CN116202611A - 一种基于元学习的小样本声速剖面反演方法 - Google Patents
一种基于元学习的小样本声速剖面反演方法 Download PDFInfo
- Publication number
- CN116202611A CN116202611A CN202310497625.2A CN202310497625A CN116202611A CN 116202611 A CN116202611 A CN 116202611A CN 202310497625 A CN202310497625 A CN 202310497625A CN 116202611 A CN116202611 A CN 116202611A
- Authority
- CN
- China
- Prior art keywords
- velocity profile
- sound velocity
- task
- learner
- training
- 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
Images
Classifications
-
- 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
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明提供了一种基于元学习的小样本声速剖面反演方法,属于无线电导航技术与海洋观测相结合的技术领域。本发明通过基础元学习器学习不同分布类型的声速剖面数据的公共特征,辅助任务学习器建立声场到声速分布的映射关系,使任务学习器在任务所属声速分布类型集合中只需要少量参考声速剖面样本,较少次数训练即可完成模型收敛,减小模型过拟合,提高小样本情况下声速剖面反演精度。本发明提出的方法相比于传统声速剖面反演方法,降低了参考声速剖面样本需求,小样本情况下反演精度更高,适用性更广。
Description
技术领域
本发明属于无线电导航技术与海洋观测相结合的技术领域,具体地说,尤其涉及一种基于元学习的小样本声速剖面反演方法。
背景技术
目前对声速剖面反演方法进行了一定研究,其中: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函数分解,通过声场匹配处理技术,使其模拟的理论信号传播时间与实测值误差最小,能够较为精确的拟合实际声速剖面,但该方法匹配项搜索采用启发式算法实现,时间效率低。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。一种联合射线理论和神经网络的声速剖面反演方法,该方法提出一种自编码特征映射神经网络结构,减小声场测量误差对于声速反演精度的影响,提高模型的鲁棒性。
总体来说,现有的声速剖面反演方法均在声速反演时利用历史参考声速剖面数据,建立声场、温度场或盐度场到声速剖面分布的映射关系,并在给定现场实测声场、温度场、盐度场数据时对区域声速剖面分布情况进行估计,可以获得目标区域较为精确的声速剖面分布估计,但是由于多数海洋区域历史参考声速剖面样本稀少,声速剖面反演模型容易陷入过拟合,泛化能力不足,降低了声速剖面反演精度。
发明内容
本发明的目的在于提供一种基于元学习的小样本声速剖面反演方法,以弥补现有技术的不足。
为达到上述目的,本发明是通过以下具体技术方案实现的:
一种基于元学习的小样本声速剖面反演方法,包括以下步骤:
S1:收集历史声速剖面数据及其采样时空信息,并对历史声速剖面数据进行聚类处理;
S3:根据声速剖面反演任务所在地区最大海深,截取声速剖面反演任务所属类型集合的平均声速剖面在0-/>米内的部分;截取子类别集合的平均声速剖面在0-/>米内的部分;计算两者之间的相关系数/>:遍历子类别集合/>,筛选出/>时的子类别集合,得到基元学习器训练声速剖面类型数据集/>;
S4:利用所述基元学习器训练声速剖面类型数据集对基元学习器进行训练,进行参数更新,得到基元学习器模型参数;以所述基元学习器模型参数为初始参数对各基元学习器的联合代价函数做最优化来更新全局学习器模型参数;
S6:利用S5训练好的任务学习器模型进行声速剖面反演,最终得到声速剖面。
进一步的,所述S1中,历史声速剖面数据构成集合,其中/>为第i个声速剖面样本,表示为/>,其历史声速剖面样本采样时空信息为/>,/>为时间信息,单位“天”,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”,/>为原始经度坐标,/>为原始纬度坐标,单位“度”;集合中样本经过聚类后形成分布规律不同的子类别集合/>子类别集合中的样本/>,集合/>中样本均来自于集合,集合/>中平均声速剖面为/>=/>。
进一步的,所述S2具体为:
S2-2:根据式(1)计算声速剖面反演任务的时空信息与历史声速剖面样本采样时空信息之间的欧式距离:
其中,时间距离计算依据:
空间距离计算依据:
进一步的,所述S3具体为:声速剖面在表面层表现为正梯度或负梯度,表面层深度随纬度变化而变化,通常在400米以内,在主跃层表现为负梯度,在深海等温层层表现为正梯度;截取声速剖面反演任务所属类型集合的平均声速剖面/>在0-/>米内的部分=/>,深度标号/>,为标号深度层的平均声速值,/>为标号深度层的实际深度值;截取子类别集合的平均声速剖面/>在0-/>米内的部分/>=/>,;计算/>与/>之间的相关系数/>:
其中,为声速剖面反演任务所属类型集合的平均声速剖面在表面层截取部分/>的平均声速值,/>是子类别集合/>的平均声速剖面在表面层截取部分/>的平均声速值;遍历子类别集合/>,筛选出/>时的子类别集合,用于后续基元学习器训练,并形成基元学习器训练声速剖面类型数据集,/>,其中/>表示用于基元学习器训练的第/>个声速剖面类型集合,/>为类型序列标号,共/>个类型。
进一步的,所述S4具体为:
S4-1:参数初始化:
全局学习器参数初始化为,模型训练过程以迭代方式完成,迭代次数为m,m=1,2,…,M,此过程为元模型训练阶段;在元模型训练阶段第m轮迭代过程中,基元学习器数量为/>,基元学习器的参数由全局学习器参数传递获得,即/>;
S4-2:基元学习器训练:
从基元学习器训练声速剖面类型数据集中,随机选择/>个声速剖面类型集合分别分配给/>个基元学习器,每个基元学习器对应一个声速剖面类型集合;对于基元学习器,从其分配的声速剖面类型集合中选择/>个声速剖面样本作为训练数据,1个声速剖面样本作为测试数据,样本按照相同准则进行降采样;已知信号传播时间测量模型结构如图4所示,海底基站固定,海面航行器延水平直线方向航行并与海底基站处于同一垂直平面内(构成垂直剖面),每间隔/>米测量一组信号传播时间数据,共测量/>组数据;用于训练基元学习器的第/>个声速剖面经过降采样后表示为,其中/>为降采样后深度标号, />为深度标号对应的深度值, />为深度标号对应的声速值,根据射线理论,计算信号由海底基站传播到每一个海面航行器所在位置时的模拟信号传播时间,/>,/>表示对于基元学习器的第/>个声速剖面情况,信号由海底基站传播第/>个海面航行器所在位置时的模拟信号传播时间;依次将/>个声速剖面训练数据对应的/>组模拟信号传播时间数据/>输入到神经网络,根据式(6)(7)计算隐含层神经元和输出层神经元对应的声速估计值:
其中,η为基元学习器参数学习速率。
S4-3:全局学习器训练:
进一步的,所述S5中,任务学习器为神经网络模型,任务学习器模型参数初始化为,声速剖面反演任务所属类型集合/>作为训练数据;对任务学习器进行/>轮训练,/>为任务学习器训练总轮次数目参数,每轮训练从/>中随机提取一组声速剖面样本/>,根据射线理论计算信号由海底基站传播到每一个海面航行器所在位置时的模拟信号传播时间/>,,对声速剖面样本/>重采样得到/>作为任务学习期输入,得到估计声速值序列/>;第/>轮训练的代价函数为:
任务学习期参数更新的优化目标函数为:
优化式(16)并采用BP算法更新任务学习期参数:
进一步的,所述S6具体为:获得实测信号传播时间序列,,其中/>表示声速反演任务中由海底基站传播到第/>个海面航行器所在位置时的实测信号传播时间,/>为位置标号,共有/>个位置,将/>输入到已训练收敛的任务学习器模型/>,得到任务学习器的声速估计序列/>,,其中/>为深度标号,对应深度值序列为/>,/>为任务学习器在深度标号对应的声速估计值,对/>按照深度索引进行插值,得到声速剖面,其中深度标号/>,/>为按照深度索引插值后的深度标号对应的深度值,/>为按照深度索引插值后的深度标号对应的声速估计值,/>为最终反演声速剖面。
与现有技术相比,本发明的优点和有益效果是:
本发明通过基础元学习器学习不同分布类型的声速剖面数据的公共特征,辅助任务学习器建立声场到声速分布的映射关系,使任务学习器在任务所属声速分布类型集合中只需要少量参考声速剖面样本,较少次数训练即可完成模型收敛,减小模型过拟合,提高小样本情况下声速剖面反演精度。本发明提出的方法相比于传统声速剖面反演方法,降低了参考声速剖面样本需求,小样本情况下反演精度更高,适用性更广。
附图说明
图1为本发明的整体流程示意图。
图2为本发明实施例中所用神经网络模型结构图。
图3为元学习模型训练与反演流程示意图。
图4为信号传播时间测量模型。
图5为实施例2的反演结果对比图。
具体实施方式
下面结合实施例对本发明所述的技术方案作进一步地描述说明。
实施例1
已知全部历史声速剖面数据构成集合,其中/>为第i个声速剖面样本,表示为/>,其采样时间空间信息为/>,/>为时间信息,单位“天”,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”,/>为原始经度坐标,/>为原始纬度坐标,单位“度”。集合中样本经过聚类后形成分布规律不同的子类别集合子类别集合中的样本,集合/>中样本均来自于集合,集合中平均声速剖面为/>=/>。
一种基于跨时空声速剖面聚类的声速分布快速估计方法如图1所示,具体步骤如下:
步骤1:声速剖面反演任务所属类型集合映射
空间距离计算依据:
步骤2:声速分类集合筛选
声速剖面在表面层表现为正梯度或负梯度,表面层深度随纬度变化而变化,通常在400米以内,在主跃层表现为负梯度,在深海等温层层表现为正梯度,截取声速剖面反演任务所属类型集合的平均声速剖面/>在0-/>米内的部分/>=,深度标号/>,/>为标号深度层的平均声速值,/>为标号深度层的实际深度值;截取各子类别集合/>的平均声速剖面/>在0-/>米内的部分/>=/>,。
其中,为声速剖面反演任务所属类型集合的平均声速剖面在表面层截取部分/>的平均声速值,/>是子类别集合/>的平均声速剖面在表面层截取部分/>的平均声速值。遍历子类别集合/>,筛选出/>时的子类别集合,用于后续基元学习器训练,并形成基元学习器训练声速剖面类型数据集,/>,其中/>表示用于基元学习器训练的第/>个声速剖面类型集合,/>为类型序列标号,共/>个类型。
步骤3:基元学习器训练与全局学习器训练
(1)参数初始化
基元学习器训练与全局学习器为同结构神经网络模型如图2所示,全局学习器参数初始化为,模型训练过程以迭代方式完成,迭代次数为m,m=1,2,…,M,此过程为元模型训练阶段,如图3所示。在元模型训练阶段第m轮迭代过程中,基元学习器数量为/>,基元学习器n z 的参数由全局学习器参数传递获得,即/>。
(2)基元学习器训练
从基元学习器训练声速剖面类型数据集中,随机选择/>个声速剖面类型集合分别分配给/>个基元学习器,每个基元学习器对应一个声速剖面类型集合。对于基元学习器,从其分配的声速剖面类型集合中选择/>个声速剖面样本作为训练数据,1个声速剖面样本作为测试数据,样本按照相同准则进行降采样。已知信号传播时间测量模型结构如图4所示,海底基站固定,海面航行器延水平直线方向航行并与海底基站处于同一垂直平面内(构成垂直剖面),每间隔/>米测量一组信号传播时间数据,共测量/>组数据。用于训练基元学习器的第/>个声速剖面经过降采样后表示为,其中/>为降采样后深度标号, />为深度标号对应的深度值, />为深度标号对应的声速值,根据射线理论,计算信号由海底基站传播到每一个海面航行器所在位置时的模拟信号传播时间,/>,/>表示对于基元学习器的第/>个声速剖面情况,信号由海底基站传播第/>个海面航行器所在位置时的模拟信号传播时间。依次将/>个声速剖面训练数据对应的/>组模拟信号传播时间数据/>输入到神经网络,根据式(6)(7)计算隐含层神经元和输出层神经元对应的声速估计值:
其中,η为基元学习器参数学习速率。
(3)全局学习器训练
步骤4:任务学习器训练
任务学习器为神经网络模型,结构如图2所示,任务学习器模型参数初始化为,声速剖面反演任务所属类型集合/>作为训练数据。对任务学习器进行/>轮训练,/>为任务学习器训练总轮次数目参数,每轮训练从/>中随机提取一组声速剖面样本/>,根据射线理论计算信号由海底基站传播到每一个海面航行器所在位置时的模拟信号传播时间/>,/>,对声速剖面样本/>重采样得到/>作为任务学习期输入,得到估计声速值序列/>。第/>轮训练的代价函数为:/>
任务学习期参数更新的优化目标函数为:
优化式(16)并采用BP算法更新任务学习期参数:
步骤5:任务学习器声速剖面反演
采用图4所示测量模型获得实测信号传播时间序列,,其中/>表示声速反演任务中由海底基站传播到第/>个海面航行器所在位置时的实测信号传播时间,/>为位置标号,共有/>个位置,将/>输入到已训练收敛的任务学习器模型/>,得到任务学习器的声速估计序列/>,,其中/>为深度标号,对应深度值序列为/>,/>,为任务学习器在深度标号对应的声速估计值,对/>按照深度索引进行插值,得到声速剖面/>,其中深度标号/>,/>为按照深度索引插值后的深度标号对应的深度值,/>为按照深度索引插值后的深度标号对应的声速估计值,/>为最终反演声速剖面。
实施例2:
本实施例以实施例1提供的反演方法为基础,将400组深度为400米的历史声速剖面数据进行聚类处理,得到22个不同声速分布类型集合;采用3组基元学习器进行40轮训练,获得全局学习器参数;随机选择一个声速剖面样本为声速剖面反演任务测试数据,声速剖面反演任务所属的声速剖面类型中共有20个历史声速剖面样本,将全局学习器参数传递给任务学习器,并利用20个历史声速剖面样本进行20轮训练,每轮训练利用随机抽取的3个历史样本进行任务学习器参数更新;任务学习器经过20轮训练后,根据图4方式获得的实测信号传播时间序列信号作为输入数据,对声速剖面进行反演,得到的反演结果,如图5所示。经过100次试验测试,元学习反演声速剖面与测试声速剖面的平均均方根误差为1.036(m/s),匹配场处理反演声速剖面与测试声速剖面的平均均方根误差为1.211(m/s)。
本发明利用多个基础元学习器分别对具有不同分布类型的声速剖面参考样本进行学习,提取声速剖面分布的公共特征作为声速剖面反演任务学习器的初始化参数,使任务学习器在任务所属声速分布类型集合中只需要少量参考声速剖面样本,较少次数训练即可完成模型收敛,减小模型过拟合,增强其泛化能力,提高小样本情况下声速剖面反演精度。
本发明解决了水下声速剖面参考样本稀少导致传统声速剖面反演方法容易过拟合而降低声速剖面反演精度的问题,减小由于声速分布导致的水声测距误差,提高水下定位、导航系统精度,属于海洋参数估计的范畴。随着水下声速场构建技术的发展,它可以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。
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 (6)
1.一种基于元学习的小样本声速剖面反演方法,其特征在于,包括以下步骤:
S1:收集历史声速剖面数据及其采样时空信息,并对历史声速剖面数据进行聚类处理;
S3:根据声速剖面反演任务所在地区最大海深,截取声速剖面反演任务所属类型集合的平均声速剖面在0-/>米内的部分;截取子类别集合的平均声速剖面在0-/>米内的部分;计算两者之间的相关系数/>:遍历子类别集合/>,筛选出/>时的子类别集合,得到基元学习器训练声速剖面类型数据集/>;
S4:利用所述基元学习器训练声速剖面类型数据集对基元学习器进行训练,进行参数更新,得到基元学习器模型参数;以所述基元学习器模型参数为初始参数对各基元学习器的联合代价函数做最优化来更新全局学习器模型参数;
S6:利用S5训练好的任务学习器模型进行声速剖面反演,最终得到声速剖面。
3.如权利要求1所述的小样本声速剖面反演方法,其特征在于,所述S2具体为:
S2-2:根据式(1)计算声速剖面反演任务的时空信息与历史声速剖面样本采样时空信息之间的欧式距离:
其中,时间距离计算依据:
空间距离计算依据:
4.如权利要求1所述的小样本声速剖面反演方法,其特征在于,所述S3具体为:声速剖面在表面层表现为正梯度或负梯度,表面层深度随纬度变化而变化,通常在400米以内,在主跃层表现为负梯度,在深海等温层表现为正梯度;截取声速剖面反演任务所属类型集合的平均声速剖面/>在0-/>米内的部分/>=/>,深度标号/>,/>为标号深度层的平均声速值,/>为标号深度层的实际深度值;截取子类别集合/>的平均声速剖面/>在0-/>米内的部分/>=,/>;计算/>与/>之间的相关系数:
5.如权利要求1所述的小样本声速剖面反演方法,其特征在于,所述S5中,任务学习器为神经网络模型,任务学习器模型参数初始化为,声速剖面反演任务所属类型集合/>作为训练数据;对任务学习器进行/>轮训练,/>为任务学习器训练总轮次数目参数,每轮训练从/>中随机提取一组声速剖面样本/>,根据射线理论计算信号由海底基站传播到每一个海面航行器所在位置时的模拟信号传播时间/>,/>,对声速剖面样本/>重采样得到/>作为任务学习期输入,得到估计声速值序列/>;第/>轮训练的代价函数为:/>
任务学习期参数更新的优化目标函数为:
优化式(16)并采用BP算法更新任务学习期参数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310497625.2A CN116202611B (zh) | 2023-05-06 | 2023-05-06 | 一种基于元学习的小样本声速剖面反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310497625.2A CN116202611B (zh) | 2023-05-06 | 2023-05-06 | 一种基于元学习的小样本声速剖面反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116202611A true CN116202611A (zh) | 2023-06-02 |
CN116202611B CN116202611B (zh) | 2023-07-14 |
Family
ID=86517704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310497625.2A Active CN116202611B (zh) | 2023-05-06 | 2023-05-06 | 一种基于元学习的小样本声速剖面反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116202611B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892096A (zh) * | 2024-03-14 | 2024-04-16 | 中国海洋大学 | 一种基于迁移学习的小样本海洋声速剖面预报方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102353515A (zh) * | 2011-06-22 | 2012-02-15 | 中国海洋大学 | 一种浅海非线性内波声学监测方法及系统 |
CN104820765A (zh) * | 2015-05-26 | 2015-08-05 | 中国科学院声学研究所东海研究站 | 一种海底声学特性的单参数模型的建立方法 |
CN105911551A (zh) * | 2016-05-09 | 2016-08-31 | 浙江大学 | 一种基于加权集合卡尔曼滤波算法的声速剖面反演方法 |
WO2020228547A1 (zh) * | 2019-05-16 | 2020-11-19 | 浙江大学 | 基于倒置式多波束回声仪的声速剖面反演方法 |
CN111983619A (zh) * | 2020-08-07 | 2020-11-24 | 西北工业大学 | 一种基于迁移学习的水声目标前向散射声扰动定位方法 |
CN112463898A (zh) * | 2020-10-21 | 2021-03-09 | 中山大学 | 一种结合速度与噪声监测数据的噪声地图更新方法 |
US10956129B1 (en) * | 2019-12-06 | 2021-03-23 | Natural Computation LLC | Using genetic programming to create generic building blocks |
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 |
CN113591733A (zh) * | 2021-08-04 | 2021-11-02 | 中国人民解放军国防科技大学 | 基于集成神经网络模型的水声通信调制模式分类识别方法 |
CN114492581A (zh) * | 2021-12-27 | 2022-05-13 | 中国矿业大学 | 基于迁移学习和注意力机制元学习应用在小样本图片分类的方法 |
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 |
US20230097859A1 (en) * | 2021-09-30 | 2023-03-30 | Saudi Arabian Oil Company | Method and system for determining coarsened grid models using machine-learning models and fracture models |
-
2023
- 2023-05-06 CN CN202310497625.2A patent/CN116202611B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102353515A (zh) * | 2011-06-22 | 2012-02-15 | 中国海洋大学 | 一种浅海非线性内波声学监测方法及系统 |
CN104820765A (zh) * | 2015-05-26 | 2015-08-05 | 中国科学院声学研究所东海研究站 | 一种海底声学特性的单参数模型的建立方法 |
CN105911551A (zh) * | 2016-05-09 | 2016-08-31 | 浙江大学 | 一种基于加权集合卡尔曼滤波算法的声速剖面反演方法 |
WO2020228547A1 (zh) * | 2019-05-16 | 2020-11-19 | 浙江大学 | 基于倒置式多波束回声仪的声速剖面反演方法 |
US10956129B1 (en) * | 2019-12-06 | 2021-03-23 | Natural Computation LLC | Using genetic programming to create generic building blocks |
CN111983619A (zh) * | 2020-08-07 | 2020-11-24 | 西北工业大学 | 一种基于迁移学习的水声目标前向散射声扰动定位方法 |
CN112463898A (zh) * | 2020-10-21 | 2021-03-09 | 中山大学 | 一种结合速度与噪声监测数据的噪声地图更新方法 |
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 |
CN113591733A (zh) * | 2021-08-04 | 2021-11-02 | 中国人民解放军国防科技大学 | 基于集成神经网络模型的水声通信调制模式分类识别方法 |
US20230097859A1 (en) * | 2021-09-30 | 2023-03-30 | Saudi Arabian Oil Company | Method and system for determining coarsened grid models using machine-learning models and fracture models |
CN114492581A (zh) * | 2021-12-27 | 2022-05-13 | 中国矿业大学 | 基于迁移学习和注意力机制元学习应用在小样本图片分类的方法 |
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 |
Non-Patent Citations (5)
Title |
---|
HUANG, WEI: "Collaborating Ray Tracing and AI Model for AUV-Assisted 3-D Underwater Sound-Speed Inversion", IEEE JOURNAL OF OCEANIC ENGINEERING * |
MURTY, A. S. N.: "Velocity Structure of the West-Bengal Sedimentary Basin, India along the Palashi-Kandi Profile Using a Travel-time Inversion of Wide-angle Seismic data and Gravity Modeling - An Update", PURE AND APPLIED GEOPHYSICS * |
徐天河: "基于GNSS-A的海洋声速变化估计及其对定位的影响", 地球物理学报 * |
胡军;肖业伟;张东波;冷龙龙;: "声速剖面反演预测方法", 海洋科学进展, no. 02 * |
谢龙: "基于字典学习的声速剖面重构和反演", 海洋技术学报 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117892096A (zh) * | 2024-03-14 | 2024-04-16 | 中国海洋大学 | 一种基于迁移学习的小样本海洋声速剖面预报方法 |
CN117892096B (zh) * | 2024-03-14 | 2024-05-14 | 中国海洋大学 | 一种基于迁移学习的小样本海洋声速剖面预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116202611B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11488069B2 (en) | Method for predicting air quality with aid of machine learning models | |
CN114280696A (zh) | 一种海雾等级智能预报方法及系统 | |
CN116202611B (zh) | 一种基于元学习的小样本声速剖面反演方法 | |
CN115307714B (zh) | 基于跨时空声速剖面聚类的声速分布快速估计方法 | |
CN102682335B (zh) | 精确确定区域对流层延迟的神经网络方法 | |
CN112215393B (zh) | 基于自适应时空尺度选择的降水数值预报后处理订正方法 | |
CN113139329B (zh) | 一种基于水文相似性和人工神经网络的新安江模型参数率定方法 | |
Dang et al. | A convolutional neural network for coastal classification based on ALOS and NOAA satellite data | |
CN109858523A (zh) | 一种神经网络和射线理论的浅海声速剖面反演方法 | |
CN111259522A (zh) | 一种水文模型在地理空间上多流域并行率定的方法 | |
CN112733447A (zh) | 一种基于域自适应网络的水下声源定位方法及系统 | |
CN112180369B (zh) | 基于深度学习的一维综合孔径辐射计海面风速反演方法 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN114861840A (zh) | 一种多源降水数据融合方法 | |
CN115758074A (zh) | 基于多源数据的高空间分辨率海水二氧化碳分压重构方法 | |
CN115049013A (zh) | 一种联合线性和svm的短时降雨预警模型融合方法 | |
CN117076893B (zh) | 一种基于长短期记忆神经网络的声速分布预报方法 | |
de Paula et al. | The impact of ocean data assimilation on the simulation of mesoscale eddies at São Paulo plateau (Brazil) using the regional ocean modeling system | |
Liu et al. | Sea level anomaly intelligent inversion model based on LSTM-RBF network | |
CN115345245A (zh) | 一种基于随机森林和迁移学习的热带气旋快速加强预报方法 | |
Mai et al. | A new short-term prediction method for estimation of the evaporation duct height | |
Ma et al. | A Method for Establishing Tropospheric Atmospheric Refractivity Profile Model Based on Multiquadric RBF and k-means Clustering | |
Wang et al. | Xihe: A data-driven model for global ocean eddy-resolving forecasting | |
CN117892096B (zh) | 一种基于迁移学习的小样本海洋声速剖面预报方法 | |
Majdzadeh Moghadam | Neural network-based approach for identification of meteorological factors affecting regional sea-level anomalies |
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 |