一种基于无监督机器学习分析的海况聚类划分方法及系统与流程

本发明涉及水运安全和风险评估，具体涉及一种基于无监督机器学习分析的海况聚类划分方法及系统。

背景技术：

1、船舶在海上的航行性能很大程度上受其遇到的海洋环境的影响，如风、波浪和洋流，统称为海洋状态。海洋界通常认为，一个稳定的海况会持续30分钟到几个小时，这是一个随机的过程。这一假设在平稳海况的表征中起着至关重要的作用，这是船舶航行风险评估的关键输入。随着航运数字化的到来，越来越多的导航和性能相关数据正在被收集，这为检验这一假设的有效性提供了机会。

2、利用船舶运动来估算海洋频谱的想法最早可以追溯到20世纪70年代。通过类比波浪浮标，这一开创性想法得到了进一步发展，将船舶的复杂动力学纳入估计过程中，是一种创新的扩展。这一概念上的突破为大量深入的学术研究提供了跳板。在这些开创性的研究中，学者们不断探索和完善这一方法，增强了我们从波浪诱发角度对海况估计的认识。

3、而机器学习和深度学习算法的最新进展，已经将数据驱动方法定位为海况估计开发有前景的替代方法。尽管如此，这些方法也有其局限性，例如，其通常假设在一个确定的时期内海况稳定，但没有提供确定海况稳定持续时间的方法，这是评估船只对海况反应的一个关键因素。这些稳定海况的估计持续时间，在研究中通常假设为30分钟到6小时，仍然是一个有争议的话题，这一知识差距突出了对更先进的模型的需求。

技术实现思路

1、为解决目前对稳定海况的持续时间缺乏确定性方法等问题，本发明提供了一种基于无监督机器学习分析的海况聚类划分方法，基于海浪波高数据，通过采用小波函数和低通滤波器计算出散射系数以提取海浪波高数据在不同维度上的特征，并结合无监督机器学习的时间邻域编码方法进行编码，以减少特征维数，加增强时域平稳性权重，此外采用谱聚类算法进行聚类以实现根据无监督机器学习方法来聚类平稳海况，从而能够利用应力信号或其他波浪诱导响应来识别船舶所遇到的静止海况。本发明还涉及一种基于无监督机器学习分析的海况聚类划分系统。

2、本发明的技术方案如下：

3、一种基于无监督机器学习分析的海况聚类划分方法，其特征在于，包括以下步骤：

4、数据获取步骤：按照时间顺序自动获取海浪波高数据；

5、特征提取步骤：基于小波散射网络将每个时间点的海浪波高数据分别与不同尺度下的小波函数进行卷积得到每个时间点下多个不同尺度的小波系数，并对各个小波系数分别进行取模运算得到多个小波模系数，再通过低通滤波器对每个时间点下的所有小波模系数进行平均得到多个不同阶层的散射系数，根据所有阶层中最高阶层的散射系数得到每个时间点的海浪波高数据在不同维度上的特征，进而形成特征集合；

6、时间邻域编码步骤：采用无监督机器学习的时间邻域编码方法分别对特征集合中的每个特征进行编码，降低高阶散射变换产生的特征集合的维数，得到编码后的新特征集合；

7、海况聚类步骤：采用谱聚类算法对新特征集合中的各个特征进行聚类，得到多个表示不同平稳海况的簇以实现海况聚类的划分。

8、优选地，所述特征提取步骤中，基于小波散射网络，先将一维时间序列的海浪波高数据与特定尺度下的小波函数进行卷积得到该尺度下的每个时间点的小波系数，并对各个小波系数分别进行取模运算得到多个小波模系数作为小波散射变换的第一层，再通过低通滤波器对每个时间点下的所有小波模系数进行平均得到第一阶层的散射系数，表示海浪波高数据在第一阶层下的一阶特征；对于高阶散射变换，将上述过程重申，得到各阶层的散射系数，表示海浪波高数据在不同阶层下的高阶特征；最终根据所有阶层中最高阶层的散射系数得到每个时间点的海浪波高数据在不同维度上的特征，进而形成特征集合。

9、优选地，所述时间邻域编码步骤中，采用无监督机器学习的时间邻域编码方法分别对特征集合中的每个特征进行编码包括：采用对比学习方法，学习特征集合中每个特征对应的时刻上平稳时序的最优窗口宽度，根据最优窗口宽度确定每个特征对应的时刻周围的时间邻域，进而构建多个时间窗口，并对各个时间窗口内特征集合中的所有特征进行特征融合，得到每个特征的编码，进而得到编码后的新特征集合。

10、优选地，所述海况聚类步骤中，还分别采用k-means聚类算法、贝叶斯高斯混合聚类算法以及层次聚类算法对新特征集合中的各个特征进行聚类，得到多个聚类结果，并将多个聚类结果分别与采用谱聚类算法聚类出的簇进行比对，确定出谱聚类算法为最优算法。

11、优选地，所述特征提取步骤中，所述小波函数为通过对母小波函数进行平移和缩放生成。

12、一种基于无监督机器学习分析的海况聚类划分系统，其特征在于，包括依次连接的数据获取模块、特征提取模块、时间邻域编码模块和海况聚类模块，

13、所述数据获取模块，按照时间顺序自动获取海浪波高数据；

14、所述特征提取模块，基于小波散射网络将每个时间点的海浪波高数据分别与不同尺度下的小波函数进行卷积得到每个时间点下多个不同尺度的小波系数，并对各个小波系数分别进行取模运算得到多个小波模系数，再通过低通滤波器对每个时间点下的所有小波模系数进行平均得到多个不同阶层的散射系数，根据所有阶层中最高阶层的散射系数得到每个时间点的海浪波高数据在不同维度上的特征，进而形成特征集合；

15、所述时间邻域编码模块，采用无监督机器学习的时间邻域编码方法分别对特征集合中的每个特征进行编码，降低高阶散射变换产生的特征集合的维数，得到编码后的新特征集合；

16、所述海况聚类模块，采用谱聚类算法对新特征集合中的各个特征进行聚类，得到多个表示不同平稳海况的簇以实现海况聚类的划分。

17、优选地，所述特征提取模块中，基于小波散射网络，先将一维时间序列的海浪波高数据与特定尺度下的小波函数进行卷积得到该尺度下的每个时间点的小波系数，并对各个小波系数分别进行取模运算得到多个小波模系数作为小波散射变换的第一层，再通过低通滤波器对每个时间点下的所有小波模系数进行平均得到第一阶层的散射系数，表示海浪波高数据在第一阶层下的一阶特征；对于高阶散射变换，将上述过程重申，得到各阶层的散射系数，表示海浪波高数据在不同阶层下的高阶特征；最终根据所有阶层中最高阶层的散射系数得到每个时间点的海浪波高数据在不同维度上的特征，进而形成特征集合。

18、优选地，所述时间邻域编码模块中，采用无监督机器学习的时间邻域编码方法分别对特征集合中的每个特征进行编码包括：采用对比学习方法，学习特征集合中每个特征对应的时刻上平稳时序的最优窗口宽度，根据最优窗口宽度确定每个特征对应的时刻周围的时间邻域，进而构建多个时间窗口，并对各个时间窗口内特征集合中的所有特征进行特征融合，得到每个特征的编码，进而得到编码后的新特征集合。

19、优选地，所述海况聚类模块中，还分别采用k-means聚类算法、贝叶斯高斯混合聚类算法以及层次聚类算法对新特征集合中的各个特征进行聚类，得到多个聚类结果，并将多个聚类结果分别与采用谱聚类算法聚类出的簇进行比对，确定出谱聚类算法为最优算法。

20、优选地，所述小波函数为通过对母小波函数进行平移和缩放生成。

21、本发明的有益效果为：

22、本发明提供的一种基于无监督机器学习分析的海况聚类划分方法，先按照时间顺序自动获取海浪波高数据，然后基于小波散射网络将每个时间点的海浪波高数据分别与不同尺度下的小波函数进行卷积得到每个时间点下多个不同尺度的小波系数，以描述不同尺度和时间上的频率信息，捕捉海浪波高数据在不同频率范围内的变化等细节信息，有助于提取海浪波高数据的重要特征并减少冗余信息；并对各个小波系数分别进行取模运算得到多个小波模系数，取模运算消除了小波系数的正负符号，保留了振幅信息，有效减少了噪声的影响并使得后续处理更加稳定；然后通过低通滤波器对每个时间点下的所有小波模系数进行平均得到多个不同阶层的散射系数，减少了每个尺度下的小波系数个数，从而降低了特征的维度，有助于减少计算复杂性和存储需求；根据所有阶层中最高阶层的散射系数得到每个时间点的海浪波高数据在不同维度上的特征集合，能够有效反映出海浪波高数据在不同尺度下的能量分布情况，更好地捕捉信号的整体能量特征并忽略高频细节。然后采用无监督机器学习的时间邻域编码方法分别对特征集合中的每个特征进行编码，得到编码后的新特征集合，能够有效提取出特征集中的重要时间信息，并在较低的维度下保留原始特征的时间结构，从而可以减少特征维数，提高特征表达的效果，此外时间邻域编码过程采用对比学习方法，无需预先标记数据集，降低了训练成本并提升了泛化能力；最后采用谱聚类算法对新特征集合中的各个特征进行聚类，得到多个表示不同平稳海况的簇以实现无监督的海况聚类的划分。本发明解决了现有技术中仅仅基于假设在一个确定的时期内海况稳定对船舶进行数据测量却并没有提供确定海况稳定持续时间的方法的问题，通过小波散射变换分析以捕获了海浪波高数据信号在不同尺度上的平移不变特征，从而为非平稳时间序列的聚类提供了更有辨识度的方法，配合基于时间邻域编码(tnc编码)的特征降维以及各类聚类算法协同作用，实现了根据无监督机器学习方法来聚类平稳海势，从而能够利用应力信号或其他波浪诱导响应来识别船舶所遇到的静止海况，达到对船舶结构疲劳等计算的准确性显著提高的目的。

23、本发明还涉及一种基于无监督机器学习分析的海况聚类划分系统，该系统与上述的基于无监督机器学习分析的海况聚类划分方法相对应，可理解为是一种实现上述基于无监督机器学习分析的海况聚类划分方法的系统，包括依次连接的数据获取模块、特征提取模块、时间邻域编码模块和海况聚类模块，各模块相互协同工作，基于海浪波高数据，通过采用小波函数和低通滤波器计算出散射系数以提取海浪波高数据在不同尺度上的特征，并结合时间邻域编码方法进行编码，降低高阶散射变换产生的特征集合的维数，以及采用谱聚类算法进行聚类以实现根据无监督机器学习方法来聚类平稳海势，从而能够利用应力信号或其他波浪诱导响应来识别船舶所遇到的准稳态海况。