[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

说明书

本发明涉及一种基于机器学习的海洋声速剖面分类方法，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。本发明的方法在分类上不需要预设空间网格，而竖直方向上采用标准的深度处理网格，避免分类结果因为人为网格设置产生偏差；以整个剖面扰动的模态的幅度为输入向量，反映整个剖面的扰动特征，且模态的幅度值作为特征量提取比较简单；本发明能够快速有效地实现目标分类区域的海洋声速剖面的分类。

技术领域

本发明涉及海洋测量技术领域，尤其涉及一种基于机器学习的海洋声速剖面分类方法及装置。

背景技术

声速剖面是水体声速在竖直方向上的分布，是影响海洋声传播的重要环境参数，对声速剖面的掌握也直接影响了水下声纳系统应用的效能。由于声速剖面的分布实际是水体状态的特征，在时间和空间上具有连续变化的时空特征，因此是可以根据特征划分成不同类的。通过对声速剖面进行分类，具有很多实际应用价值：根据声速剖面的时空类别特征，更加合理水下定位和通讯设备；在海洋大面积调查时，同一类别区域可以减少测量次数，提高效率；通过同一类别声速剖的分析，可以对区域海洋的地形、环流、海气交换特征等进行分析等等。

由于声速剖面分类的重要价值，声速剖面相关问题受到了国内外学者的广泛关注，声速剖面的分类方法也不断发展。

70年代以前，人们对于声速剖面主要建立其性质的认识，当时的声速分类方法主要是根据声速剖面的构成部分来进行分类。比如，浅海声速剖面的类别指混合层和跃层的组合，深海声速剖面指混合层、跃层、深海正梯度层的组合。这一类的分类比较简单和粗糙，类别的识别也很直观。

进入70年代，美国海军水下中心对西印度洋进行分类，给出了西印度洋深海声速剖面分布特征。80年代，美国海军海洋局以大西洋声速剖面的特征为基础，建立了GDEM(Generalized Digital Environmental Model)模型，作为声速剖面同化等处理的标准。美国水下系统中心则利用南森站的水团特性进行声速剖面划分，建立了Podeszwa声速处理模型。国内尤芳湖对东海声速进行划分，主要依据是梯度的年变化调和分析结果，形成了各类海区的分类结果。这一时期主要的分类都是针对于深海问题，逐步开始引入实测样本进行统计分析，提取简单特征进行简单类化，分类标准和方法仍然依赖于有经验的专业人员进行归纳总结。

进入21世纪，随着实时大批量获取海洋声速剖面的能力越来越强，数据得到了不断的积累；同时，机器学习、神经网络等人工智能方法的提出，使声速剖面分类的精细程度和效率得到了非常大的提高，现代的方法主要面向自动化和智能化的需求。近年来涌现的几种具有代表性的方法包括：

方法一：模糊ISODATA聚类算法

将海区按月和30分的精度划分网格，然后通过归一化处理和Akima差值采样提取声速剖面的梯度样本集，并采用模糊ISODAT A聚类算法基于声速梯度特征进行分类。

贾延峰,笪良龙,谢骏.模糊ISODATA聚类算法在声速剖面自动分类中的应用[J].海洋科学,2009，33(12):103-105.

方法二：基于自组织神经网络的声速剖面分类方法研究

将声速剖面样本分为不同水层，将不同水层内的梯度作为特征量形成输入数组，然后采用自组织竞争型神经网络SOM进行聚类分析。

赵建虎,周丰年,张红梅,等.基于自组织神经网络的声速剖面分类方法研究[J].武汉大学学报:信息科学版,2007,032(002):164-167.

方法三：基于改进变分模态分解的北极海域声速剖面分类