CN118113994B - 海洋信息获取方法、装置、设备及介质 - Google Patents
海洋信息获取方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN118113994B CN118113994B CN202410157990.3A CN202410157990A CN118113994B CN 118113994 B CN118113994 B CN 118113994B CN 202410157990 A CN202410157990 A CN 202410157990A CN 118113994 B CN118113994 B CN 118113994B
- Authority
- CN
- China
- Prior art keywords
- sensor
- feature
- data
- ocean
- feature vector
- 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 43
- 239000013598 vector Substances 0.000 claims abstract description 121
- 239000011159 matrix material Substances 0.000 claims abstract description 57
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 235000014653 Carica parviflora Nutrition 0.000 description 1
- 241000243321 Cnidaria Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 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
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请公开了一种海洋信息获取方法、装置、计算机设备及计算机可达存储介质,该方法包括:采用多个传感器分别采集海洋数据,对各个传感器采集的海洋数据进行预处理,得到每个传感器对应的数据矩阵;对数据矩阵进行特征提取处理,得到每个传感器对应的特征向量;对特征向量进行特征重要性分析,得到每个传感器对应的重要特征向量;确定每个传感器对应的重要特征向量中每个元素对应的权重,基于权重及重要特征向量计算综合特征向量;将综合特征向量输入目标识别模型,得到海洋中各物体的信息,汇总得到海洋信息。本申请可提高海洋信息获取的准确性。
Description
技术领域
本申请属于数据处理技术领域,具体地,涉及一种海洋信息获取方法、装置、设备及介质。
背景技术
随着科技的发展,对海洋的探索成为目前关注的重点,通过对海洋的探索,可以了解海底情况,识别海洋中的物体,规避海洋出行风险。
当前,通常采用单一类型的传感器获取海洋信息,例如,采用TOF激光雷达或光学摄像机进行海洋信息获取,然而,TOF激光雷达在近距离时的输出结果并不准确,且在大雪等情况下,易受周围环境影响,无法准确输出结果;光学摄像机对光照强度有要求,在光线较暗时,无法输出准确结果。
因此,亟需一种海洋信息获取方法,以提高海洋信息获取的准确性。
发明内容
本申请提供了一种海洋信息获取方法、装置、设备及介质,有效解决了海洋信息获取不准确的问题。
为了实现上述目的,本申请实施例提供一种海洋信息获取方法,所述方法包括:
采用多个传感器分别采集海洋数据,对各个传感器采集的海洋数据进行预处理,得到每个传感器对应的数据矩阵;
对所述数据矩阵进行特征提取处理,得到每个传感器对应的特征向量;
对所述特征向量进行特征重要性分析,得到每个传感器对应的重要特征向量;
确定每个传感器对应的重要特征向量中每个元素对应的权重,基于所述权重及所述重要特征向量计算综合特征向量;
将所述综合特征向量输入目标识别模型,得到海洋中各物体的信息,汇总得到海洋信息。
可选的,所述对各个传感器采集的海洋数据进行预处理,得到每个传感器对应的数据矩阵,包括:
对各个传感器采集的海洋数据进行数据清洗处理,得到每个传感器对应的清洗后的海洋数据;
对所述清洗后的海洋数据进行结构化处理,得到每个传感器对应的结构化海洋数据;
按照时间戳对所述结构化海洋数据进行排序及对齐处理,得到每个传感器对应的数据矩阵。
可选的,所述对所述数据矩阵进行特征提取处理,得到每个传感器对应的特征向量,包括:
对所述数据矩阵进行时域分析,得到每个传感器对应的时域特征;
对所述时域特征进行频域分析,得到每个传感器对应的频域特征;
基于所述时域特征和频域特征,得到每个传感器对应的特征向量。
可选的,所述对所述数据矩阵进行时域分析,得到每个传感器对应的时域特征,包括:
计算所述数据矩阵的统计特征;
计算所述数据矩阵的时序特征;
计算所述数据矩阵的短时变化特征;
基于所述统计特征、时序特征及短时变化特征,得到每个传感器对应的时域特征。
可选的,所述对所述时域特征进行频域分析,得到每个传感器对应的频域特征,包括:
采用预设窗口函数对所述时域特征进行特征划分,得到每个传感器对应的窗口特征集;
通过快速傅里叶变换将所述窗口特征集中的特征进行频域转换,得到每个传感器对应的频域复数数组;
提取所述频域复数数组的幅度谱,并计算频率分辨率;
基于所述频率分辨率,得到每个传感器对应的频域特征。
可选的,所述对所述特征向量进行特征重要性分析,得到每个传感器对应的重要特征向量,包括:
对所述特征向量进行数据标准化处理,得到标准特征数据;
计算所述标准特征数据中特征间的协方差矩阵;
从所述协方差矩阵中计算每个成分的特征值和向量值;
根据所述特征值选择主要成分;
拼接所述主要成分对应的向量值,得到每个传感器对应的重要特征向量。
可选的,所述确定每个传感器对应的重要特征向量中每个元素对应的权重,包括:
从多个传感器中选择一个传感器,从选择的传感器对应的重要特征向量中选择一个元素,计算选择的传感器与其他传感器针对选择的元素的特征距离值;
基于所述特征距离值和预先确定的距离-权重函数,计算所述选择的传感器对应的重要特征向量中所述选择的元素对应的权重。
本申请实施例还提供一种海洋信息获取装置,所述装置包括:
采集模块,用于采用多个传感器分别采集海洋数据,对各个传感器采集的海洋数据进行预处理,得到每个传感器对应的数据矩阵;
提取模块,用于对所述数据矩阵进行特征提取处理,得到每个传感器对应的特征向量;
分析模块,用于对所述特征向量进行特征重要性分析,得到每个传感器对应的重要特征向量;
计算模块,用于确定每个传感器对应的重要特征向量中每个元素对应的权重,基于所述权重及所述重要特征向量计算综合特征向量;
识别模块,用于将所述综合特征向量输入目标识别模型,得到海洋中各物体的信息,汇总得到海洋信息。
本申请实施例还提供一种计算机设备,所述计算机设备包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的海洋信息获取方法。
本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行上述的海洋信息获取方法。
本申请实施例提供的海洋信息获取方法,采用多个传感器分别采集海洋数据,对各个传感器采集的海洋数据进行预处理,得到每个传感器对应的数据矩阵;对所述数据矩阵进行特征提取处理,得到每个传感器对应的特征向量;对所述特征向量进行特征重要性分析,得到每个传感器对应的重要特征向量;确定每个传感器对应的重要特征向量中每个元素对应的权重,基于所述权重及所述重要特征向量计算综合特征向量;将所述综合特征向量输入目标识别模型,得到海洋中各物体的信息,汇总得到海洋信息。通过多个传感器采集数据,保证了数据的全面性和准确性;通过特征重要性分析,获取重要特征向量,减少了数据量的同时,保留了关键信息;通过计算重要特征向量中每个元素对应的权重,使得综合特征向量更为准确。
附图说明
图1为一个实施例中海洋信息获取方法的流程图;
图2为一个实施例中海洋信息获取装置的结构框图;
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。此外,下面所描述的本申请各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本申请实施例提供一种海洋信息获取方法,可以理解,该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。例如,设备可以是具备运算能力的电子设备,例如,笔记本、中控设备、智能手机、终端电脑、服务器等电子设备,该方法包括如下步骤S1-S5:
S1、采用多个传感器分别采集海洋数据,对各个传感器采集的海洋数据进行预处理,得到每个传感器对应的数据矩阵。
本实施例中,所述传感器包括声纳、激光雷达、光学摄像机等,为便于采集数据,需要为每种传感器配置适当的接口和数据转换器。
所述对各个传感器采集的海洋数据进行预处理,得到每个传感器对应的数据矩阵,包括以下步骤A11-A13:
A11、对各个传感器采集的海洋数据进行数据清洗处理,得到每个传感器对应的清洗后的海洋数据;
数据清洗处理是删除噪声数据、异常值和冗余数据。
对于声纳数据,对其进行去噪处理,排除因海浪、船舶等因素产生的干扰。
对于激光雷达数据,对其进行滤波处理,排除因高反材质或其他因素导致的误差。
对于光学摄像机数据,对其进行亮度、对比度调整,去除光线对数据的影响。
A12、对所述清洗后的海洋数据进行结构化处理,得到每个传感器对应的结构化海洋数据;
结构化处理主要用于将各传感器采集的数据转换为统一的格式,以便于后续数据处理。可以先定义结构化数据的数据结构和存储格式,例如,可以将数据转换为HOT码形式。
A13、按照时间戳对所述结构化海洋数据进行排序及对齐处理,得到每个传感器对应的数据矩阵。
本实施例中,为每个传感器设置时间跟随器,对采集的数据实时标记时间戳,确保数据采集的时间精确性。
S2、对所述数据矩阵进行特征提取处理,得到每个传感器对应的特征向量。
所述对所述数据矩阵进行特征提取处理,得到每个传感器对应的特征向量,包括以下步骤B11-B13:
B11、对所述数据矩阵进行时域分析,得到每个传感器对应的时域特征;
所述对所述数据矩阵进行时域分析,得到每个传感器对应的时域特征,包括以下步骤C11-C14:
C11、计算所述数据矩阵的统计特征;
本实施例中,数据矩阵的列表示的是不同维度的数据,例如,第一列表示采集的物体颜色、第二列表示采集的物体尺寸、第三列表示采集的物体距离、第四列表示采集的物体深度……。数据矩阵的行表示的是不同时间戳采集的数据。
所述统计特征表示的是数据矩阵中同一维度数据的均值、中位数、标准差,例如,分别计算物体颜色/尺寸/距离/深度的均值、中位数、标准差,得到每个传感器对应的统计特征。
C12、计算所述数据矩阵的时序特征;
时序特征表示某一维度数据的趋势变化、周期化变化及季节变化,例如,按照时间戳计算某一传感器采集的物体颜色的趋势变化特征、周期化变化特征及季节变化特征,汇总后得到该传感器对应的时序特征。
C13、计算所述数据矩阵的短时变化特征;
本实施例中,通过时间窗口分析,提取数据矩阵的短时特征,例如,计算某一传感器采集的物体a在24小时内的变化值,得到其短时变化特征。
C14、基于所述统计特征、时序特征及短时变化特征,得到每个传感器对应的时域特征。
本实施例中,汇总某一传感器对应的统计特征、时序特征及短时变化特征,得到该传感器对应的时域特征。
B12、对所述时域特征进行频域分析,得到每个传感器对应的频域特征;
所述对所述时域特征进行频域分析,得到每个传感器对应的频域特征,包括以下步骤D11-D14:
D11、采用预设窗口函数对所述时域特征进行特征划分,得到每个传感器对应的窗口特征集;
本实施例中,所述预设窗口函数可以是汉宁窗函数或汉明窗函数,采用窗口函数进行特征划分的目的是确保数据是等间隔的。
D12、通过快速傅里叶变换将所述窗口特征集中的特征进行频域转换,得到每个传感器对应的频域复数数组;
频域复数数组代表各个频率成分的幅度和相位。
D13、提取所述频域复数数组的幅度谱,并计算频率分辨率;
本实施例中,通过计算频域复数数组的模,得到每个频率的幅度。通过采样率和数据长度,确定频率分辨率。
D14、基于所述频率分辨率,得到每个传感器对应的频域特征。
本实施例中,通过频率分辨率可提取主要频率成分,汇总主要频率成分及其强度,得到频域特征。不同的频率成分代表不同的海洋生物或地下结构。通过获取频域特征,有助于准确确定海洋物体。
B13、基于所述时域特征和频域特征,得到每个传感器对应的特征向量。
拼接时域特征和频域特征,得到每个传感器对应的特征向量。
S3、对所述特征向量进行特征重要性分析,得到每个传感器对应的重要特征向量。
所述对所述特征向量进行特征重要性分析,得到每个传感器对应的重要特征向量,包括以下步骤E11-E15:
E11、对所述特征向量进行数据标准化处理,得到标准特征数据;
本实施例中,对特征向量进行数据标准化处理,是使得每个特征的均值为0,标准差为1。
E12、计算所述标准特征数据中特征间的协方差矩阵;
E13、从所述协方差矩阵中计算每个成分的特征值和向量值;
特征值表示各成分的重要性,向量值表示数据在新成分上的方向。
E14、根据所述特征值选择主要成分;
本实施例中,根据特征值的大小,选择前K个成分作为主要成分。
例如,若声纳对应的统计特征、时序特征、短时变化特征、频率1的强度、频率2的强度的特征值分别为93、72、78、81、83,激光雷达对应的统计特征、时序特征、短时变化特征、频率1的强度、频率2的强度的特征值分别为55、89、87、62、77,光学摄像机对应的统计特征、时序特征、短时变化特征、频率1的强度、频率2的强度的特征值分别为86、83、74、76、68,若K为5,则选择声纳的统计特征、激光雷达的时序特征、激光雷达的短时变化特征、光学摄像机的统计特征、光学摄像机的时序特征为主要成分。
其中,统计特征、时序特征、短时变化特征为时域特征,频率1及频率2的强度为频域特征。
E15、拼接所述主要成分对应的向量值,得到每个传感器对应的重要特征向量。
拼接后得到的重要特征向量是K维数据,通过重要性分析,可对特征进行降维,减少了数据量,同时保留了关键信息。
S4、确定每个传感器对应的重要特征向量中每个元素对应的权重,基于所述权重及所述重要特征向量计算综合特征向量。
因各种传感器在不同的情况下数据准确性不同,故而需要根据数据准确性为该传感器计算权重。
所述确定每个传感器对应的重要特征向量中每个元素对应的权重,包括以下步骤F11-F12:
F11、从多个传感器中选择一个传感器,从选择的传感器对应的重要特征向量中选择一个元素,计算选择的传感器与其他传感器针对选择的元素的特征距离值;
本实施例中,所述特征距离值可以是欧几里得距离值、曼哈顿距离值或其他合适的距离值。
F12、基于所述特征距离值和预先确定的距离-权重函数,计算所述选择的传感器对应的重要特征向量中所述选择的元素对应的权重。
可以理解的是,两个传感器之间的距离值,体现了两个传感器之间的数据匹配度,若距离值小,说明匹配度高,两者之间的数据相近,一定程度上说明了数据较为准确。反之,若距离值大,说明匹配度低,两者之间的数据相差甚远,说明至少有一个传感器的数据不准确。
本实施例中,计算得到了选择的传感器与其他传感器针对选择的元素的特征距离值后,求特征距离均值,均值一定程度上体现了选择的传感器的准确性。
预先构建距离-权重函数,将特征距离均值输入到该函数中,可得到对应的权重。
通过上述方法,可计算出每个传感器对应的重要特征向量中每个元素对应的权重,针对选择的元素,将每个传感器对应的权重和特征向量加权求和,得到选择的元素对应的特征值,汇总每个元素对应的特征值,得到综合特征向量。
S5、将所述综合特征向量输入目标识别模型,得到海洋中各物体的信息,汇总得到海洋信息。
本实施例中,所述目标识别模型为训练好的spconv稀疏卷积网络模型,通过该模型,可输出海洋中各物体的信息,所述物体的信息包括物体的类型、物体尺寸、物体颜色、物体位置。
所述物体的类型包括海底、珊瑚礁、沉船、海洋生物。得到海洋信息后,可构建海底地貌图、海洋生态图。
例如,根据海洋信息,提取海底的高度信息,应用三维建模软件,如ArcGIS或QGIS,基于高度信息生成海底地貌的三维模型。
再例如,根据海洋信息,确定海洋中生物的种类和数量,利用地图绘制软件,如Matplotlib或Seaborn,基于生物的种类和数量,生成海洋生态分布图。
再例如,根据海洋信息,提取水质参数,如温度、盐度、溶解氧等,应用数据可视化工具,生成水质参数的曲线图或热图。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述海洋信息获取方法的装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的海洋信息获取装置实施例中的具体限定可以参见上文中对于海洋信息获取方法的限定,在此不再赘述。
在一个实施例中,如图2所示,是本申请实施例中海洋信息获取装置20的模块示意图,其包括:采集模块21、提取模块22、分析模块23、计算模块24及识别模块25,其中:
采集模块21,用于采用多个传感器分别采集海洋数据,对各个传感器采集的海洋数据进行预处理,得到每个传感器对应的数据矩阵;
提取模块22,用于对所述数据矩阵进行特征提取处理,得到每个传感器对应的特征向量;
分析模块23,用于对所述特征向量进行特征重要性分析,得到每个传感器对应的重要特征向量;
计算模块24,用于确定每个传感器对应的重要特征向量中每个元素对应的权重,基于所述权重及所述重要特征向量计算综合特征向量;
识别模块25,用于将所述综合特征向量输入目标识别模型,得到海洋中各物体的信息,汇总得到海洋信息。
所述对各个传感器采集的海洋数据进行预处理,得到每个传感器对应的数据矩阵,包括以下步骤A21-A23:
A21、对各个传感器采集的海洋数据进行数据清洗处理,得到每个传感器对应的清洗后的海洋数据;
A22、对所述清洗后的海洋数据进行结构化处理,得到每个传感器对应的结构化海洋数据;
A23、按照时间戳对所述结构化海洋数据进行排序及对齐处理,得到每个传感器对应的数据矩阵。
所述对所述数据矩阵进行特征提取处理,得到每个传感器对应的特征向量,包括以下步骤B21-B23:
B21、对所述数据矩阵进行时域分析,得到每个传感器对应的时域特征;
B22、对所述时域特征进行频域分析,得到每个传感器对应的频域特征;
B23、基于所述时域特征和频域特征,得到每个传感器对应的特征向量。
所述对所述数据矩阵进行时域分析,得到每个传感器对应的时域特征,包括以下步骤C21-C24:
C21、计算所述数据矩阵的统计特征;
C22、计算所述数据矩阵的时序特征;
C23、计算所述数据矩阵的短时变化特征;
C24、基于所述统计特征、时序特征及短时变化特征,得到每个传感器对应的时域特征。
所述对所述时域特征进行频域分析,得到每个传感器对应的频域特征,包括以下步骤D21-D24:
D21、采用预设窗口函数对所述时域特征进行特征划分,得到每个传感器对应的窗口特征集;
D22、通过快速傅里叶变换将所述窗口特征集中的特征进行频域转换,得到每个传感器对应的频域复数数组;
D23、提取所述频域复数数组的幅度谱,并计算频率分辨率;
D24、基于所述频率分辨率,得到每个传感器对应的频域特征。
所述对所述特征向量进行特征重要性分析,得到每个传感器对应的重要特征向量,包括以下步骤E21-E25:
E21、对所述特征向量进行数据标准化处理,得到标准特征数据;
E22、计算所述标准特征数据中特征间的协方差矩阵;
E23、从所述协方差矩阵中计算每个成分的特征值和向量值;
E24、根据所述特征值选择主要成分;
E25、拼接所述主要成分对应的向量值,得到每个传感器对应的重要特征向量。
所述确定每个传感器对应的重要特征向量中每个元素对应的权重,包括以下步骤F21-F22:
F21、从多个传感器中选择一个传感器,从选择的传感器对应的重要特征向量中选择一个元素,计算选择的传感器与其他传感器针对选择的元素的特征距离值;
F22、基于所述特征距离值和预先确定的距离-权重函数,计算所述选择的传感器对应的重要特征向量中所述选择的元素对应的权重。
上述分析装置各实施例的具体实施方式与前文中各方法实施例基本一致,在此不做赘述。
上述海洋信息获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,还提供一种计算机设备,该计算机设备为上述方法实施例中提到的边缘网络节点,其内部结构图可以如图3所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。
其中,该计算机设备的处理器用于提供计算和控制能力,可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。处理器可以包括是一个或多个处理器,例如包括一个或多个中央处理器(centralprocessing unit,CPU),在处理器是一个CPU的情况下,该CPU可以是单核CPU,也可以是多核CPU。处理器还可以包括一个或多个专用处理器,专用处理器可以包括GPU、FPGA等,用于进行加速处理。处理器用于调用该存储器中的程序代码和数据,执行上述方法实施例中的步骤。具体可参见方法实施例中的描述,在此不再赘述。
该计算机设备的存储器包括但不限于非易失性存储介质和内存储器。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random AccessMemory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。
该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。
该计算机设备的通信接口用于与外部的终端通过网络连接通信。
该计算机程序被处理器执行时以实现一种海洋信息获取方法。
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,各单元/模块的划分,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。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,系统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。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。该计算机指令可以存储在计算机可读存储介质中,或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read至onlymemory,ROM),或随机存储存储器(random access memory,RAM),或磁性介质,例如,软盘、硬盘、磁带、磁碟、或光介质,例如,数字通用光盘(digital versatiledisc,DVD)、或者半导体介质,例如,固态硬盘(solid state disk,SSD)等。
以上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种海洋信息获取方法,其特征在于,所述方法包括:
采用多个传感器分别采集海洋数据,对各个传感器采集的海洋数据进行预处理,得到每个传感器对应的数据矩阵;
对所述数据矩阵进行特征提取处理,得到每个传感器对应的特征向量;
对所述特征向量进行特征重要性分析,得到每个传感器对应的重要特征向量;
确定每个传感器对应的重要特征向量中每个元素对应的权重,基于所述权重及所述重要特征向量计算综合特征向量;
将所述综合特征向量输入目标识别模型,得到海洋中各物体的信息,汇总得到海洋信息;
所述对所述特征向量进行特征重要性分析,得到每个传感器对应的重要特征向量,包括:
对所述特征向量进行数据标准化处理,得到标准特征数据;
计算所述标准特征数据中特征间的协方差矩阵;
从所述协方差矩阵中计算每个成分的特征值和向量值;
根据所述特征值选择主要成分;
拼接所述主要成分对应的向量值,得到每个传感器对应的重要特征向量;
所述确定每个传感器对应的重要特征向量中每个元素对应的权重,包括:
从多个传感器中选择一个传感器,从选择的传感器对应的重要特征向量中选择一个元素,计算选择的传感器与其他传感器针对选择的元素的特征距离值;
基于所述特征距离值和预先确定的距离-权重函数,计算所述选择的传感器对应的重要特征向量中所述选择的元素对应的权重。
2.根据权利要求1所述的方法,其特征在于,所述对各个传感器采集的海洋数据进行预处理,得到每个传感器对应的数据矩阵,包括:
对各个传感器采集的海洋数据进行数据清洗处理,得到每个传感器对应的清洗后的海洋数据;
对所述清洗后的海洋数据进行结构化处理,得到每个传感器对应的结构化海洋数据;
按照时间戳对所述结构化海洋数据进行排序及对齐处理,得到每个传感器对应的数据矩阵。
3.根据权利要求1所述的方法,其特征在于,所述对所述数据矩阵进行特征提取处理,得到每个传感器对应的特征向量,包括:
对所述数据矩阵进行时域分析,得到每个传感器对应的时域特征;
对所述时域特征进行频域分析,得到每个传感器对应的频域特征;
基于所述时域特征和频域特征,得到每个传感器对应的特征向量。
4.根据权利要求3所述的方法,其特征在于,所述对所述数据矩阵进行时域分析,得到每个传感器对应的时域特征,包括:
计算所述数据矩阵的统计特征;
计算所述数据矩阵的时序特征;
计算所述数据矩阵的短时变化特征;
基于所述统计特征、时序特征及短时变化特征,得到每个传感器对应的时域特征。
5.根据权利要求3所述的方法,其特征在于,所述对所述时域特征进行频域分析,得到每个传感器对应的频域特征,包括:
采用预设窗口函数对所述时域特征进行特征划分,得到每个传感器对应的窗口特征集;
通过快速傅里叶变换将所述窗口特征集中的特征进行频域转换,得到每个传感器对应的频域复数数组;
提取所述频域复数数组的幅度谱,并计算频率分辨率;
基于所述频率分辨率,得到每个传感器对应的频域特征。
6.一种海洋信息获取装置,其特征在于,所述装置包括:
采集模块,用于采用多个传感器分别采集海洋数据,对各个传感器采集的海洋数据进行预处理,得到每个传感器对应的数据矩阵;
提取模块,用于对所述数据矩阵进行特征提取处理,得到每个传感器对应的特征向量;
分析模块,用于对所述特征向量进行特征重要性分析,得到每个传感器对应的重要特征向量;
计算模块,用于确定每个传感器对应的重要特征向量中每个元素对应的权重,基于所述权重及所述重要特征向量计算综合特征向量;
识别模块,用于将所述综合特征向量输入目标识别模型,得到海洋中各物体的信息,汇总得到海洋信息;
所述对所述特征向量进行特征重要性分析,得到每个传感器对应的重要特征向量,包括:
对所述特征向量进行数据标准化处理,得到标准特征数据;
计算所述标准特征数据中特征间的协方差矩阵;
从所述协方差矩阵中计算每个成分的特征值和向量值;
根据所述特征值选择主要成分;
拼接所述主要成分对应的向量值,得到每个传感器对应的重要特征向量;
所述确定每个传感器对应的重要特征向量中每个元素对应的权重,包括:
从多个传感器中选择一个传感器,从选择的传感器对应的重要特征向量中选择一个元素,计算选择的传感器与其他传感器针对选择的元素的特征距离值;
基于所述特征距离值和预先确定的距离-权重函数,计算所述选择的传感器对应的重要特征向量中所述选择的元素对应的权重。
7.一种计算机设备,其特征在于,所述计算机设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5任一所述的海洋信息获取方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行权利要求1-5任一所述的海洋信息获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410157990.3A CN118113994B (zh) | 2024-02-04 | 2024-02-04 | 海洋信息获取方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410157990.3A CN118113994B (zh) | 2024-02-04 | 2024-02-04 | 海洋信息获取方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118113994A CN118113994A (zh) | 2024-05-31 |
CN118113994B true CN118113994B (zh) | 2024-08-27 |
Family
ID=91217509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410157990.3A Active CN118113994B (zh) | 2024-02-04 | 2024-02-04 | 海洋信息获取方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118113994B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190134907A (ko) * | 2018-05-10 | 2019-12-05 | 한국전자통신연구원 | 해양 데이터 수집 장치, 해상 IoT 기기 및 해양 데이터 전송 방법 |
CN115496975A (zh) * | 2022-08-29 | 2022-12-20 | 锋睿领创(珠海)科技有限公司 | 辅助加权数据融合方法、装置、设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6912998B2 (ja) * | 2017-10-25 | 2021-08-04 | 株式会社日立製作所 | データ分析装置、データ分析方法、およびデータ分析プログラム |
CN116938366A (zh) * | 2022-04-06 | 2023-10-24 | 中兴通讯股份有限公司 | 频谱感知方法、电子设备和存储介质 |
-
2024
- 2024-02-04 CN CN202410157990.3A patent/CN118113994B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190134907A (ko) * | 2018-05-10 | 2019-12-05 | 한국전자통신연구원 | 해양 데이터 수집 장치, 해상 IoT 기기 및 해양 데이터 전송 방법 |
CN115496975A (zh) * | 2022-08-29 | 2022-12-20 | 锋睿领创(珠海)科技有限公司 | 辅助加权数据融合方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN118113994A (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nanmaran et al. | Investigating the role of image fusion in brain tumor classification models based on machine learning algorithm for personalized medicine | |
CN111191514A (zh) | 一种基于深度学习的高光谱图像波段选择方法 | |
US20110075903A1 (en) | Method and system for the analysis of peculiarities in fingerprints | |
CN116306318A (zh) | 基于深度学习的三维海洋温盐场预报方法、系统及设备 | |
CN112819199A (zh) | 降水量的预测方法、装置、设备和存储介质 | |
CN113609445A (zh) | 多源异构监测数据处理方法、终端设备及可读存储介质 | |
CN114257313B (zh) | 基于深度学习的光纤光栅传感系统降噪方法及其相关设备 | |
CN116858789A (zh) | 食品安全检测系统及其方法 | |
CN117392564B (zh) | 一种基于深度学习的河流水质反演方法、电子设备及存储介质 | |
CN118113994B (zh) | 海洋信息获取方法、装置、设备及介质 | |
Kekre et al. | SAR image segmentation using vector quantization technique on entropy images | |
CN112541292A (zh) | 一种基于分布式光纤测温原理的海底电缆埋深估计算法 | |
CN116205918A (zh) | 基于图卷积的多模态融合半导体检测方法、装置及介质 | |
Khan et al. | Forecasting renewable energy for environmental resilience through computational intelligence | |
CN115330279B (zh) | 一种基于股票走势图相似性检测的公司选取方法 | |
CN116432556A (zh) | 一种机翼表面压力重构方法、电子设备及存储介质 | |
Hittawe et al. | Time-series weather prediction in the Red sea using ensemble transformers | |
Lee et al. | Improving interpretability of deep active learning for flood inundation mapping through class ambiguity indices using multi-spectral satellite imagery | |
CN115358327A (zh) | 基于pca-svm的海洋温跃层数据可视化方法、装置、设备及介质 | |
CN117930370B (zh) | 海洋磁力场测量及成像方法、装置、设备及介质 | |
CN115661277B (zh) | 基于变分自编码的台风云图外推方法、系统、设备和介质 | |
CN118011405B (zh) | 海底地质成像方法、装置、设备及介质 | |
CN118446896A (zh) | 一种建筑物航空影像的超分辨率方法及终端设备 | |
CN118334352B (zh) | 一种点云语义分割模型的训练方法、系统、介质及设备 | |
CN116757102B (zh) | 基于固有光学特性的表观光学特性剖面分布估算方法 |
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 |