[发明专利]一种基于机器学习的海洋声速剖面分类方法及装置

权利要求书

1.一种基于机器学习的海洋声速剖面分类方法，其特征在于，包括以下：

获取目标分类区域的声速原始数据，对所述声速原始数据进行预处理，将其中的声速数据插值到标准的深度点上，得到待分类样本集合；

将所述待分类样本集合转换为声速异常矩阵；

对所述声速异常矩阵进行主成分分析得到投影系数集；

根据所述投影系数集对目标分类区域进行声速剖面分类。

2.根据权利要求1所述的一种基于机器学习的海洋声速剖面分类方法，其特征在于，具体的，对所述声速原始数据进行预处理，将其中的声速数据插值到标准的深度点上，得到待分类样本集合，包括以下，

确定目标分类区域的剖面的最大分析深度，只考虑实际数据测量深度大于分析最大深度的剖面为有效值，确定最大分析深度的原则是：最大分析深度确定后能够保证分类范围内的剖面数至少是原始数据的百分之八十以上，当最大分析深度超过3000米时，最大分析上限取3000米；

将声速数据插值到标准的深度层，具体通过二次插值法将声速值取到以下采样深度：5,10,15,20,25,30,35,40,45,50,55,60,65,70,75,80,85,90,95,100,125,150,175,200,225,250,275,300,325,350,375,400,425,450,475,500,550,600,650,700,750,800,850,900,950,1000,1050,1100,1150,1200,1250,1300,1350,1400,1450,1500,1550,1600,1650,1700,1750,1800,1850,1900,1950,2000,2100,2200,2300,2400,2500,2600,2700,2800,2900,3000米。

3.根据权利要求2所述的一种基于机器学习的海洋声速剖面分类方法，其特征在于，具体的，将所述待分类样本集合转换为声速异常矩阵包括以下，

将待分类样本集合表示为矩阵C,矩阵为D×S阶矩阵，其中D为深度上得采样点数，S为样本数量，具体的，

采用WOA13的全球温度盐度数据库数据计算背景稳态剖面，选择WOA13温度盐度多年统计平均，空间分辨率1/4度的全年平均温度和盐度剖面，通过Del Grosso声速经验公式换算成背景剖面，将每一个声速样本减去背景剖面值，获得声速异常矩阵E,矩阵仍然为D×S阶矩阵。

4.根据权利要求3所述的一种基于机器学习的海洋声速剖面分类方法，其特征在于，具体的，对所述声速异常矩阵进行主成分分析得到投影系数集包括以下，

提取声速异常矩阵E的协方差矩阵X:

X＝E×E^T

其中T为转置算符，

通过以下矩阵计算公式对声速异常矩阵E进行处理，

R×K＝K×λ

通过计算可以求得K是一个特征矩阵，它的每一列代表了声速异常矩阵的一个主成分EOF，而λ则是一个对角矩阵，它对角线上的每一个数字代表了对应列主成分所能表示的扰动总方差，选用5阶的EOF作为描述声速扰动的主成分模态以确定基本扰动模态，

通过以下计算式提取每一阶模态的系数：

其中c代表一条样本，它表示为背景稳态剖面c₀和前五阶模态K和对应系数a的叠加，通过回归算法计算到每一个样本的前五阶系数，得到投影系数集A，投影系数集A是一个5×S阶矩阵，其中5为选用的主成分总阶数，S为样本数量。