构成向量系数,以根据平均声速剖面、目标构成向量的总阶数、目标构成向量以及所述预设声速计算公式计算得到估算声速场。
6.一种声速场估算装置,其特征在于:所述声速场估算装置包括处理器和存储器,所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-4中任一项所述方法。
7.一种计算机可读存储介质,其特征在于:所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集,所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-4中任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310223144.2A CN115952472B (zh) | 2023-03-09 | 2023-03-09 | 一种声速场估算方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310223144.2A CN115952472B (zh) | 2023-03-09 | 2023-03-09 | 一种声速场估算方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115952472A CN115952472A (zh) | 2023-04-11 |
CN115952472B true CN115952472B (zh) | 2023-07-04 |
Family
ID=85903307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310223144.2A Active CN115952472B (zh) | 2023-03-09 | 2023-03-09 | 一种声速场估算方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115952472B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117291110B (zh) * | 2023-11-24 | 2024-05-07 | 中国海洋大学 | 一种基于卷积神经网络的声速剖面估计方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102009047940B3 (de) * | 2009-10-01 | 2011-03-24 | Atlas Hydrographic Gmbh | Verfahren und Vorrichtung zum Bestimmen der Schallgeschwindigkeit im Bereich einer akustischen Empfangsvorrichtung |
CN112598113A (zh) * | 2020-12-15 | 2021-04-02 | 广东海洋大学 | 一种基于自组织竞争型神经网络的海洋声速剖面获取方法 |
CN114782745B (zh) * | 2022-04-19 | 2024-04-23 | 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 |
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 |
-
2023
- 2023-03-09 CN CN202310223144.2A patent/CN115952472B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115952472A (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
CN113486574B (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 | |
KR101958674B1 (ko) | 시퀀스 재귀 필터링 3차원 변분(3d-var) 기반의 실측 해양 환경 데이터 동화방법 | |
CN115952472B (zh) | 一种声速场估算方法、装置及存储介质 | |
CN109283562B (zh) | 一种车联网中车辆三维定位方法及装置 | |
CN110503071A (zh) | 基于变分贝叶斯标签多伯努利叠加模型的多目标跟踪方法 | |
McCarty et al. | Variationally optimized free-energy flooding for rate calculation | |
CN107153208B (zh) | 一种gps载波相位周跳探测与修复的方法 | |
CN110823190B (zh) | 基于随机森林的岛礁浅海水深预测方法 | |
CN107390229B (zh) | 一种测风激光雷达信号的处理方法及其处理装置 | |
CN111127523A (zh) | 基于量测迭代更新的多传感器gmphd自适应融合方法 | |
CN108663711B (zh) | 一种基于τ分布的贝叶斯地震反演方法 | |
CN108508463B (zh) | 基于Fourier-Hermite正交多项式扩展椭球集员滤波方法 | |
CN112946698A (zh) | 一种基于强化学习的卫星信号周跳探测方法 | |
CN104699966B (zh) | 一种融合GNSS和InSAR数据获取高时空分辨率形变序列的方法 | |
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 | |
CN113516754B (zh) | 一种基于磁异常模量数据的三维可视化成像方法 | |
Miao et al. | A novel model of estimating sea state bias based on multi-layer neural network and multi-source altimeter data | |
CN111340853B (zh) | 基于ospa迭代的多传感器gmphd自适应融合方法 | |
CN110647717B (zh) | 一种基于关联维数的水文模型参数优选方法 | |
CN113064444B (zh) | 无人机下一飞行位置的预测方法、装置、设备和存储介质 | |
CN114741659B (zh) | 一种自适应模型在线重构建鲁棒滤波方法、设备及系统 | |
CN111291495A (zh) | 一种逆高斯纹理海杂波幅度分布模型参数估计方法 | |
CN113742911B (zh) | 混沌时间序列的高精度自适应盲估计方法 | |
CN110119578B (zh) | 海底趋势面构造方法、海底趋势预估方法及装置 |
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 |