(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110688153.X (22)申请日 2021.06.21 (65)同一申请的已公布的文献号 申请公布号 CN 113486574 A (43)申请公布日 2021.10.08 (73)专利权人 广东海洋大学 地址 524088 广东省湛江市麻章区海大路1 号 (72)发明人 屈科　 (74)专利代理 机构 广州专理知识产权代理事务 所(普通合伙) 44493 专利代理师 邓易偲 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (56)对比文件 CN 112598113 A,2021.04.02 CN 108802735 A,2018.1 1.13 CN 106950568 A,2017.07.14 审查员 景京 (54)发明名称 基于历史数据以及机器学习的声速剖面补 全方法及装置 (57)摘要 本发明涉及基于历史数据以及机器学习的 声速剖面补全方法， 包括以下： 获取目标海域的 海区历史平均数据作为第一数据以及仪器设备 采集的历史数据作为第二数据； 对 所述第一数据 以及第二数据进行EOF分析得到EOF投影系数集； 将所述第二数据与所述EOF投影系数集作为训练 样本进行训练得到代表不同参考分类信息的神 经元； 获取目标海域的海区现场实测数据， 计算 得到与之关联度最高的参考神经元； 根据所述参 考神经元以及所述海区历史平均数据重构声速 剖面， 完成目标海域的声速剖面补全。 通过本方 法建立的声速剖面重构结果符合扰动规律、 避免 了不符合实际的重构结果， 包含了目标海域小时 间尺度声速剖面精细结构的特征、 能够反映实际 情况中复杂的扰动状态。 权利要求书2页 说明书8页 附图3页 CN 113486574 B 2022.07.01 CN 113486574 B 1.基于历史数据以及机器学习的声速剖面补全方法， 其特 征在于， 包括以下： 获取目标海域的海区历史平均数据作为第一数据以及仪器设备采集的历史数据作为 第二数据； 对所述第一数据以及第二数据进行EOF分析 得到EOF投影系数集； 将所述第 二数据与所述EOF投影系数集作为训练样本通过无监督的机器学习算法进行 训练得到代 表不同参 考分类信息的神经 元； 获取目标海域的海区现场实测数据， 计算所述海区现场实测数据与 所述神经元之间的 关联度， 将关联度最高的神经 元作为参考神经元； 根据所述参考神经元以及所述海区历史平均数据重构声速剖面， 得到全海深的声速剖 面数据， 完成目标海域的声速剖面补全； 具体的， 所述海区历史平均数据即第一数据为WOA2018数据库的历史平滑平均数据， 所 述仪器设备采集的历史数据即第二数据为A rgo浮标数据； 具体的， 所述对所述第一数据以及第二数据进行EOF分析得到EOF投影系数集的过程包 括以下， 将第一数据带入Del  Grosso声速经验公式， 获得目标海域的声速值在深度z上的分布， 即稳态背景剖 面c0(z)； 通过第二数据获得以目标海域坐标为中心， 经纬度大小1度的海域 内温度盐度剖面样本， 并通过Del  Grosso声速经验公式获得目标海域在不同时间t的声速 分步样本c(z,t)； 对声速分步样 本c(z,t)进行EOF分解， 每个样 本可以表 示为稳态背景剖面 与各阶EOF乘以投影系数的叠加， 具体如下式： 其中d为深度上的采样点， a为对应的投影系数， s代表用于重构的EOF阶数， k为EOF向 量； 通过对第一数据以及第二数据进行EOF分析， 获得不同时间的声速分步样本c(z,t)的 EOF投影系数集[A1 A2…At]， 每一个时间对应的样本矢量At＝[a1t a2t…aNt]， 即t时刻的N个 投影系数； 具体的， 将所述第二数据与所述EOF投影系数集作为训练样本通过无监督的机器学习 算法进行训练得到代 表不同参 考分类信息的神经 元， 包括以下， 将所述第二数据与所述EOF投影系数集形成输入的训练矩阵Q 为： 训练矩阵Q为(M+N) ×t的矩阵， 其中t为Argo浮标数据样本 的个数； 每一个训练样本由权　利　要　求　书 1/2 页 2 CN 113486574 B 2(M+N)个元素组成， 包含了已测量深度的声速值， c(zMt)代表t号样本在第M个深度上的声速 值， aNt代表t号样本在第N阶EOF对 应的投影系数； 输出层神经元的个数需满足大于样本数量 的数值的规则； 通过对训练矩阵Q进行自组织竞争型神经网络的训练， 得到代表不同参考分类信息的 神经元； 所述海区现场实测数据与所述神经元之间的关联度具体通过计算其Euclidean距离得 出， 具体的， 海区现场实测数据为已测量有限深度声速数值X＝[c1 c2…cM]， 已测量有限深 度声速数值与神经 元refp间的Eucl idean距离 为： 其中ref代表所有的神经元， p为神经元的序号， 是测量有限深度声速值与神经元 间的协方差矩阵， 角标avail表示已测量的信息， missing代表已测量矢量相对于神经元未 知的信息； 通过计算海区现场实测数据与各个神经元的Euclidean距离， 选择距离最短的神经元 作为参考神经元； 具体的， 根据所述参考神经元以及所述海区历史平均数据重构声速剖面， 得到全海深 的声速剖面数据， 包括以下， 其中的投影系数as为参考神经元中对应的投影系数矢量， cr为重构的全 海深声速剖面。 2.基于历史数据以及机器学习的声速剖面补全装置， 其特征在于， 应用了权利要求1中 所述的基于历史数据以及机器学习的声速剖面补全方法， 包括以下： 历史数据获取模块， 用于获取目标海域的海区历史平均 数据作为第 一数据以及仪器设 备采集的历史数据作为第二数据； EOF投影系数集制作模块， 用于对所述第一数据以及第二数据进行EOF分析得到EOF投 影系数集； 训练模块， 用于将所述第二数据与所述EOF投影系数集作为训练样本通过无监督的机 器学习算法进行训练得到代 表不同参 考分类信息的神经 元； 关联度计算模块， 用于获取目标海域的海区现场实测数据， 计算所述海区现场实测数 据与所述神经 元之间的关联度， 将关联度最高的神经 元作为参考神经元； 声速剖面补全模块， 用于根据 所述参考神经元以及所述海区历史平均 数据重构声速剖 面， 得到全 海深的声速剖面数据， 完成目标海域的声速剖面补全。权　利　要　求　书 2/2 页 3 CN 113486574 B 3