CN118245784B - 一种海洋温盐深传感器数据标定方法、介质及系统 - Google Patents
一种海洋温盐深传感器数据标定方法、介质及系统 Download PDFInfo
- Publication number
- CN118245784B CN118245784B CN202410679232.8A CN202410679232A CN118245784B CN 118245784 B CN118245784 B CN 118245784B CN 202410679232 A CN202410679232 A CN 202410679232A CN 118245784 B CN118245784 B CN 118245784B
- Authority
- CN
- China
- Prior art keywords
- data
- correction
- division
- module
- calibration
- 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
- 150000003839 salts Chemical class 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012937 correction Methods 0.000 claims abstract description 119
- 238000000605 extraction Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000013075 data extraction Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 24
- 238000010276 construction Methods 0.000 claims description 23
- 238000003062 neural network model Methods 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000012502 risk assessment Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 241000251468 Actinopterygii Species 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种海洋温盐深传感器数据标定方法、介质及系统,具体涉及海洋监测技术领域,包括以下步骤:通过海洋温盐深传感器采集实时数据并汇总为实时数据汇总集并进行处理操作,得到实时数据处理集,然后进行预设的多项特征指标进行数据提取,得到特征提取单,构建标定模型并根据构建完成的标定模型对特征提取单进行数据校正,得到校正数据组并进行图形标注操作,得到校正数据标注图,最终进行标定区域划分操作,得到标定区域等级划分图;本发明可以对海洋温盐深传感器的数据进行实时校正,减少了测量误差,并且将校正后的数据应用于标定区域划分,生成标定区域等级划分图,为海洋环境的分级管理和风险评估提供精确的数据支持。
Description
技术领域
本发明涉及海洋监测技术领域,更具体地说,本发明涉及一种海洋温盐深传感器数据标定方法、介质及系统。
背景技术
在海洋科学研究和海洋资源开发中,海洋温度、盐度和深度(温盐深)数据的准确性和实时性至关重要。海洋温盐深传感器作为关键的测量设备,被广泛应用于海洋观测、气候研究、海洋工程以及环境监测等领域。然而,现有的海洋温盐深传感器在实际应用中,由于海洋环境的复杂性和传感器自身的局限性,采集到的温盐深数据往往存在较大的误差,这些误差会影响数据的准确性,从而降低数据在科学研究和实际应用中的可靠性,而且在海洋环境监测中,准确的区域划分对风险评估和环境管理非常重要,现有技术中,基于未经校正数据的区域划分方法往往不够精确,影响了管理决策的有效性,因此,在此提出一种海洋温盐深传感器数据标定方法、介质及系统。
发明内容
为实现上述目的,本发明提供如下技术方案:
一种海洋温盐深传感器数据标定系统,包括数据采集模块、数据处理模块、特征提取模块、标定模型构建模块、数据校正模块、显示模块;
数据采集模块用于通过海洋温盐深传感器采集实时数据并汇总为实时数据汇总集,然后将实时数据汇总集输送至数据处理模块;
数据处理模块用于对实时数据汇总集进行处理操作,得到实时数据处理集,然后将实时数据处理集输送至特征提取模块;
特征提取模块用于根据实时数据处理集进行预设的多项特征指标进行数据提取,得到特征提取单并输送至标定模型构建模块和数据校正模块;
标定模型构建模块用于构建标定模型,并将构建完成的标定模型输送至数据校正模块;
数据校正模块用于根据构建完成的标定模型对特征提取单进行数据校正,得到校正数据组并输送至显示模块;
显示模块用于将校正数据组标注并显示在数据采集区域的图形上,得到校正数据标注图。
在一个优选地实施方式中,一种海洋温盐深传感器数据标定系统,还包括标定区域划分模块,标定区域划分模块用于进行校正数据标注图进行标定区域划分操作,得到标定区域等级划分图。
在一个优选地实施方式中,通过海洋温盐深传感器采集实时数据包含温度数据、盐度数据和深度数据,以及海洋温盐深传感器检测点的坐标数据。
在一个优选地实施方式中,特征提取单包含多个特征数据组,每一个特征数据组对应目标海洋温盐深传感器在一个观测时间段获取的数据组合集,数据组合集是对实时数据处理集中的目标海洋温盐深传感器的监测数据进行特征提取得到的,特征提取逻辑为:按照预设的多项特征指标进行数据提取,得到m项特征指标对应数据,将所有的特征指标数据进行汇总,得到数据组合集,数据组合集中的每一项数据按照预先设定的排列顺序进行整理,得到特征数据组。
在一个优选地实施方式中,标定模型构建模块中的标定模型构建逻辑为:
从所有的特征数据组中获取目标特征数据组,标定模型构建模块中预设有目标特征数据组对应的标准值数据组,计算相同特征指标下的偏差值:;PCi为相同特征指标下的偏差值,TZi为目标特征数据组中该特征指标下的特征数据,BZi为标准值数据组中该特征指标下的标准值数据,将所有的偏差值PCi按照目标特征数据组中对应的特征指标的排列顺序进行整理,得到输入组合一,将目标特征数据组作为输入组合二,共同作为神经网络模型的输入数据,将偏离系数组作为神经网络模型的输出数据,神经网络模型训练完成后,得到标定模型。
在一个优选地实施方式中,神经网络模型训练完成指的是:
使用独立的验证数据集评估训练好的神经网络模型,计算模型的多项性能指标,若均达到预设标准,则判断训练完成。
在一个优选地实施方式中,数据校正模块用于根据构建完成的标定模型对特征提取单进行数据校正,得到校正数据组指的是:
数据校正模块根据构建完成的标定模型得到偏离系数组,获取偏离系数组中对应特征指标的数据项,然后将偏离系数组中对应特征指标的数据项标记为PLi,获取目标特征数据组中该特征指标下的特征数据TZi,然后计算该特征指标的校正数据:;JZi为该特征指标的校正数据,然后将所有的特征指标的校正数据JZi进行汇总,得到校正数据组。
在一个优选地实施方式中,标定区域划分模块用于根据进行校正数据标注图进行标定区域划分操作,得到标定区域等级划分图指的是:
获取显示模块中的校正数据标注图,获取目标划分数据组,将目标划分数据组中的各项划分指标对应的数据标记为HZi,校正数据标注图中的校正数据组标注在该校正数据组的采集范围,将目标采集范围对应的校正数据组与目标划分数据组进行划分值计算::HFi为划分值,hi为各项划分指标对应的预设的划分系数,各项划分指标在校正数据组中均有唯一一项数据与其对应,标定区域划分模块中预设有划分阈值区间-划分等级表单,根据划分值HFi落入的划分阈值区间对应的划分等级对目标采集范围进行标注,得到标定区域等级划分图。
在一个优选地实施方式中,一种海洋温盐深传感器数据标定方法,包括以下步骤:
步骤1、通过海洋温盐深传感器采集实时数据并汇总为实时数据汇总集;
步骤2、对实时数据汇总集进行处理操作,得到实时数据处理集;
步骤3、根据实时数据处理集进行预设的多项特征指标进行数据提取,得到特征提取单;
步骤4、构建标定模型并根据构建完成的标定模型对特征提取单进行数据校正,得到校正数据组;
步骤5、将校正数据组标注并显示在数据采集区域的图形上,得到校正数据标注图;
步骤6、根据校正数据标注图进行标定区域划分操作,得到标定区域等级划分图。
在一个优选地实施方式中,一种存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现一种海洋温盐深传感器数据标定方法的步骤。
本发明的技术效果和优点:
本发明通过标定模型对海洋温盐深传感器的数据进行实时校正,显著提高了传感器数据的准确性,减少了测量误差,使得传感器的数据更加可靠;数据采集、处理、特征提取、模型构建和数据校正模块,各模块协同工作,实现了数据的自动化处理和校正,提升了数据处理效率;通过对不同特征指标的校正和区域划分,本发明可以适应不同的海洋环境,提供精确的海洋数据,支持各种海洋科学研究和应用。
本发明通过自动化的数据校正和区域划分减少了对人工干预的需求,降低了人工成本,提高了系统的自动化水平和工作效率,能够对传感器的实时数据进行处理和校正,支持海洋环境的实时监测,提供实时、准确的海洋数据,为海洋监测和预警提供重要支持,通过高精度的数据校正和区域划分,本发明能够提供更加精确和可靠的海洋数据,支持海洋科学研究和环境保护工作,如通过标定区域划分模块根据校正数据标注图进行区域划分,生成标定区域等级划分图,为海洋环境的分级管理和风险评估提供精确的数据支持。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明做进一步的说明;
图1为本发明中的一种海洋温盐深传感器数据标定系统的原理图。
图2为本发明中的一种海洋温盐深传感器数据标定方法的原理图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
参照图1-图2得到以下实施例:
实施例1
一种海洋温盐深传感器数据标定系统,包括数据采集模块、数据处理模块、特征提取模块、标定模型构建模块、数据校正模块、显示模块;
数据采集模块用于通过海洋温盐深传感器采集实时数据并汇总为实时数据汇总集,然后将实时数据汇总集输送至数据处理模块;初始化海洋温盐深传感器,确保设备正常运行,然后通过传感器实时采集温度、盐度和深度数据,并记录传感器检测点的坐标数据,将采集到的实时数据汇总成实时数据汇总集并存储,将实时数据汇总集传输至数据处理模块;举例说明:假设使用一个海洋温盐深传感器进行实时数据采集,每秒采集一次数据,采集的内容包括温度、盐度、深度以及传感器的地理坐标,具体过程如下:初始化传感器,确保其正常运行,每秒采集一次数据,并记录时间戳和地理坐标,将采集到的数据实时汇总,形成一个数据集,将汇总的数据存储在CSV文件中并传输至数据处理模块,能够实现对海洋温盐深数据的实时采集和汇总,为后续的数据处理和分析奠定基础。
数据处理模块用于对实时数据汇总集进行处理操作,得到实时数据处理集,然后将实时数据处理集输送至特征提取模块;用去噪算法去除数据中的噪声,应用滤波技术平滑数据,消除高频干扰,检测并处理数据中的异常值,对数据进行标准化处理,确保数据分布的均匀性,将处理后的数据形成实时数据处理集,并传输至特征提取模块,实时数据处理集中的每一项数据均为预设时间窗口下的同类数据即同一项目类别下的数据进行求取平均值后得到的,以提高数据的质量和可靠性,处理后的数据将被输送至特征提取模块,用于进一步的分析和模型训练。
特征提取模块用于根据实时数据处理集进行预设的多项特征指标进行数据提取,得到特征提取单并输送至标定模型构建模块和数据校正模块;特征提取单包含多个特征数据组,每一个特征数据组对应目标海洋温盐深传感器在一个观测时间段获取的数据组合集,数据组合集是对实时数据处理集中的目标海洋温盐深传感器的监测数据进行特征提取得到的,特征提取逻辑为:按照预设的多项特征指标进行数据提取,得到m项特征指标对应数据,将所有的特征指标数据进行汇总,得到数据组合集,数据组合集中的每一项数据按照预先设定的排列顺序进行整理,得到特征数据组,确定需要提取的特征指标,如温度数据、盐度数据和深度数据,温度数据的平方、盐度数据和深度数据的乘积等特征指标,从实时数据处理集中提取特征数据,形成特征数据组,将提取的特征数据组合成特征提取单,将特征提取单传输至标定模型构建模块和数据校正模块。
特征提取单中特征数据组的提取和整理示例说明:
假设有一个目标海洋温盐深传感器,它在一个观测时间段内获取了温度、盐度和深度数据,需要对这些实时数据进行特征提取,并按照预设的多项特征指标进行数据提取,以下是详细步骤和示例:
确定多项特征指标:预设的多项特征指标包括但不局限于以下内容,平均值、标准差、最大值、最小值、中位数;
进行特征提取:对于每一个观测时间段内的传感器数据,计算以上特征指标,假设在一个观测时间段内,传感器获取的数据如下:
温度:[20.1, 20.3, 20.5, 20.2, 20.4];
盐度:[35.1, 35.0, 35.2, 35.1, 35.3];
深度:[100.5, 100.7, 100.6, 100.8, 100.9];
计算特征指标:对于温度数据,平均值:20.3,标准差:0.141,最大值:20.5,最小值:20.1,中位数:20.3;
对于盐度数据,平均值:35.14,标准差:0.114,最大值:35.3,最小值:35.0,中位数:35.1;
对于深度数据,平均值:100.7,标准差:0.141,最大值:100.9,最小值:100.5,中位数:100.7;
将所有的特征指标数据按照预先设定的排列顺序进行整理,得到特征数据组,如表1所示,表1为特征数据组整理表:
表1特征数据组整理表
将以上表格中的数据汇总为一个数据组合集,在实际应用中,多个特征数据组会对应不同的观测时间段,每一个特征数据组都会按照上述方法提取和整理,最终形成包含多个特征数据组的特征提取单,用于进一步的分析和处理。
标定模型构建模块用于构建标定模型,并将构建完成的标定模型输送至数据校正模块;从特征提取模块获取目标特征数据组指的是:从特征提取模块中的所有特征数据组选取一个特定的目标,即为目标特征数据组,这是由于本发明是针对每一个监测点即传感器的传输数据对该点位进行构建标定模型,所以需要对特定的目标特征数据组进行获取,以便于更好的进行后续的校正操作;每个特征数据组对应一个观测时间段的数据,包括多项特征指标,如温度、盐度、深度等,在标定模型构建模块中预设一个标准值数据组,这个标准值数据组包含与目标特征数据组相同的特征指标,但这些数据是经过准确校准的标准值,对于每个特征指标,计算目标特征数据组中的数据与标准值数据组中的数据之间的偏差值,PCi为相同特征指标下的偏差值,将所有的偏差值PC_i按照目标特征数据组中对应的特征指标的排列顺序进行整理,得到输入组合一,将目标特征数据组作为输入组合二,输入组合一和输入组合二共同作为神经网络模型的输入数据,将偏离系数组作为神经网络模型的输出数据,训练神经网络模型,使其学习输入数据即目标特征数据组和偏差值与输出数据即偏离系数组之间的关系,使用独立的验证数据集评估训练好的神经网络模型,计算模型的多项性能指标,如均方误差、决定系数等,如果模型性能未达到预设标准,继续优化模型参数,直至达到预设标准,将训练完成的标定模型输送至数据校正模块,用于实时数据的校正,偏离系数指的是每一项特征对应数据存在的偏差程度,偏离系数组是由这些数值组成的组合,一旦模型训练完成并通过验证,标定模型即构建完成,将其输送至数据校正模块,用于实时数据的校正。
数据校正模块用于根据构建完成的标定模型对特征提取单进行数据校正,得到校正数据组并输送至显示模块;从标定模型中获取偏离系数组。偏离系数组中包含各个特征指标的校正系数,这些系数用于校正目标特征数据,从特征提取单中获取目标特征数据组。每个特征数据组包含一个时间点的全部特征数据,对每个特征指标,根据偏离系数组中的校正系数,计算校正后的数据,JZi为校正后的数据,TZi为目标特征数据组中该特征指标的数据,PLi为偏离系数组中该特征指标的校正系数,将所有的特征指标的校正数据JZi进行汇总,得到校正数据组,将校正数据组传输至显示模块,以便进行可视化和进一步的分析。
显示模块用于将校正数据组标注并显示在数据采集区域的图形上,得到校正数据标注图;从数据校正模块接收校正数据组,这些数据已经过校正,反映了传感器的真实测量值,准备绘图工具和组件,如地图背景、坐标轴、图例等,用于显示温度、盐度和深度等特征数据,根据校正数据组中的地理坐标、时间戳和特征数据,将校正后的温度、盐度和深度数据标注在相应的地理位置和时间点上,使用颜色、大小、形状等视觉编码方式区分不同特征指标的数据,组合所有标注数据,生成完整的校正数据标注图,使用户能够交互式地查看和分析校正后的数据,用户可以通过交互操作如点击、悬停查看每个数据点的详细信息,包括具体的温度、盐度和深度值,以及相应的时间和地理位置,通过显示模块,校正后的传感器数据可以直观地展示在地图上,用户能够清晰地看到数据分布和变化趋势。这种图形化展示方式不仅提高了数据的可读性,还方便了进一步的数据分析和决策。
通过海洋温盐深传感器采集实时数据包含温度数据、盐度数据和深度数据,以及海洋温盐深传感器检测点的坐标数据。
特征提取单包含多个特征数据组,每一个特征数据组对应目标海洋温盐深传感器在一个观测时间段获取的全部数据在按照预设的多项特征指标进行数据提取后的m项特征指标对应数据组成的数据组。
标定模型构建模块中的标定模型构建逻辑为:
获取目标特征数据组,标定模型构建模块中预设有目标特征数据组对应的标准值数据组,计算相同特征指标下的偏差值:;PCi为相同特征指标下的偏差值,TZi为目标特征数据组中该特征指标下的特征数据,BZi为标准值数据组中该特征指标下的标准值数据,将所有的偏差值PCi按照目标特征数据组中对应的特征指标的排列顺序进行整理,得到输入组合一,将目标特征数据组作为输入组合二,共同作为神经网络模型的输入数据,将偏离系数组作为神经网络模型的输出数据,神经网络模型训练完成后,得到标定模型,p1、p2为预设的比例系数,且二者之和为一定值常数C,并且p1通过以下方式得到:获取海洋温盐深传感器在检测点的使用总时长,检测点经历的各项海洋活动指标对应的指标数据,传感器损耗系数,将海洋温盐深传感器在检测点的使用总时长标记为Si,检测点经历的各项海洋活动指标对应的指标数据分别标记为Yi,传感器损耗系数标记为Xi,;w1、w2均为预设的比例系数,yi为检测点经历的各项海洋活动指标对应的预设的标准值,ki为检测点经历的各项海洋活动预设的对应的比例系数,CGi为根据海洋温盐深传感器的检测精度,产品规格而设定的检测值;其中,偏差值的意义是反映目标特征数据组中的特征数据与标准值数据组中的标准值数据之间的差异,用于量化传感器数据的误差;使用总时长Si为传感器在检测点的总使用时间,用于反映传感器的使用强度,海洋活动指标数据Yi为检测点经历的各项海洋活动指标的实际值,反映环境条件对传感器的影响,损耗系数Xi的意义是反映传感器的损耗情况,用于校正传感器的误差,比例系数w1、 w2的意义是用于权衡不同因素对传感器误差的影响,标准值yi是海洋活动指标的标准值,用于计算实际值与标准值之间的差异,比例系数ki用于调整海洋活动指标对传感器误差的影响,检测值CGi根据传感器的检测精度和规格参数设置,用于校正误差。
神经网络模型训练完成指的是:
使用独立的验证数据集评估训练好的神经网络模型,计算模型的多项性能指标,若均达到预设标准,则判断训练完成。
数据校正模块用于根据构建完成的标定模型对特征提取单进行数据校正,得到校正数据组指的是:
数据校正模块根据构建完成的标定模型得到偏离系数组,获取偏离系数组中对应特征指标的数据项,然后将偏离系数组中对应特征指标的数据项标记为PLi,获取目标特征数据组中该特征指标下的特征数据TZi,然后计算该特征指标的校正数据:;JZi为该特征指标的校正数据,然后将所有的特征指标的校正数据JZi进行汇总,得到校正数据组,PLi为偏离系数组中的数据项,表示模型预测的误差程度,用于校正传感器数据,特征数据TZi为目标特征数据组中的特征数据,是传感器原始测量值,校正数据JZi为校正后的特征数据,即去除了误差后的准确值。
实施例2
一种海洋温盐深传感器数据标定系统,包括数据采集模块、数据处理模块、特征提取模块、标定模型构建模块、数据校正模块、显示模块;数据采集模块用于通过海洋温盐深传感器采集实时数据并汇总为实时数据汇总集,然后将实时数据汇总集输送至数据处理模块;数据处理模块用于对实时数据汇总集进行处理操作,得到实时数据处理集,然后将实时数据处理集输送至特征提取模块;特征提取模块用于根据实时数据处理集进行预设的多项特征指标进行数据提取,得到特征提取单并输送至标定模型构建模块和数据校正模块;标定模型构建模块用于构建标定模型,并将构建完成的标定模型输送至数据校正模块;数据校正模块用于根据构建完成的标定模型对特征提取单进行数据校正,得到校正数据组并输送至显示模块;显示模块用于将校正数据组标注并显示在数据采集区域的图形上,得到校正数据标注图,还包括标定区域划分模块,标定区域划分模块用于进行校正数据标注图进行标定区域划分操作,得到标定区域等级划分图。
标定区域划分模块用于根据进行校正数据标注图进行标定区域划分操作,得到标定区域等级划分图指的是:
获取显示模块中的校正数据标注图,获取目标划分数据组,将目标划分数据组中的各项划分指标对应的数据标记为HZi,校正数据标注图中的校正数据组标注在该校正数据组的采集范围,将目标采集范围对应的校正数据组与目标划分数据组进行划分值计算::HFi为划分值,hi为各项划分指标对应的预设的划分系数,各项划分指标在校正数据组中均有唯一一项数据与其对应,标定区域划分模块中预设有划分阈值区间-划分等级表单,根据划分值HFi落入的划分阈值区间对应的划分等级对目标采集范围进行标注,得到标定区域等级划分图;划分指标数据HZi为目标划分数据组中各项划分指标对应的数据,用于确定区域划分,划分值HFi是通过各项划分指标计算得到的划分值,用于确定区域的等级,hi划分系数为预设的系数,用于权衡不同划分指标对区域划分的影响。
举例扩展说明:
例一、假设要对某海域进行温度、盐度、深度的区域划分,假设划分阈值区间-划分等级表单如下:0-1为低风险区域,1-2为中等风险区域,2-3为高风险区域,根据划分值HFi=1.3,落入中等风险区域,因此目标采集范围被标注为中等风险区域,生成标定区域等级划分图;
例二、假设要对某海域的一种小型鱼类的活跃区域进行分级,获取其最适应的生存区域的标准温度、盐度、深度数据,假设划分阈值区间-划分等级表单如下:0-1为活跃区域,1-2为中等活跃区域,2-3为高活跃区域,根据划分值HFi=1.3,落入中等活跃区域,因此目标采集范围被标注为该小型鱼类中等活跃区域,生成标定区域等级划分图,不同活跃度的区域可以赋予不同的颜色用于更直观的体现每个区域的不同;
标定区域划分模块能够有效地根据校正数据标注图对海洋区域进行特定划分标准的目的性划分,并生成相应的等级划分图,提高数据的使用价值。
实施例3
一种海洋温盐深传感器数据标定方法,包括以下步骤:
步骤1、通过海洋温盐深传感器采集实时数据并汇总为实时数据汇总集;
步骤2、对实时数据汇总集进行处理操作,得到实时数据处理集;
步骤3、根据实时数据处理集进行预设的多项特征指标进行数据提取,得到特征提取单;
步骤4、构建标定模型并根据构建完成的标定模型对特征提取单进行数据校正,得到校正数据组;
步骤5、将校正数据组标注并显示在数据采集区域的图形上,得到校正数据标注图;
步骤6、根据校正数据标注图进行标定区域划分操作,得到标定区域等级划分图。
一种存储有计算机程序的计算机可读存储介质,所述计算机程序被处理器执行时实现一种海洋温盐深传感器数据标定方法的步骤。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件,或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述,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,可轻易想到变化或替换,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所述权利要求的保护范围为准。
Claims (6)
1.一种海洋温盐深传感器数据标定系统,其特征在于,包括数据采集模块、数据处理模块、特征提取模块、标定模型构建模块、数据校正模块、显示模块;
数据采集模块用于通过海洋温盐深传感器采集实时数据并汇总为实时数据汇总集,然后将实时数据汇总集输送至数据处理模块;
数据处理模块用于对实时数据汇总集进行处理操作,得到实时数据处理集,然后将实时数据处理集输送至特征提取模块;
特征提取模块用于根据实时数据处理集进行预设的多项特征指标进行数据提取,得到特征提取单并输送至标定模型构建模块和数据校正模块;
标定模型构建模块用于构建标定模型,并将构建完成的标定模型输送至数据校正模块;
数据校正模块用于根据构建完成的标定模型对特征提取单进行数据校正,得到校正数据组并输送至显示模块;
显示模块用于将校正数据组标注并显示在数据采集区域的图形上,得到校正数据标注图;
通过海洋温盐深传感器采集实时数据包含温度数据、盐度数据和深度数据,以及海洋温盐深传感器检测点的坐标数据;
特征提取单包含多个特征数据组,每一个特征数据组对应目标海洋温盐深传感器在一个观测时间段获取的全部数据在按照预设的多项特征指标进行数据提取后的m项特征指标对应数据组成的数据组;
标定模型构建模块中的标定模型构建逻辑为:
获取目标特征数据组,标定模型构建模块中预设有目标特征数据组对应的标准值数据组,计算相同特征指标下的偏差值:PCi=p1·TZi-p2·BZi;PCi为相同特征指标下的偏差值,TZi为目标特征数据组中该特征指标下的特征数据,BZi为标准值数据组中该特征指标下的标准值数据,将所有的偏差值PCi按照目标特征数据组中对应的特征指标的排列顺序进行整理,得到输入组合一,将目标特征数据组作为输入组合二,共同作为神经网络模型的输入数据,将偏离系数组作为神经网络模型的输出数据,神经网络模型训练完成后,得到标定模型;p1、p2为预设的比例系数,且二者之和为一定值常数C,并且p1通过以下方式得到:获取海洋温盐深传感器在检测点的使用总时长,检测点经历的各项海洋活动指标对应的指标数据,传感器损耗系数,将海洋温盐深传感器在检测点的使用总时长标记为Si,检测点经历的各项海洋活动指标对应的指标数据分别标记为Yi,传感器损耗系数标记为Xi,w1、w2均为预设的比例系数,yi为检测点经历的各项海洋活动指标对应的预设的标准值,ki为检测点经历的各项海洋活动预设的对应的比例系数,CGi为根据海洋温盐深传感器的检测精度,产品规格而设定的检测值;
数据校正模块用于根据构建完成的标定模型对特征提取单进行数据校正,得到校正数据组指的是:
数据校正模块根据构建完成的标定模型得到偏离系数组,获取偏离系数组中对应特征指标的数据项,然后将偏离系数组中对应特征指标的数据项标记为PLi,获取目标特征数据组中该特征指标下的特征数据TZi,然后计算该特征指标的校正数据:JZi=TZi·(1-PLi);JZi为该特征指标的校正数据,然后将所有的特征指标的校正数据JZi进行汇总,得到校正数据组。
2.根据权利要求1所述的一种海洋温盐深传感器数据标定系统,其特征在于,还包括标定区域划分模块,标定区域划分模块用于进行校正数据标注图进行标定区域划分操作,得到标定区域等级划分图。
3.根据权利要求2所述的一种海洋温盐深传感器数据标定系统,其特征在于,神经网络模型训练完成指的是:
使用独立的验证数据集评估训练好的神经网络模型,计算模型的多项性能指标,若均达到预设标准,则判断训练完成。
4.根据权利要求3所述的一种海洋温盐深传感器数据标定系统,其特征在于,标定区域划分模块用于根据进行校正数据标注图进行标定区域划分操作,得到标定区域等级划分图指的是:
获取显示模块中的校正数据标注图,获取目标划分数据组,将目标划分数据组中的各项划分指标对应的数据标记为HZ i,校正数据标注图中的校正数据组标注在该校正数据组的采集范围,将目标采集范围对应的校正数据组与目标划分数据组进行划分值计算:HF i为划分值,hi为各项划分指标对应的预设的划分系数,各项划分指标在校正数据组中均有唯一一项数据与其对应,标定区域划分模块中预设有划分阈值区间-划分等级表单,根据划分值HF i落入的划分阈值区间对应的划分等级对目标采集范围进行标注,得到标定区域等级划分图。
5.一种海洋温盐深传感器数据标定方法,基于权利要求1-4任一项所述的一种海洋温盐深传感器数据标定系统,其特征在于,包括以下步骤:
步骤1、通过海洋温盐深传感器采集实时数据并汇总为实时数据汇总集;
步骤2、对实时数据汇总集进行处理操作,得到实时数据处理集;
步骤3、根据实时数据处理集进行预设的多项特征指标进行数据提取,得到特征提取单;
步骤4、构建标定模型并根据构建完成的标定模型对特征提取单进行数据校正,得到校正数据组;
步骤5、将校正数据组标注并显示在数据采集区域的图形上,得到校正数据标注图;
步骤6、根据校正数据标注图进行标定区域划分操作,得到标定区域等级划分图。
6.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序被处理器执行时实现权利要求5中所述的一种海洋温盐深传感器数据标定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410679232.8A CN118245784B (zh) | 2024-05-29 | 2024-05-29 | 一种海洋温盐深传感器数据标定方法、介质及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410679232.8A CN118245784B (zh) | 2024-05-29 | 2024-05-29 | 一种海洋温盐深传感器数据标定方法、介质及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118245784A CN118245784A (zh) | 2024-06-25 |
CN118245784B true CN118245784B (zh) | 2024-08-06 |
Family
ID=91557751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410679232.8A Active CN118245784B (zh) | 2024-05-29 | 2024-05-29 | 一种海洋温盐深传感器数据标定方法、介质及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118245784B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111337463A (zh) * | 2020-02-25 | 2020-06-26 | 山东省科学院海洋仪器仪表研究所 | 基于机器学习的光学溶解氧传感器的标定方法 |
CN116433762A (zh) * | 2023-03-14 | 2023-07-14 | 东南大学 | 激光雷达与相机标定状态检测方法、校正方法、装置及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051795B (zh) * | 2021-03-15 | 2023-04-28 | 哈尔滨工程大学 | 一种面向海上平台保障的三维温盐场分析预报方法 |
CN115432121B (zh) * | 2022-09-28 | 2023-03-21 | 广西壮族自治区海洋环境监测中心站 | 海洋信息综合在线监测浮标系统 |
CN116702093B (zh) * | 2023-08-08 | 2023-12-08 | 海南智慧海事科技有限公司 | 一种基于大数据数据融合的海上目标定位方法 |
CN117828315B (zh) * | 2024-03-06 | 2024-06-21 | 广东工业大学 | 一种海洋生态环境监测系统及方法 |
CN118013857B (zh) * | 2024-03-13 | 2024-07-26 | 中科星图维天信科技股份有限公司 | 一种海洋温跃层数据分析方法、装置及设备 |
CN118039013B (zh) * | 2024-04-12 | 2024-07-26 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种海洋水质检测数据处理方法和系统 |
-
2024
- 2024-05-29 CN CN202410679232.8A patent/CN118245784B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111337463A (zh) * | 2020-02-25 | 2020-06-26 | 山东省科学院海洋仪器仪表研究所 | 基于机器学习的光学溶解氧传感器的标定方法 |
CN116433762A (zh) * | 2023-03-14 | 2023-07-14 | 东南大学 | 激光雷达与相机标定状态检测方法、校正方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN118245784A (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950396B (zh) | 一种仪表读数神经网络识别方法 | |
CN115687983A (zh) | 一种桥梁健康状态监测方法、系统及电子设备 | |
CN102800096A (zh) | 一种摄像机参数的鲁棒性估计算法 | |
CN117037076B (zh) | 一种基于遥感技术的土壤墒情智能监测方法 | |
CN109840671A (zh) | 运行改进效果计算设备、运行改进效果计算方法和记录介质 | |
CN110389971A (zh) | 一种基于云计算的多传感器数据融合方法 | |
CN117351166B (zh) | 一种基于大数据的土地管理绘测系统 | |
CN118211103B (zh) | 一种海洋温盐深传感器的数据校正方法 | |
CN116522096A (zh) | 基于动作捕捉的三维数字孪生内容智能制作方法 | |
CN117540854B (zh) | 一种基于云平台的多通道土壤信息监测系统 | |
CN117607019B (zh) | 电力金具表面智能检测方法和检测系统 | |
CN117972316A (zh) | 一种多元物联感知的gis处理方法及系统 | |
CN118245784B (zh) | 一种海洋温盐深传感器数据标定方法、介质及系统 | |
CN117928625A (zh) | 一种海水温盐深仪倾向性误差分析方法、介质及系统 | |
CN116912672A (zh) | 一种基于无人测量船的大型底栖无脊椎动物生物完整性评价方法 | |
CN112733906B (zh) | 一种全球高分辨率每日地表动量粗糙度长度估算方法 | |
CN115639335A (zh) | 水质监测数据校准方法、系统及计算机可读存储介质 | |
CN115184563A (zh) | 一种基于数字孪生的化工车间现场数据采集方法 | |
CN109740616B (zh) | 一种利用计算机视觉实现双指针仪表自动读数的方法 | |
CN112434750A (zh) | 基于卷积神经网络的大坝监测数据发展模式识别方法 | |
CN109754582A (zh) | 一种燃气表的无线抄表方法 | |
CN117253141B (zh) | 森林调查样地的样地数据确定方法、装置及电子设备 | |
CN118469519B (zh) | 一种基于二维码标识的钢结构模型演示方法 | |
CN117807469B (zh) | 一种水下传感器数据采集方法、介质及系统 | |
CN117951800B (zh) | 一种水工结构数字孪生模型的建立方法及系统 |
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 |