买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：自然资源部第一海洋研究所

摘要：本发明从数据驱动角度出发，提出了一种基于深度学习的海洋声速场时空预测方法，该方法结合了深度人工神经网络，包括卷积神经网络、循环神经网络和自注意力机制，建立了ST‑LSTM‑SA模型，以有效捕捉声速的时空变化，并能够实现端到端的预测。该模型采用编码‑预测网络结构，能够基于历史观测序列直接输出未来的SVF。训练过程首先使用再分析数据集对模型进行训练；再利用原位分析数据进行微调，以获得最终的预测模型，并显示出在预测时间和空间维度上的优越性和稳定性。该方法为海洋声速场的时空预测提供了一种新的、高效的方法，为海洋科学研究和实际应用提供了有力的支持。

主权项：1.一种基于深度学习的海洋声速场时空预测方法，其特征是包括以下步骤：1）选取数据源选取再分析数据集SODA2.24和现场分析数据集GDCSMArgo数据集，作为训练数据；2）数据预处理2.1）数据裁剪：通过对数据集裁剪，选取一个经度、纬度都跨30°的区域作为研究区域，并从研究区域范围内提取数据；2.2）计算声速：再分析和现场分析数据通常包括海水温度和盐度变量，使用声速经验方程计算声速；2.3）数据归一化；2.4）对归一化后的SVF数据进行滑动采样；3）构建ST-LSTM-SA模型基于ST-LSTM模型的编码-预测结构，在编码模块和预测模块之间加入了自注意力机制模块；所述编码模块由ST-LSTM神经网络组成，在当前时刻t，输入j个历史时刻的SVF序列（Xt-j+1,Xt-j+2,…,Xt），经过多层ST-LSTM单元进行编码，输出隐藏状态（Ht-j+1,Ht-j+2,…,Ht）；所述自注意力机制模块首先将编码模块输出的结果在通道上叠加得到中间变量H；然后通过1×1卷积运算将中间变量H映射为查询QH，键KH和值VH，其中QH、KH、VH的权重参数分别为Wq、Wk、Wv；通过公式计算注意力权重a，然后通过公式分配注意力权重，得到中间变量；其中表示QH的转置，softmax是非线性激活函数，表示位于[0,1]之间的注意力权重；所述预测模块同样是由ST-LSTM神经网络组成，所述注意力机制模块输出的中间变量作为预测模块的输入，预测模块生成预测结果；4）使用再分析数据集进行模型预训练，所述的再分析数据集被划分为训练集、验证集和测试集；5）然后使用GDCSM_Argo数据集对模型进一步的训练，得到最终的模型，所述GDCSM_Argo数据集只划分成训练集和测试集两部分；6）将训练好的模型应用于海洋声速场时空预测。

全文数据：

权利要求：

百度查询： 自然资源部第一海洋研究所 一种基于深度学习的海洋声速场时空预测方法