(19)國(guó)家知識(shí)產(chǎn)權(quán)局(12)發(fā)明專(zhuān)利(10)授權(quán)公告號(hào)CN115618988B(65)同一申請(qǐng)的已公布的文獻(xiàn)號(hào)(73)專(zhuān)利權(quán)人中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所114號(hào)王曉輝(74)專(zhuān)利代理機(jī)構(gòu)沈陽(yáng)科苑專(zhuān)利商標(biāo)代理有限公司21002專(zhuān)利代理師周宇(54)發(fā)明名稱(chēng)基于深度神經(jīng)網(wǎng)絡(luò)的海水溫度、鹽度與流速的三維時(shí)空?qǐng)雎?lián)合預(yù)測(cè)方法本發(fā)明涉及基于深度神經(jīng)網(wǎng)絡(luò)的海水溫度、鹽度與流速的三維時(shí)空?qǐng)雎?lián)合預(yù)測(cè)方法。包括：神經(jīng)網(wǎng)絡(luò)輸入海水溫度、鹽度與流速三種要素的forecasting結(jié)構(gòu)ConvLSTM網(wǎng)絡(luò)提取上述要素中每種要素歷史時(shí)間序列深層特征；在神經(jīng)網(wǎng)絡(luò)中聯(lián)合各要素對(duì)應(yīng)的深層特征，為各要素空間場(chǎng)預(yù)測(cè)提供融合關(guān)聯(lián)要素特征的完備信息；對(duì)聯(lián)合特征進(jìn)行卷積操作；神經(jīng)網(wǎng)絡(luò)輸出各要素三維空間場(chǎng)預(yù)測(cè)結(jié)果。本發(fā)明在數(shù)據(jù)驅(qū)動(dòng)的海洋要素空間場(chǎng)預(yù)測(cè)過(guò)程中聯(lián)合了多種海洋要素特征，可以獲得更準(zhǔn)確的預(yù)測(cè)結(jié)果，與僅使用被預(yù)測(cè)的單個(gè)要三維空間場(chǎng)預(yù)測(cè)海水鹽度三堆空間場(chǎng)預(yù)測(cè)21.基于深度神經(jīng)網(wǎng)絡(luò)的海水溫度、鹽度與流速的三維時(shí)空?qǐng)雎?lián)合預(yù)測(cè)方法，其特征在步驟1:從數(shù)據(jù)集中獲取海洋數(shù)值模式輸出的海水溫度時(shí)序數(shù)據(jù)；所述的歷史時(shí)序數(shù)據(jù)的維度為(K,M,N,D),其中K為輸入數(shù)據(jù)時(shí)間序列中的時(shí)間步驟4:建立深度神經(jīng)網(wǎng)絡(luò)模型，設(shè)置訓(xùn)練停止條件；所述的深度神經(jīng)網(wǎng)絡(luò)模型包括四中每種要素歷史時(shí)間序列深層特征的提取；所述融合特征節(jié)點(diǎn)用于融合提取的海水溫度、合特征的維度為(M,N,4×P),所述的模型預(yù)測(cè)步驟5:利用訓(xùn)練樣本集與驗(yàn)證樣本集對(duì)深度神經(jīng)網(wǎng)絡(luò)步驟6:利用測(cè)試樣本集對(duì)深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果進(jìn)行評(píng)估計(jì)算，判斷深度神經(jīng)網(wǎng)絡(luò)是2.根據(jù)權(quán)利要求1所述的基于深度神經(jīng)網(wǎng)絡(luò)的海水溫度、鹽度與流速的三維時(shí)空?qǐng)雎?lián)3.根據(jù)權(quán)利要求1所述的基于深度神經(jīng)網(wǎng)絡(luò)的海水溫度、鹽度與流速的三維時(shí)空?qǐng)雎?lián)4.根據(jù)權(quán)利要求1所述的基于深度神經(jīng)網(wǎng)絡(luò)的海水溫度、鹽度與流速的三維時(shí)空?qǐng)雎?lián)部數(shù)據(jù)集的15%,所述的測(cè)試樣本集為全部數(shù)據(jù)集的15%。5.根據(jù)權(quán)利要求1所述的基于深度神經(jīng)網(wǎng)絡(luò)的海水溫度、鹽度與流速的三維時(shí)空?qǐng)雎?lián)6.根據(jù)權(quán)利要求5所述的基于深度神經(jīng)網(wǎng)絡(luò)的海水溫度、鹽度與流速的三維時(shí)空?qǐng)雎?lián)3為海水溫度、海水鹽度、南北方向流速、東西方向流速的真實(shí)值與模型預(yù)測(cè)值。4基于深度神經(jīng)網(wǎng)絡(luò)的海水溫度、鹽度與流速的三維時(shí)空?qǐng)雎?lián)合預(yù)測(cè)方法技術(shù)領(lǐng)域[0001]本發(fā)明涉及海洋機(jī)器人與海洋數(shù)據(jù)驅(qū)動(dòng)建模領(lǐng)域，具體是基于深度神經(jīng)網(wǎng)絡(luò)的海水溫度、鹽度與流速的三維時(shí)空?qǐng)雎?lián)合預(yù)測(cè)方法。背景技術(shù)[0002]海水溫度、鹽度和流速等海洋要素狀態(tài)的預(yù)測(cè)對(duì)于許多民事和軍事應(yīng)用都具有重要意義。為了實(shí)現(xiàn)精確的海洋要素場(chǎng)預(yù)測(cè)，需要利用拉格朗日平臺(tái)進(jìn)行海洋原位觀測(cè)。無(wú)人水面航行器、自主水下機(jī)器人和水下滑翔機(jī)等海洋觀測(cè)平臺(tái)是幾種重要的拉格朗日平臺(tái)，在全球和區(qū)域性海洋觀測(cè)網(wǎng)絡(luò)中的應(yīng)用日益廣泛。與傳統(tǒng)的海洋原位觀測(cè)平臺(tái)相比，拉格朗日平臺(tái)具有自主性和可控機(jī)動(dòng)能力的優(yōu)勢(shì)。因此，優(yōu)化海洋機(jī)器人的數(shù)據(jù)采集位置和路徑是基于拉格朗日平臺(tái)的海洋觀測(cè)和預(yù)測(cè)系統(tǒng)運(yùn)行的關(guān)鍵問(wèn)題。[0003]為了優(yōu)化海洋環(huán)境狀態(tài)預(yù)報(bào)中海洋機(jī)器人的觀測(cè)位置和觀測(cè)路徑，除優(yōu)化方法和優(yōu)化算法，還需要一個(gè)能夠測(cè)量在任意時(shí)間和位置采樣數(shù)據(jù)的效用的海洋模型，同化移動(dòng)觀測(cè)平臺(tái)采集的稀疏數(shù)據(jù)，并對(duì)未來(lái)的海洋環(huán)境狀態(tài)進(jìn)行預(yù)測(cè)，為海洋機(jī)器人的最佳觀測(cè)位置和觀測(cè)路徑規(guī)劃提供支撐。除需要求解地球物理流體動(dòng)力學(xué)微分方程的數(shù)值海洋模式，局部區(qū)域海洋環(huán)境的數(shù)據(jù)驅(qū)動(dòng)模型是一種可以支持快速、高精度、高分辨率動(dòng)態(tài)復(fù)雜區(qū)域海洋環(huán)境預(yù)測(cè)和海洋機(jī)器人采樣策略?xún)?yōu)化的重要模型。[0004]深度學(xué)習(xí)是一種有效的數(shù)據(jù)驅(qū)動(dòng)建模和預(yù)測(cè)方法，適用于局部區(qū)域海洋環(huán)境預(yù)測(cè)。目前基于深度學(xué)習(xí)的數(shù)據(jù)驅(qū)動(dòng)海洋環(huán)境建模方法主要針對(duì)于單個(gè)海洋環(huán)境要素。海水溫度、鹽度、流速等多種要素之間存在相互作用，且海洋現(xiàn)象由多種海洋要素共同影響，因此對(duì)多種海洋要素進(jìn)行聯(lián)合建模，能夠?yàn)楹Ｑ笠貓?chǎng)預(yù)測(cè)提供更加完備的信息，提高預(yù)測(cè)精度，且對(duì)于海洋現(xiàn)象分析具有重要意義。而在基于海洋機(jī)器人的海洋環(huán)境觀測(cè)和預(yù)測(cè)系統(tǒng)的現(xiàn)有技術(shù)中，還沒(méi)有建立聯(lián)合海水溫度、鹽度、流速等多個(gè)海洋環(huán)境要素的動(dòng)力學(xué)模型，也沒(méi)有對(duì)各要素三維時(shí)空?qǐng)鲞M(jìn)行聯(lián)合預(yù)測(cè)的技術(shù)。發(fā)明內(nèi)容[0005]針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種新的基于深度學(xué)習(xí)的，聯(lián)合上述多要素建立的三維海洋環(huán)境場(chǎng)預(yù)測(cè)模型，并在神經(jīng)網(wǎng)絡(luò)中聯(lián)合海水溫度、鹽度、流速等要素場(chǎng)信息進(jìn)行預(yù)測(cè)。[0006]本發(fā)明為實(shí)現(xiàn)上述目的所采用的技術(shù)方案是：基于深度神經(jīng)網(wǎng)絡(luò)的海水溫度、鹽度與流速的三維時(shí)空?qǐng)雎?lián)合預(yù)測(cè)方法，其特征在于，包括以下步驟：[0007]步驟1:從數(shù)據(jù)集中獲取海洋數(shù)值模式輸出的海水溫度、鹽度與流速的三維空間場(chǎng)歷史時(shí)序數(shù)據(jù)；[0008]步驟2:將三維空間場(chǎng)海水溫度、鹽度與流速歷史數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理；[0009]步驟3:將標(biāo)準(zhǔn)化后的數(shù)據(jù)集分為訓(xùn)練樣本集、驗(yàn)證樣本集與測(cè)試樣本集；5[0013]步驟7:獲取前K個(gè)時(shí)刻海水[0015]所述的歷史時(shí)序觀測(cè)數(shù)據(jù)的維度為(K[0018]所述的訓(xùn)練樣本集為全部數(shù)據(jù)集的70%,所述的驗(yàn)證樣本集為全部數(shù)據(jù)集的15%,所述的測(cè)試樣本集為全部數(shù)據(jù)集的15%;[0019]所述的人工神經(jīng)網(wǎng)絡(luò)模型包括四個(gè)并列的encoding-forecasting結(jié)構(gòu)的ConvLSTM網(wǎng)絡(luò)隱藏層狀態(tài)數(shù)量；所述的聯(lián)合特征的維度為(M,N,4×P),所述的模型預(yù)測(cè)輸[0021]所述的人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練停止條件包括達(dá)到最大迭代次數(shù)、最佳訓(xùn)練時(shí)間、[0024]其中，G=M×N×D,(xt,×s,m,xue)與(xt,Xs,Xun,Xue)分別為海水溫度、海水鹽6附圖說(shuō)明[0029]圖1是本發(fā)明的總體流程圖；[0030]圖2是本發(fā)明的模型結(jié)構(gòu)圖；具體實(shí)施方式[0031]為使本發(fā)明的上述目的、特征和優(yōu)點(diǎn)能夠更加明顯易懂，下面結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施方法做詳細(xì)的說(shuō)明。在下面的描述中闡述了很多具體細(xì)節(jié)以便于充分理解本發(fā)明。但本發(fā)明能夠以很多不同于在此描述的其他方式來(lái)實(shí)施，本領(lǐng)域技術(shù)人員可以在不違背發(fā)明內(nèi)涵的情況下做類(lèi)似改進(jìn)，因此本發(fā)明不受下面公開(kāi)的具體實(shí)施的限制。[0032]除非另有定義，本文所使用的所有技術(shù)和科學(xué)術(shù)語(yǔ)與屬于本發(fā)明的技術(shù)領(lǐng)域的技術(shù)人員通常理解的含義相同。本文中在發(fā)明的說(shuō)明書(shū)中所使用的術(shù)語(yǔ)只是為了描述具體的實(shí)施例的目的，不是旨在于限制本發(fā)明。[0033]如圖1所示，本發(fā)明一種基于深度神經(jīng)網(wǎng)絡(luò)的海水溫度、鹽度與流速的三維時(shí)空?qǐng)雎?lián)合預(yù)測(cè)方法包括如下步驟：空間場(chǎng)歷史時(shí)序數(shù)據(jù)。[0035]步驟二：將維度為(K,M,N,D)的三維空間場(chǎng)海水溫度、鹽度與流速歷史時(shí)序觀測(cè)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，其中K為輸入數(shù)據(jù)時(shí)間序列中的時(shí)間步數(shù)，M為輸入數(shù)據(jù)在緯向上的長(zhǎng)理方法為z=(x-μ)/o,,其中x為[0036]步驟三：將標(biāo)準(zhǔn)化處理后的數(shù)據(jù)集分割為訓(xùn)練樣本集、驗(yàn)證樣本集與測(cè)試樣本集，其中訓(xùn)練樣本集為全部數(shù)據(jù)集的70%,驗(yàn)證樣本集為全部數(shù)據(jù)集的15%,測(cè)試樣本集為全部數(shù)據(jù)集的15%;[0037]步驟四：設(shè)置人工神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練終止條件，包括最大迭代次數(shù)、最佳訓(xùn)練時(shí)M×N×D,(xt,xg,m,xu)與(xt,Xs,Xun,Xue)分別為海水溫度、海水鹽度、南北方向流速、東西方向流速的真實(shí)值與模型預(yù)測(cè)值。實(shí)驗(yàn)中最大迭代次數(shù)為100,最佳訓(xùn)練時(shí)間為1hr,最小代價(jià)函數(shù)值為1e?2,最小訓(xùn)練梯度值為1e?;[0038]步驟五：利用訓(xùn)練樣本集與驗(yàn)證樣本集對(duì)人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練與參數(shù)選取，其中人工神經(jīng)網(wǎng)絡(luò)模型首先利用encoding-forecasting結(jié)構(gòu)ConvLSTM網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)海水溫度、鹽度與流速等每種要素歷史時(shí)間序列深層特征的提??；其次在神經(jīng)網(wǎng)絡(luò)中聯(lián)合各要素對(duì)應(yīng)的深層特征，為各要素空間場(chǎng)預(yù)測(cè)提供融合關(guān)聯(lián)要素特征的完備信息；之后通過(guò)對(duì)聯(lián)合特征進(jìn)行卷積操作獲得各要素三維空間場(chǎng)預(yù)測(cè)結(jié)果。在訓(xùn)練過(guò)程中達(dá)到最大迭代次[0039]步驟六：利用測(cè)試樣本集對(duì)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)性能進(jìn)行評(píng)估，利用代價(jià)函數(shù)評(píng)價(jià)指標(biāo)，通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)在訓(xùn)練過(guò)程中沒(méi)有使用到的測(cè)試樣本的預(yù)測(cè)結(jié)果評(píng)估神經(jīng)網(wǎng)絡(luò)的泛化能7[0042]將每種要素此前K個(gè)連續(xù)時(shí)間步長(zhǎng)的三維空間場(chǎng)的時(shí)間序列