CN118410366B - 一种深远海渔业养殖平台运动的非线性分析方法 - Google Patents

Abstract

本发明涉及渔业养殖平台运动分析领域，具体涉及一种深远海渔业养殖平台运动的非线性分析方法。该方法获取渔业养殖平台每个周期中的运动信号以及周期每个时刻多维度的环境数据，将历史周期的短时窗口的运动信号段分解成多个正弦波，在历史周期中筛选出有效窗口，根据环境数据对各周期聚类，将当前周期所在聚类簇中所有历史周期的有效窗口中初始相位相同的正弦波划分到同一正弦波集合，分析各正弦波集合的正弦波数量以及正弦波振幅，通过获取的噪声因子和劣化因子对当前周期的运动信号滤波，并对渔业养殖平台在当前周期的非线性运行进行分析，本发明消除了噪声和平台结构劣化对渔业养殖平台非线性运动分析的影响，提高对其非线性分析的准确性。

Description

一种深远海渔业养殖平台运动的非线性分析方法

技术领域

本发明涉及渔业养殖平台运动分析领域，具体涉及一种深远海渔业养殖平台运动的非线性分析方法。

背景技术

深远海的渔业养殖平台通常会受到海浪、潮流、风力等多种复杂海洋环境的影响，导致渔业养殖平台的运动轨迹呈现不符合简单线性关系的非线性特点，非线性运动分析对于渔业养殖平台的设计、操作和维护至关重要，不仅能够提高平台的安全性和稳定性，还能够提升其在复杂海洋环境中的作业效率。

相关技术中通常利用传感器采集监测渔业养殖平台的实时的运动状态信息，并基于运动状态信息对渔业养殖平台的非线性运动特性进行分析，但由于运动状态信息容易受到噪声的干扰，以及渔业养殖平台自身结构劣化的原因，会导致运动状态信息中的非线性特征被掩盖，从而降低对渔业养殖平台非线性运动分析的准确性。

发明内容

为了解决由于噪声以及渔业养殖平台结构劣化的原因，会导致运动状态信息中的非线性特征被掩盖，从而降低对渔业养殖平台非线性运动分析的准确性的技术问题，本发明的目的在于提供一种深远海渔业养殖平台运动的非线性分析方法，所采用的技术方案具体如下：

本发明提出了一种深远海渔业养殖平台运动的非线性分析方法，所述方法包括：

获取渔业养殖平台在预设时长的每个周期中的运动信号，以及每个周期中每个时刻不同维度的环境数据，将最后一个周期作为当前周期，将除当前周期之外的其他周期作为历史周期；

将任意一个历史周期作为目标周期，将目标周期均分为不同的短时窗口，将目标周期的任意一个短时窗口作为目标窗口，对目标窗口的运动信号段分解成不同的正弦波；根据目标窗口中各正弦波的频率的分布以及初始相位的分布，从所有短时窗口中筛选出目标周期的有效窗口；

根据所述环境数据对各周期进行聚类，获得不同的聚类簇；将所述当前周期所在的聚类簇作为目标聚类簇，将目标聚类簇中所有历史周期的有效窗口中初始相位相同的正弦波划分到同一正弦波集合，根据目标聚类簇中各正弦波集合之间正弦波数量的分布，获得目标聚类簇的噪声因子；根据目标聚类簇中每个正弦波集合的各正弦波的振幅的分布，以及目标聚类簇中各历史周期在所述预设时长中的位置，获得目标聚类簇的劣化因子；

根据目标聚类簇的所述噪声因子和所述劣化因子，对当前周期的运动信号进行滤波，并对渔业养殖平台在当前周期的非线性运行进行分析。

进一步地，所述根据目标窗口中各正弦波的频率的分布以及初始相位的分布，从所有短时窗口中筛选出目标周期的有效窗口包括：

对目标窗口中所有正弦波的频率的整体水平进行分析，获得目标窗口的整体频率；

根据所述整体频率与目标窗口中所有正弦波的频率最小值的差异，获得目标窗口的第一差异，根据所述整体频率与目标窗口中所有正弦波的频率最大值的差异，获得目标窗口的第二差异；根据所述第一差异和所述第二差异，获取目标窗口的频率分布特征值，所述频率分布特征值与所述第一差异呈负相关，所述频率分布特征值与所述第二差异呈正相关；

根据目标窗口中所有正弦波的初始相位的平均值和中位数的差异，获得目标窗口的相位分布特征值；

对目标窗口的所述频率分布特征值和所述相位分布特征值进行综合后并进行归一化处理，获得目标窗口的有效信息辨识度；

基于所述有效信息辨识度，从目标周期的所有短时窗口中筛选出目标周期的有效窗口。

进一步地，所述基于所述有效信息辨识度，从目标周期的所有短时窗口中筛选出目标周期的有效窗口包括：

在目标周期中，将有效信息辨识度大于预设阈值的短时窗口，作为有效窗口。

进一步地，所述根据所述环境数据对各周期进行聚类，获得不同的聚类簇包括：

根据任意两个周期之间相同时刻的同一维度的环境数据的差异，获得任意两个周期之间的距离度量；

基于任意两个周期之间的所述距离度量，对所有周期进行聚类，获得不同的聚类簇。

进一步地，所述根据目标聚类簇中各正弦波集合之间正弦波数量的分布，获得目标聚类簇的噪声因子包括：

在目标聚类簇中，对每个正弦波集合中的正弦波数量进行归一化处理，获得每个正弦波集合的分布概率；

对目标聚类簇中所有正弦波集合的所述分布概率的峰度进行归一化处理，获得目标聚类簇的噪声因子。

进一步地，所述根据目标聚类簇中每个正弦波集合的各正弦波的振幅的分布，以及目标聚类簇中各历史周期在所述预设时长中的位置，获得目标聚类簇的劣化因子包括：

在目标聚类簇中，对每个正弦波集合中的各正弦波的振幅的离散程度进行分析，获得每个正弦波集合的振幅离散度；对目标聚类簇中所有正弦波集合的所述振幅离散度的整体水平进行分析，获得目标聚类簇的劣化特征值；

将每个历史周期在所述预设时长中的位置的序号，作为每个历史周期的位置序号；

根据目标聚类簇中所有历史周期的位置序号的极差，以及目标聚类簇的所述劣化特征值，获得目标聚类簇的劣化因子。

进一步地，所述根据目标聚类簇中所有历史周期的位置序号的极差，以及目标聚类簇的所述劣化特征值，获得目标聚类簇的劣化因子包括：

对目标聚类簇中所有历史周期的位置序号的极差进行负相关的归一化处理，获得目标聚类簇的权重参数；

基于目标聚类簇的所述权重参数，对所述劣化特征值进行调整，获得目标聚类簇的劣化因子。

进一步地，所述根据目标聚类簇的所述噪声因子和所述劣化因子，对当前周期的运动信号进行滤波，并对渔业养殖平台在当前周期的非线性运行进行分析包括：

根据目标聚类簇的所述噪声因子和所述劣化因子，构建高斯滤波核；

基于高斯滤波核对当前周期的运动信号进行滤波，获得当前周期的滤波信号；

基于所述滤波信号对渔业养殖平台在当前周期的非线性运行进行分析。

进一步地，所述根据目标聚类簇的所述噪声因子和所述劣化因子，构建高斯滤波核包括：

对目标聚类簇的所述噪声因子和所述劣化因子进行综合后并进行归一化处理，获得当前周期的滤波程度；

将当前周期的所述滤波程度作为构建高斯滤波核所使用的标准差参数，并构建出预设长度的高斯滤波核。

进一步地，所述对目标窗口的运动信号段分解成不同的正弦波包括：

对目标窗口的运动信号段进行傅里叶变换，获得目标窗口中不同的正弦波。

本发明具有如下有益效果：

本发明考虑到由于噪声以及渔业养殖平台结构劣化原因，会导致运动状态信息中的非线性特征被掩盖，降低对渔业养殖平台非线性运动分析的准确性，因此本发明首先获取渔业养殖平台在预设时长的每个周期中的运动信号，以及每个周期中每个时刻不同维度的环境数据，考虑到噪声以及渔业养殖平台结构劣化对运动信号的非线性特征的影响，主要体现在对组成运动信号的正弦波的频率、幅度以及初始相位的影响，同时考虑到目标周期的运动信号中的成分较复杂，并非所有的信号段内都存在明显的位移特征，因此本发明实施例首先对目标窗口的运动信号段分解成不同的正弦波，并提取出目标周期中位移特征明显的有效窗口，避免后续对非位移信号段的无效分析，进而对各周期进行聚类，使得目标聚类簇中的当前周期和其他历史周期受到海洋环境因素的影响相似，提高后续的滤波效果，同时通过噪声因子和劣化因子反映噪声以及渔业养殖平台结构劣化对目标聚类簇中各周期运动信号非线性特征的影响程度，进而结合噪声因子和劣化因子，对当前周期的运动信号进行滤波，消除噪声以及渔业养殖平台结构劣化的干扰，提高对渔业养殖平台非线性运动分析的准确性。

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为本发明一个实施例所提供的一种深远海渔业养殖平台运动的非线性分析方法流程图；

图2为本发明一个实施例所提供的周期内的运动信号示意图；

图3为本发明一个实施例所提供的目标周期中有效窗口的获取方法流程图；

图4为本发明一个实施例所提供的目标聚类簇的劣化因子的获取方法流程图；

图5为本发明一个实施例所提供的渔业养殖平台在当前周期的非线性运行分析的方法流程图。

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效，以下结合附图及较佳实施例，对依据本发明提出的一种深远海渔业养殖平台运动的非线性分析方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

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深远海渔业养殖平台运动的非线性分析方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种深远海渔业养殖平台运动的非线性分析方法流程图，该方法包括：

步骤S1：获取渔业养殖平台在预设时长的每个周期中的运动信号，以及每个周期中每个时刻不同维度的环境数据，将最后一个周期作为当前周期，将除当前周期之外的其他周期作为历史周期。

深远海的渔业养殖平台通常会受到海浪、潮流、风力等多种复杂海洋环境的影响，导致渔业养殖平台呈现出非线性运动的特点，非线性运动分析对于渔业养殖平台的设计、操作和维护至关重要，不仅能够提高平台的安全性和稳定性，还能够提升其在复杂海洋环境中的作业效率，相关技术中通常利用传感器采集监测渔业养殖平台的实时的运动状态信息，并基于运动状态信息对渔业养殖平台的非线性运动特性进行分析，但由于运动状态信息容易受到噪声的干扰，以及渔业养殖平台自身结构劣化的原因，会导致运动状态信息中的非线性特征被掩盖，从而降低对渔业养殖平台非线性运动分析的准确性，因此本发明实施例提出一种深远海渔业养殖平台运动的非线性分析方法，以解决该问题。

本发明实施例首先将加速度传感器安装在渔业养殖平台桩腿上，并利用加速度传感器采集渔业养殖平台在预设时长中每个周期中的运动信号，运动信号能够反映渔业养殖平台在每个周期内的运动状态，请参阅图2，图2为本发明一个实施例所提供的周期内的运动信号示意图，其中坐标系的横轴表示时间，纵轴表示信号幅值，其中预设时长设置为1年，每个周期的长度设置为1天，预设时长以及每个周期的长度均可根据具体实施场景由实施者自行设置，在此不作限定。

由于渔业养殖平台的非线性运动特性主要是受到例如海浪、潮流、风力等多种复杂海洋环境的影响所导致的，因此还需要对渔业养殖平台所在的深远海环境情况进行分析，以便后续针对具有相似海洋环境因素的周期进行分析，同时考虑到渔业养殖平台通常会部署完善的海情监测系统，用于监测其周围海域的环境情况，因此本发明实施例通过渔业养殖平台中的海情监测系统采集渔业养殖平台在每个周期中每个时刻不同维度的环境数据，其中相邻时刻之间的时间间隔设置为5分钟，其时间间隔也可根据具体实施场景由实施者自行设置，在此不作限定，每种维度表示一种类型的海洋环境因素，其中海洋环境因素至少包括海流速度、风速和海浪结构应力等，维度的数量可根据具体实施场景进行适当扩充，在此不作限定，同时将最后一个周期作为当前周期，将除当前周期之外的其他周期作为历史周期，后续便可基于各历史周期中的运动信号，对当前周期的运动信号进行滤波以及对渔业养殖平台在当前周期的非线性运行进行分析。

需要说明的是，由于不同维度的环境数据的量纲不同，后续为了在同一尺度下对环境数据进行分析，还需要对采集的环境数据进行标准化处理，从而消除量纲的影响，数据的标准化处理是本领域技术人员熟知的技术领域，在此不做赘述。

步骤S2：将任意一个历史周期作为目标周期，将目标周期均分为不同的短时窗口，将目标周期的任意一个短时窗口作为目标窗口，对目标窗口的运动信号段分解成不同的正弦波；根据目标窗口中各正弦波的频率的分布以及初始相位的分布，从所有短时窗口中筛选出目标周期的有效窗口。

由于每个历史周期的运动信号中的成分较复杂，对于每个历史周期中的运动信号，并非每个部分的运动信号段都存在明显的信号幅值发生变化的位移特征，因此本发明实施例首先将任意一个历史周期作为目标周期，并将目标周期均分为不同的短时窗口，便可后续对每个短时窗口的运动信号段进行分析，从而提取出具有明显位移特征的有效窗口，避免对非位移特征的短时窗口的无效分析，提高后续计算分析的准确性，短时窗口的长度范围一般为，单位为分钟，在本发明的一个实施例中短时窗口的长度设置为10分钟，短时窗口的长度也可根据具体实施场景由实施者自行设置，在此不作限定。

噪声以及渔业养殖平台自身结构特征对运动信号的非线性特征的影响，主要体现在对组成运动信号的正弦波的频率、幅度以及初始相位的影响，因此可首先将目标窗口的运动信号段分解成不同的正弦波，为后续的计算分析提供关于正弦波的频率、幅度以及初始相位的数据基础。

优选地，在本发明的一个实施例中对目标窗口的运动信号段进行傅里叶变换，获得目标窗口中不同的正弦波，傅里叶变换是本领域技术人员熟知的技术手段，在此不做赘述。

在本发明的其他实施例中也可使用例如经验模态分解等方法对目标窗口的运动信号段进行分解，在此不作限定。

考虑到相比于高频的噪声干扰成分，具有位移特征的运动信号段的正弦波通常表现为低频成分，并且各正弦波的初始相位的聚集现象，会导致目标窗口中各正弦波之间存在明显的相互干涉，使得目标窗口中的运动信号段越可能存在明显的位移特征，目标窗口中包含有效信息的程度越高，因此本发明实施例对目标窗口中各正弦波的频率的分布以及初始相位的分布进行分析，进而从目标周期的所有短时窗口中筛选出目标周期的有效窗口，后续便可针对每个历史周期的有效窗口的正弦波进行分析，避免对非位移特征的短时窗口的无效分析，提高后续对当前周期运动信号的滤波效果，以及对渔业养殖平台在当前周期的非线性运行分析的准确性。

优选地，在本发明的一个实施例中目标周期的有效窗口的获取方法具体包括：

请参阅图3，其示出了本发明一个实施例所提供的目标周期中有效窗口的获取方法流程图。

步骤S201：对目标窗口中所有正弦波的频率的整体水平进行分析，获得目标窗口的整体频率。

由于相比于高频的噪声干扰成分，具有位移特征的运动信号段的正弦波通常表现为低频成分，因此可首先对目标窗口中所有正弦波的频率的整体水平进行分析，获得目标窗口的整体频率，通过整体频率反映目标窗口中所有正弦波频率的整体水平，便于后续对目标窗口中是否存在低频成分的正弦波进行分析。

在本发明实施例中可将目标窗口中所有正弦波的频率的平均值或中位数，作为目标窗口的整体频率，从而实现对目标窗口中所有正弦波的频率的整体水平的分析，在此不作限定。

步骤S202：根据整体频率与目标窗口中所有正弦波的频率最小值的差异，获得目标窗口的第一差异，根据整体频率与目标窗口中所有正弦波的频率最大值的差异，获得目标窗口的第二差异；根据第一差异和第二差异，获取目标窗口的频率分布特征值，频率分布特征值与第一差异呈负相关，频率分布特征值与第二差异呈正相关。

目标窗口的整体频率越接近所有正弦波的频率最小值，并且越远离所有正弦波的频率最大值，说明目标窗口中正弦波的低频成分更加突出，进而说明目标窗口中的运动信号段越可能存在明显的位移特征，则目标窗口中的有效信息程度越多，因此可根据整体频率与目标窗口中所有正弦波的频率最小值的差异，获得目标窗口的第一差异，根据整体频率与目标窗口中所有正弦波的频率最大值的差异，获得目标窗口的第二差异，进而获取目标窗口的频率分布特征值，频率分布特征值与第一差异呈负相关，频率分布特征值与第二差异呈正相关，通过频率分布特征值反映目标窗口中正弦波表现为低频成分的程度，频率分布特征值越大，说明目标窗口中的低频成分越突出，则目标窗口的运动信号段越具有明显的位移特征，进而说明目标窗口中包含有效信息的程度越强。

在本发明的一个实施例中可通过计算整体频率与频率最小值的差值的绝对值，分析二者之间的差异，从而得到目标窗口的第一差异，通过计算整体频率与频率最大值的差值的绝对值，分析二者之间的差异，从而得到目标窗口的第二差异。

需要说明的是，其中，正相关关系表示因变量会随着自变量的增大而增大，因变量会随着自变量的减小而减小，具体关系可以为相乘关系、相加关系、指数函数的幂等，由实际应用进行确定；负相关关系表示因变量会随着自变量的增大而减小，因变量会随着自变量的减小而增大，可以为相减关系、相除关系等，由实际应用进行确定。

步骤S203：根据目标窗口中所有正弦波的初始相位的平均值和中位数的差异，获得目标窗口的相位分布特征值。

目标窗口中各正弦波的初始相位的聚集现象，会导致目标窗口中各正弦波之间存在明显的相互干涉，使得目标窗口中的运动信号段越可能存在明显的位移特征，目标窗口越可能包含有效信息，而数据集的平均值和中位数这两个统计量之间的差异能够反映数据分布的对称性，平均值与中位数之间的差异越大，说明数据集的数据分布越不对称，即越可能存在数据聚集现象，因此可根据目标窗口中所有正弦波的初始相位的平均值和中位数的差异，获得目标窗口的相位分布特征值，通过相位分布特征值反映目标窗口中各正弦波的初始相位的聚集程度，相位分布特征值越大，说明目标窗口中各正弦波初始相位的聚集程度越明显，则目标窗口含有有效信息的可能性越大，后续便可基于相位分布特征值以及上述获取的频率分布特征值，准确筛选出目标周期的有效窗口。

在本发明的一个实施例中可计算目标窗口中所有正弦波的初始相位的平均值和中位数的差值的绝对值，分析二者的差异，从而获得目标窗口的相位分布特征值。

在本发明的其他实施例中可计算目标窗口中所有正弦波的初始相位的平均值和中位数的比值与常数1之间差值的绝对值，分析二者的差异，从而获得目标窗口的相位分布特征值。

步骤S204：对目标窗口的频率分布特征值和相位分布特征值进行综合后并进行归一化处理，获得目标窗口的有效信息辨识度。

频率分布特征值和相位分布特征值从不同角度反映了目标窗口中包含有效信息的可能性，因此可对目标窗口的频率分布特征值和相位分布特征值进行综合后并进行归一化处理，获得目标窗口的有效信息辨识度，有效信息辨识度越大，说明目标窗口中的运动信号段越可能存在位移特征，进而说明目标窗口中越可能包含有效信息，便于后续基于有效信息辨识度，从目标周期的所有短时窗口中准确筛选出有效窗口，避免后续对非位移特征的短时窗口的无效分析。

在本发明实施例中可将目标窗口的频率分布特征值和相位分布特征值进行相乘或相加，实现对二者的综合，归一化处理可以具体例如为最大最小值归一化处理，并且，后续步骤中的归一化均可以采用最大最小值归一化处理，在本发明的其他实施例中可以根据数值具体范围选择其他归一化方法，对此不再赘述。

目标窗口的有效信息辨识度的表达式可以具体例如为：；其中，其中，表示目标周期中目标窗口的有效信息辨识度；表示目标周期中目标窗口的整体频率；表示目标周期中目标窗口所有正弦波的频率的最大值；表示目标周期中目标窗口所有正弦波的频率的最小值，由于目标窗口的运动信号段是由不同频率的正弦波组成，因此，则；表示目标周期中目标窗口所有正弦波的初始相位的平均值；表示目标周期中目标窗口所有正弦波的初始相位的中位数；表示目标窗口的第一差异；表示目标窗口的第二差异；表示目标窗口的频率分布特征值；表示归一化函数。

步骤S205：基于有效信息辨识度，从目标周期的所有短时窗口中筛选出目标周期的有效窗口。

通过上述相同的方法便可得到目标周期中每个短时窗口的有效信息辨识度，有效信息辨识度越大，说明目标周期中的短时窗口中存在有效信息的可能性越大，因此可基于有效信息辨识度，从目标周期的所有短时窗口中筛选出目标周期的有效窗口，后续可仅针对有效窗口进行分析，避免对非位移特征的短时窗口的无效分析。

优选地，在本发明的一个实施例将目标周期中有效信息辨识度大于预设阈值的短时窗口，作为目标周期的有效窗口，预设阈值设置为0.5，预设阈值的具体数值也可根据具体实施场景由实施者自行设置，在此不作限定。

基于上述相同的方法便可得到每个历史周期的有效窗口。

步骤S3：根据环境数据对各周期进行聚类，获得不同的聚类簇；将当前周期所在的聚类簇作为目标聚类簇，将目标聚类簇中所有历史周期的有效窗口中初始相位相同的正弦波划分到同一正弦波集合，根据目标聚类簇中各正弦波集合之间正弦波数量的分布，获得目标聚类簇的噪声因子；根据目标聚类簇中每个正弦波集合的各正弦波的振幅的分布，以及目标聚类簇中各历史周期在预设时长中的位置，获得目标聚类簇的劣化因子。

由于渔业养殖平台的非线性运动特性主要是受到多种复杂海洋环境的影响所导致的，渔业养殖平台在不同周期内的海洋环境情况存在差异，而上述获取的每个周期内每个时刻的不同维度的环境数据能够反映每个周期内环境情况，因此可首先根据环境数据对各周期进行聚类，获得不同的聚类簇，使得同一聚类簇中各周期所处的环境情况相似，提高后续对当前周期运动信号的滤波效果以及对渔业养殖平台在当前周期的非线性运行分析的准确性。

优选地，在本发明的一个实施例中不同的聚类簇的获取方法具体包括：

现有的聚类算法，例如k-means聚类算法，通过度量样本之间的距离，将距离较小的样本划分到同一聚类簇中，从而实现聚类操作，因此本发明实施例首先根据任意两个周期之间相同时刻的同一维度的环境数据的差异，获得任意两个周期之间的距离度量，其中周期包括当前周期和各历史周期，距离度量反映了任意两个周期之间环境数据的差异，后续可基于任意两个周期之间的距离度量对各周期进行聚类。

在本发明实施例中，可将每个周期在每个时刻的不同维度的环境数据以矩阵形式进行表示，矩阵的行表示不同的维度，列表示不同的时刻，矩阵中的元素为周期内对应时刻下对应维度的环境数据，然后将任意两个周期的环境数据的矩阵之间的欧式距离或曼哈顿距离，作为任意两个周期之间的距离度量，在此不作限定，其中两个矩阵之间的欧式距离是通过计算相同位置元素的差值的平方的累加值，然后对累加值开根号获取的，而两个矩阵之间的曼哈顿距离，是通过计算相同位置元素的差值的绝对值的累加值获取的。

获取到任意两个周期之间的距离度量后，便可基于任意两个周期之间的距离度量，对所有周期进行聚类，获得不同的聚类簇，在本发明的实施例中可使用k-means聚类或DBSCAN聚类等算法进行聚类，在此不作限定。

由于本发明实施例需要对渔业养殖平台在当前周期的非线性运动情况进行分析，因此需要将当前周期所在的聚类簇作为目标聚类簇，使得当前周期与目标聚类簇中的历史周期所处的海洋环境情况相似，从而可提高后续分析的准确性。

考虑到噪声以及渔业养殖平台的结构劣化是影响渔业养殖平台非线性运动的两种主要因素，噪声干扰会导致目标聚类簇中所有历史周期的短时窗口中相同初始相位的正弦波数量的差异较大，而渔业养殖平台结构劣化会导致目标聚类簇中所有历史周期的短时窗口中相同初始相位的正弦波振幅的分布更加复杂，同时为了进行更加有效的分析，需要仅针对目标聚类簇中各历史周期的有效窗口进行分析，因此可首先将目标聚类簇中所有历史周期的有效窗口中初始相位相同的正弦波划分到同一正弦波集合，也就是说，每个正弦波集合中的各正弦波的初始相位是相同的，由于噪声干扰会导致目标聚类簇中部分正弦波集合中正弦波数量比较突出，因此可分析目标聚类簇中各正弦波集合之间正弦波数量的分布情况，通过获取的噪声因子反映噪声对目标聚类簇中各周期的运动信号非线性成分的影响程度，后续可基于噪声因子对当前周期的运动信号进行滤波，消除噪声的干扰。

优选地，在本发明的一个实施例中目标聚类簇的噪声因子的获取方法具体包括：

在目标聚类簇中，对每个正弦波集合中的正弦波数量进行归一化处理，获得每个正弦波集合的分布概率，其中可使用目标聚类簇中所有历史周期的有效窗口中的正弦波数量，即所有正弦波集合中的正弦波数量，对每个正弦波集合中的正弦波数量进行归一化处理，从而得到每个正弦波集合的分布概率。

对目标聚类簇中所有正弦波集合的分布概率的峰度进行归一化处理，获得目标聚类簇的噪声因子，其中峰度的计算是本领域技术人员熟知的技术手段，在此不做赘述。

目标聚类簇的噪声因子的表达式可以具体例如为：；

其中，表示目标聚类簇的噪声因子；表示目标聚类簇中第个正弦波集合的分布概率；表示目标聚类簇中所有正弦波集合的分布概率的平均值；表示目标聚类簇中所有正弦波集合的分布概率的标准差；表示目标聚类簇中正弦波集合的数量；表示目标聚类簇中所有正弦波集合的分布概率的峰度；表示归一化函数。

在目标聚类簇的噪声因子的获取过程中，分布概率反映了在目标聚类簇中，每个正弦波集合中的正弦波数量占所有正弦波数量的比例，目标聚类簇中所有正弦波集合的分布概率的峰度越大，说明目标聚类簇中存在部分正弦波集合的正弦波数量较多，这部分正弦波集合的正弦波数量较为突出，进而说明噪声对目标聚类簇中各周期的运动信号非线性成分的影响程度越大，则噪声因子越大。

由于渔业养殖平台结构的劣化同样会对渔业养殖平台的非线性运动特性造成影响，具体表现为平台结构劣化会提高目标聚类簇中每个正弦波集合中各正弦波的振幅分布的复杂性，同时考虑到渔业养殖平台结构是随时间逐渐劣化的，进而可基于目标聚类簇中每个正弦波集合的各正弦波的振幅的分布情况，并结合目标聚类簇中各历史周期在预设时长中的位置进行分析，通过获取的劣化因子反映渔业养殖平台结构劣化对目标聚类簇中各周期的运动信号非线性成分的影响程度，便于后续结合噪声因子和劣化因子对当前周期的运动信号进行滤波，消除噪声以及渔业养殖平台结构劣化对当前周期运动信号中非线性成分的干扰，提高对渔业养殖平台在当前周期的非线性运行分析的准确性。

优选地，在本发明的一个实施例中目标聚类簇的劣化因子的获取方法具体包括：

请参阅图4，其示出了本发明一个实施例所提供的目标聚类簇的劣化因子的获取方法流程图。

步骤S301：在目标聚类簇中，对每个正弦波集合中的各正弦波的振幅的离散程度进行分析，获得每个正弦波集合的振幅离散度；对目标聚类簇中所有正弦波集合的振幅离散度的整体水平进行分析，获得目标聚类簇的劣化特征值。

由于渔业养殖平台结构劣化会导致目标聚类簇中每个正弦波集合中各正弦波的振幅分布复杂性更高，因此在目标聚类簇中，对每个正弦波集合中的各正弦波的振幅的离散程度进行分析，获得每个正弦波集合的振幅离散度，振幅离散度越大，说明每个正弦波集合中各正弦波的振幅的离散程度越强，说明每个正弦波集合中各正弦波的振幅的分布情况越复杂，进而对目标聚类簇中所有正弦波集合的振幅离散度的整体水平进行分析，获得目标聚类簇的劣化特征值，劣化特征值越大，说明渔业养殖平台结构越可能出现劣化现象，后续以目标聚类簇的劣化特征值为基础，对目标聚类簇的劣化因子进行分析。

在本发明实施例中可通过计算每个正弦波集合中的各正弦波的振幅的方差或标准差，实现对每个正弦波集合中的各正弦波的振幅的离散程度的分析，从而得到每个正弦波集合的振幅离散度；并将目标聚类簇中所有正弦波集合的振幅离散度的平均值或中位数，作为目标聚类簇的劣化特征值，实现对目标聚类簇中所有正弦波集合的振幅离散度的整体水平的分析。

步骤S302：将每个历史周期在预设时长中的位置的序号，作为每个历史周期的位置序号。

由于渔业养殖平台结构是随时间逐渐劣化的，因此本发明实施例将每个历史周期在预设时长中的位置的序号，作为每个历史周期的位置序号，例如对于预设时长的第一个历史周期，则该历史周期的位置序号为1，后续可对目标聚类簇中各历史周期的位置序号进行分析，使得劣化因子的计算精度更高。

步骤S303：根据目标聚类簇中所有历史周期的位置序号的极差，以及目标聚类簇的劣化特征值，获得目标聚类簇的劣化因子。

目标聚类簇中各历史周期的位置序号分布越集中，说明渔业养殖平台结构出现劣化的可信度越高，因此可根据目标聚类簇中所有历史周期的位置序号的极差，以及目标聚类簇的劣化特征值，获得目标聚类簇的劣化因子，劣化因子越大，说明渔业养殖平台结构在目标聚类簇中的各周期中存在劣化的可能性越大，进而说明渔业养殖平台结构劣化对目标聚类簇中各周期的运动信号非线性成分的影响程度越大。

优选地，在本发明的一个实施例中目标聚类簇的劣化因子的获取方法进一步包括：

目标聚类簇中所有历史周期的位置序号的极差越小，说明目标聚类簇中各历史周期的位置序号分布越集中，则渔业养殖平台结构出现劣化的可信度越高，因此可对目标聚类簇中所有历史周期的位置序号的极差进行负相关的归一化处理，获得目标聚类簇的权重参数，在本发明的一个实施例中可利用以自然常数为底的负指数函数实现负相关的归一化处理，权重参数越大，说明渔业养殖平台结构出现劣化的可信度越高，后续可利用目标聚类簇的权重参数对劣化特征值进行调整，提高劣化因子的计算精度。

基于目标聚类簇的权重参数，对劣化特征值进行调整，获得目标聚类簇的劣化因子，在本发明实施例中将目标聚类簇的权重参数和劣化特征值相乘，实现权重参数对劣化特征值进行调整，从而获得目标聚类簇的劣化因子。

目标聚类簇的劣化因子的表达式可以具体例如为：

其中，表示目标聚类簇的劣化因子；表示目标聚类簇中所有历史周期的位置序号的最大值；表示目标聚类簇中所有历史周期的位置序号的最小值；表示目标聚类簇中所有历史周期的位置序号的极差；表示目标聚类簇中第个正弦波集合的振幅离散度；表示目标聚类簇中正弦波集合的数量；表示以自然常数为底的指数函数；表示目标聚类簇的劣化特征值；表示目标聚类簇的权重参数。

步骤S4：根据目标聚类簇的噪声因子和劣化因子，对当前周期的运动信号进行滤波，并对渔业养殖平台在当前周期的非线性运行进行分析。

由于噪声和渔业养殖平台结构劣化的原因会掩盖渔业养殖平台运动信号中的非线性特征，降低对渔业养殖平台非线性运动分析的准确性，同时当前周期处于目标聚类簇中，则目标聚类簇的噪声因子和劣化因子即为当前周期的运动信号受到这两种因素干扰的程度，因此可结合目标聚类簇的噪声因子和劣化因子，对当前周期的运动信号进行滤波，消除噪声和渔业养殖平台结构劣化对当前周期运动信号中非线性成分的干扰，提高对渔业养殖平台在当前周期的非线性运行分析的准确性。

优选地，在本发明的一个实施例中目标聚类簇的劣化因子的获取方法具体包括：

请参阅图5，其示出了本发明一个实施例所提供的渔业养殖平台在当前周期的非线性运行分析的方法流程图。

步骤S401：根据目标聚类簇的噪声因子和劣化因子，构建高斯滤波核。

由于高斯滤波核能够通过设置的参数进行不同强度的滤波处理，而噪声因子和劣化因子能够反映当前周期运动信号中的非线性成分受到干扰的程度，因此可根据目标聚类簇的噪声因子和劣化因子，构建高斯滤波核，提高后续滤波效果。

优选地，在本发明的一个实施例中构建高斯滤波核的方法具体包括：

目标聚类簇的噪声因子和劣化因子越大，说明当前周期的运动信号受到噪声以及平台结构劣化的影响越大，则需要对当前周期的运动信号进行滤波的程度越大，以便更有效的消除噪声和平台结构劣化造成的干扰，因此可对目标聚类簇的噪声因子和劣化因子进行综合后并进行归一化处理，获得当前周期的滤波程度。

在本发明实施例中可通过将目标聚类簇的噪声因子和劣化因子进行相乘或相加，实现对二者的综合，在此不做限定。

高斯滤波核主要通过标准差参数反映滤波的强度，其标准差参数越大，滤波的程度就越大，因此可将当前周期的滤波程度作为构建高斯滤波核所使用的标准差参数，并构建出预设长度的高斯滤波核，预设长度设置为21，预设长度也可根据具体实施场景由实施者自行设置，在此不作限定，高斯滤波核的构建是本领域技术人员熟知的技术手段，在此不做赘述。

步骤S402：基于高斯滤波核对当前周期的运动信号进行滤波，获得当前周期的滤波信号。

构建出高斯滤波核后，便可基于高斯滤波核对当前周期的运动信号进行滤波，获得当前周期的滤波信号，从而消除噪声和渔业养殖平台结构劣化对当前周期运动信号中的非线性成分的干扰，提高后续对渔业养殖平台在当前周期的非线性运行分析的准确性。

步骤S403：基于滤波信号对渔业养殖平台在当前周期的非线性运行进行分析。

例如可基于滤波信号构建渔业养殖平台的非线性分析模型，基于非线性分析模型实现对渔业养殖平台在当前周期的非线性运行进行分析。

综上所述，本发明实施例首先获取渔业养殖平台在预设时长的每个周期中的运动信号，以及每个周期中每个时刻不同维度的环境数据，将最后一个周期作为当前周期，将除当前周期之外的其他周期作为历史周期；将任意一个历史周期作为目标周期，将目标周期均分为不同的短时窗口，将目标周期的任意一个短时窗口作为目标窗口，对目标窗口的运动信号段分解成不同的正弦波；根据目标窗口中各正弦波的频率的分布以及初始相位的分布，从所有短时窗口中筛选出目标周期的有效窗口；根据环境数据对各周期进行聚类，获得不同的聚类簇；将当前周期所在的聚类簇作为目标聚类簇，将目标聚类簇中所有历史周期的有效窗口中初始相位相同的正弦波划分到同一正弦波集合，根据目标聚类簇中各正弦波集合之间正弦波数量的分布，获得目标聚类簇的噪声因子；根据目标聚类簇中每个正弦波集合的各正弦波的振幅的分布，以及目标聚类簇中各历史周期在预设时长中的位置，获得目标聚类簇的劣化因子；根据目标聚类簇的噪声因子和劣化因子，对当前周期的运动信号进行滤波，并对渔业养殖平台在当前周期的非线性运行进行分析。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (8)

1.一种深远海渔业养殖平台运动的非线性分析方法，其特征在于，所述方法包括：

获取渔业养殖平台在预设时长的每个周期中的运动信号，以及每个周期中每个时刻不同维度的环境数据，将最后一个周期作为当前周期，将除当前周期之外的其他周期作为历史周期；

将任意一个历史周期作为目标周期，将目标周期均分为不同的短时窗口，将目标周期的任意一个短时窗口作为目标窗口，对目标窗口的运动信号段分解成不同的正弦波；根据目标窗口中各正弦波的频率的分布以及初始相位的分布，从所有短时窗口中筛选出目标周期的有效窗口；

根据所述环境数据对各周期进行聚类，获得不同的聚类簇；将所述当前周期所在的聚类簇作为目标聚类簇，将目标聚类簇中所有历史周期的有效窗口中初始相位相同的正弦波划分到同一正弦波集合，根据目标聚类簇中各正弦波集合之间正弦波数量的分布，获得目标聚类簇的噪声因子；根据目标聚类簇中每个正弦波集合的各正弦波的振幅的分布，以及目标聚类簇中各历史周期在所述预设时长中的位置，获得目标聚类簇的劣化因子；

根据目标聚类簇的所述噪声因子和所述劣化因子，对当前周期的运动信号进行滤波，并对渔业养殖平台在当前周期的非线性运行进行分析；

所述根据目标聚类簇中各正弦波集合之间正弦波数量的分布，获得目标聚类簇的噪声因子包括：

在目标聚类簇中，对每个正弦波集合中的正弦波数量进行归一化处理，获得每个正弦波集合的分布概率；

对目标聚类簇中所有正弦波集合的所述分布概率的峰度进行归一化处理，获得目标聚类簇的噪声因子，目标聚类簇的噪声因子的表达式具体为：

；

其中，表示目标聚类簇的噪声因子；表示目标聚类簇中第个正弦波集合的分布概率；表示目标聚类簇中所有正弦波集合的分布概率的平均值；表示目标聚类簇中所有正弦波集合的分布概率的标准差；表示目标聚类簇中正弦波集合的数量；表示目标聚类簇中所有正弦波集合的分布概率的峰度；表示归一化函数；

所述根据目标聚类簇中每个正弦波集合的各正弦波的振幅的分布，以及目标聚类簇中各历史周期在所述预设时长中的位置，获得目标聚类簇的劣化因子包括：

在目标聚类簇中，对每个正弦波集合中的各正弦波的振幅的离散程度进行分析，获得每个正弦波集合的振幅离散度；对目标聚类簇中所有正弦波集合的所述振幅离散度的整体水平进行分析，获得目标聚类簇的劣化特征值；

将每个历史周期在所述预设时长中的位置的序号，作为每个历史周期的位置序号；

根据目标聚类簇中所有历史周期的位置序号的极差，以及目标聚类簇的所述劣化特征值，获得目标聚类簇的劣化因子，目标聚类簇的劣化因子的表达式具体为：

；

其中，表示目标聚类簇的劣化因子；表示目标聚类簇中所有历史周期的位置序号的最大值；表示目标聚类簇中所有历史周期的位置序号的最小值；表示目标聚类簇中所有历史周期的位置序号的极差；表示目标聚类簇中第个正弦波集合的振幅离散度；表示目标聚类簇中正弦波集合的数量；表示以自然常数为底的指数函数；表示目标聚类簇的劣化特征值；表示目标聚类簇的权重参数。

2.根据权利要求1所述的一种深远海渔业养殖平台运动的非线性分析方法，其特征在于，所述根据目标窗口中各正弦波的频率的分布以及初始相位的分布，从所有短时窗口中筛选出目标周期的有效窗口包括：

对目标窗口中所有正弦波的频率的整体水平进行分析，获得目标窗口的整体频率；

根据所述整体频率与目标窗口中所有正弦波的频率最小值的差异，获得目标窗口的第一差异，根据所述整体频率与目标窗口中所有正弦波的频率最大值的差异，获得目标窗口的第二差异；根据所述第一差异和所述第二差异，获取目标窗口的频率分布特征值，所述频率分布特征值与所述第一差异呈负相关，所述频率分布特征值与所述第二差异呈正相关；

根据目标窗口中所有正弦波的初始相位的平均值和中位数的差异，获得目标窗口的相位分布特征值；

对目标窗口的所述频率分布特征值和所述相位分布特征值进行综合后并进行归一化处理，获得目标窗口的有效信息辨识度；

基于所述有效信息辨识度，从目标周期的所有短时窗口中筛选出目标周期的有效窗口。

3.根据权利要求2所述的一种深远海渔业养殖平台运动的非线性分析方法，其特征在于，所述基于所述有效信息辨识度，从目标周期的所有短时窗口中筛选出目标周期的有效窗口包括：

在目标周期中，将有效信息辨识度大于预设阈值的短时窗口，作为有效窗口。

4.根据权利要求1所述的一种深远海渔业养殖平台运动的非线性分析方法，其特征在于，所述根据所述环境数据对各周期进行聚类，获得不同的聚类簇包括：

根据任意两个周期之间相同时刻的同一维度的环境数据的差异，获得任意两个周期之间的距离度量；

基于任意两个周期之间的所述距离度量，对所有周期进行聚类，获得不同的聚类簇。

5.根据权利要求1所述的一种深远海渔业养殖平台运动的非线性分析方法，其特征在于，所述根据目标聚类簇中所有历史周期的位置序号的极差，以及目标聚类簇的所述劣化特征值，获得目标聚类簇的劣化因子包括：

对目标聚类簇中所有历史周期的位置序号的极差进行负相关的归一化处理，获得目标聚类簇的权重参数；

基于目标聚类簇的所述权重参数，对所述劣化特征值进行调整，获得目标聚类簇的劣化因子。

6.根据权利要求1所述的一种深远海渔业养殖平台运动的非线性分析方法，其特征在于，所述根据目标聚类簇的所述噪声因子和所述劣化因子，对当前周期的运动信号进行滤波，并对渔业养殖平台在当前周期的非线性运行进行分析包括：

根据目标聚类簇的所述噪声因子和所述劣化因子，构建高斯滤波核；

基于高斯滤波核对当前周期的运动信号进行滤波，获得当前周期的滤波信号；

基于所述滤波信号对渔业养殖平台在当前周期的非线性运行进行分析。

7.根据权利要求6所述的一种深远海渔业养殖平台运动的非线性分析方法，其特征在于，所述根据目标聚类簇的所述噪声因子和所述劣化因子，构建高斯滤波核包括：

对目标聚类簇的所述噪声因子和所述劣化因子进行综合后并进行归一化处理，获得当前周期的滤波程度；

将当前周期的所述滤波程度作为构建高斯滤波核所使用的标准差参数，并构建出预设长度的高斯滤波核。

8.根据权利要求1所述的一种深远海渔业养殖平台运动的非线性分析方法，其特征在于，所述对目标窗口的运动信号段分解成不同的正弦波包括：

对目标窗口的运动信号段进行傅里叶变换，获得目标窗口中不同的正弦波。