一种基于卷积神经网络的海洋观测站位智能设计方法

本发明公开一种基于卷积神经网络的海洋观测站位智能设计方法，属于站位智能设计。

背景技术：

1、传统观测站位设计方法存在以下问题。首先，人工设计站位一般是根据经验和统计学原理做出决断，其结果的效果不稳定，未必是最优解，还存在进一步优化的空间。其次，对于复杂的海域环境，比如存在复杂不规则亚中尺度现象、环境场变化梯度没有明显优势方向的情况，此时经验性地分析环境特征十分困难，站位设计的难度很大。此外，通过遗传算法、贪心算法等传统优化算法搜索最优站位设计的方法从原理和实践上都无法解决有限算力和全局最优的矛盾，容易陷入局部最优解，造成一部分结果不甚理想。

技术实现思路

1、本发明的目的在于提供一种基于卷积神经网络的海洋观测站位智能设计方法，以解决现有技术中，观测站位智能设计结果不理想的问题。

2、一种基于卷积神经网络的海洋观测站位智能设计方法，包括获取多源海洋数据并制作深度学习样本集，构建训练卷积神经网络模型，使用经过训练的卷积神经网络进行海洋观测站位推理。

3、卷积神经网络模型依次包括5个串联卷积层，第一个卷积层大小为7×7，通道为64，步长为2，第二个卷积层包括一个最大池化层和两个块，最大池化层大小为3×3，步长为2，每个块包括两个大小为3×3，通道为64，步长为1的卷积层，在块与块之间建立残差连接；

4、第三个卷积层包括两个块，每个块包括两个大小为3×3，通道为128的卷积层，每个块中第一个卷积层步长为2，卷积层步长为1，在块与块之间建立残差连接；

5、第四个卷积层包括两个块，每个块包括两个大小为3×3，通道为256的卷积层，每个块中第一个卷积层步长为2，卷积层步长为1，在块与块之间建立残差连接；

6、第五个卷积层包括两个块，每个块包括两个大小为3×3，通道为512的卷积层，每个块中第一个卷积层步长为2，卷积层步长为1，在块与块之间建立残差连接。

7、第五个卷积层之后由1个平均池化层和1个输出大小为1×160的全连接层构成输出层，输出观测站位坐标。

8、残差连接的输入为，理想输出为，依次经过加权运算、激活函数和加权运算，形成残差映射，与进行特征融合形成，输入激活函数后输出结果。

9、训练卷积神经网络模型包括：

10、s1将多源海洋数据输入卷积神经网络，得到观测站位信息；

11、s2使用观测站位信息在海洋环境场上进行虚拟采样，采样结果作为观测值；

12、s3使用数据同化算法通过观测值和站位信息计算得到反演环境场；

13、s4计算反演环境场与原环境场的偏差，将偏差作为损失函数；

14、s5使用梯度下降法，求损失函数相对于神经网络参数的偏导数，通过梯度反向传播优化更新神经网络参数；

15、s6重复步骤s1至s5，直到神经网络训练完成。

16、海洋观测站位推理包括使用经过训练的卷积神经网络模型，输入多源海洋数据，输出海洋观测站位的站位智能设计过程。

17、所述数据同化算法是通过观测数据的采样推测真实环境场的算法，包括逐步订正法、克里金插值法、最优插值法、变分同化法。

18、所述反演环境场与原环境场的偏差描述两个场分布的差异大小，包括均方根误差和交叉熵。

19、多源海洋数据的要素包括数据温度数据、盐度数据和密度数据，多源海洋数据的类型包括观测数据、再分析数据和数值模拟数据。

20、深度学习样本集包括训练集、验证集和测试集。

21、相对比现有技术，本发明具有以下有益效果：本发明的海洋观测站位智能设计方法构建并运用了一种基于卷积神经网络的深度神经网络模型，填补了使用人工智能方法设计海洋观测站位的空白，解决了现有站位设计方法中人工站位设计效果不稳定、环境复杂海域站位设计困难、传统优化算法容易陷入局部最优的问题。

技术特征：

1.一种基于卷积神经网络的海洋观测站位智能设计方法，其特征在于，包括获取多源海洋数据并制作深度学习样本集，构建训练卷积神经网络模型，使用经过训练的卷积神经网络进行海洋观测站位推理；

2.根据权利要求1所述的一种基于卷积神经网络的海洋观测站位智能设计方法，其特征在于，残差连接的输入为，理想输出为，依次经过加权运算、激活函数和加权运算，形成残差映射，与进行特征融合形成，输入激活函数后输出结果。

3.根据权利要求2所述的一种基于卷积神经网络的海洋观测站位智能设计方法，其特征在于，海洋观测站位推理包括使用经过训练的卷积神经网络模型，输入多源海洋数据，输出海洋观测站位的站位智能设计过程。

4.根据权利要求3所述的一种基于卷积神经网络的海洋观测站位智能设计方法，其特征在于，所述数据同化算法是通过观测数据的采样推测真实环境场的算法，包括逐步订正法、克里金插值法、最优插值法、变分同化法。

5.根据权利要求4所述的一种基于卷积神经网络的海洋观测站位智能设计方法，其特征在于，所述反演环境场与原环境场的偏差描述两个场分布的差异大小，包括均方根误差和交叉熵。

6.根据权利要求5所述的一种基于卷积神经网络的海洋观测站位智能设计方法，其特征在于，多源海洋数据的要素包括数据温度数据、盐度数据和密度数据，多源海洋数据的类型包括观测数据、再分析数据和数值模拟数据。

7.根据权利要求6所述的一种基于卷积神经网络的海洋观测站位智能设计方法，其特征在于，深度学习样本集包括训练集、验证集和测试集。

技术总结本发明公开一种基于卷积神经网络的海洋观测站位智能设计方法，属于站位智能设计技术领域，包括获取多源海洋数据并进行预处理，制作深度学习样本集，构建训练卷积神经网络模型，使用经过训练的卷积神经网络进行海洋观测站位推理。本发明的海洋观测站位智能设计方法填补了使用人工智能方法设计海洋观测站位的空白，解决了现有站位设计方法中人工站位设计效果不稳定、环境复杂海域站位设计困难、传统优化算法容易陷入局部最优的问题。技术研发人员：周春,成佳俊,赵玮受保护的技术使用者：中国海洋大学三亚海洋研究院技术研发日：技术公布日：2024/12/2