[发明专利]一种基于自组织竞争型神经网络的海洋声速剖面获取方法

说明书

本发明公开了一种基于自组织竞争型神经网络的海洋声速剖面获取方法，涉及海洋声速剖面领域，首先将历史声速剖面的样本剖面表示为平均值加上正交经验函数向量乘以对应各阶剖面系数An的形式；然后对历史海表参数Xn进行处理；并将S1中的An、S2中的历史海表参数Xn组成样本训练向量；再采用自组织竞争型的神经网络算法训练样本集，形成人工神经元拓扑结构；然后获取实时海表参数，并将其输入神经元拓扑结构，获取实时海表参数对应的An；最后结合历史平均声速剖面、EOF向量和实时EOF系数，将样本剖面表示为An的形式，获得实时的海洋声速剖面。本发明通过人工神经网络发掘样本数据中包含的声速剖面与海面遥感参量间的关系，能够提高获得的声速剖面的精度。

技术领域

本发明涉及海洋声速剖面技术领域，更具体地说，它涉及一种基于自组织竞争型神经网络的海洋声速剖面获取方法。

背景技术

声速剖面是海洋最基本的声学参量，它是水下目标识别、海洋环境监测、水下通讯等水声学应用中必需的海洋环境信息。由于海洋是一个不断变化的复杂系统，海洋声速剖面具有很强的时间和空间变化特性，精确的大面积实时海洋声速剖面获取是一个亟待解决的技术问题。

获取声速剖面最直接的方法是通过声速仪等设备直接现场测量，但是成本很大，并且难以进行大范围的测量。海洋卫星遥感可以满足大范围和实时性的海洋测量需求，但是其测量的参数局限于水体表层。近年来，随着Argo浮标和遥感等观测技术的不断发展，使得海洋剖面和表面数据样本不断累计，通过发掘海洋剖面和表面数据间的关系，利用海表遥感数据推导水下声速剖面成为了大面积实时获取海洋声速剖面最重要的手段，成为相关技术的主要发展方向。现有技术中利用正交经验函数(Empirical orthogonal function,EOF)加线性拟合的方法能精确反演水体剖面参数，即单经验正交函数回归法(Singleempirical orthogonal function regression，sEOF-r)，美国海军已采用此方法进行模块化海洋环境数据预测的一部分。在全球海洋声速剖面重构中应用中，sEOF-r方法表现出一定的精度，同时在某些海域的应用中出现了较大误差，尚无法满足很多水下声纳设备应用对于声速剖面信息精确度的要求。

为此，本发明提出一种基于自组织竞争型神经网络的海洋声速剖面获取方法，通过人工神经网络发掘样本数据中包含的声速剖面与海面遥感参量间的关系，提高声速剖面获取方法的精度，以解决现有技术中存在的问题。

发明内容

本发明的目的是提供一种基于自组织竞争型神经网络的海洋声速剖面获取方法，本发明采用自组织竞争型神经网络替代传统的线性回归反演框架，利用神经元拓扑结构可突破传统回归方法线性关系的制约，用非线性反演框架去表达非线性关系，通过人工神经网络发掘样本数据中包含的声速剖面与海面遥感参量间的关系，能够提高获得的声速剖面的精度。

本发明的上述技术目的是通过以下技术方案得以实现的：一种基于自组织竞争型神经网络的海洋声速剖面获取方法，具体包括以下步骤：

S1、对历史声速剖面进行EOF处理，并将每一个历史声速剖面的样本剖面表示为平均值加上正交经验函数向量乘以对应各阶剖面系数An的形式；

S2、对历史海表参数Xn进行处理，且选择的所述历史海表参数的量不受限制；

S3、以日为时间单位，将步骤S1中的剖面系数An、步骤S2中的历史海表参数Xn组成样本训练向量，同一日的数据组成一组训练向量[A1、A2、……、An、X1、X2、……、Xn]；

S4、采用基于自组织竞争型的神经网络算法对训练样本集进行训练，以机器学习的方式形成人工神经元拓扑结构，并根据声速剖面获取的需要，将神经元的个数设置为样本的数量，即每一个训练样本单独为一类；

S5、根据所需获取声速剖面海区的位置，获取对应的实时海表参数；