一种预测水深的方法、系统、终端及介质技术方案

本发明专利技术提供一种预测水深的方法、系统、终端及介质，该方法包括：S1.构建预测水深与地理位置及时间的关系模型，定义损失函数；S2.构建基于地理位置及时间的训练数据集的训练矩阵，对训练矩阵进行卷积、激励与池化后得到的转化数据集作为神经网络的输入层；S3.构建神经网络，基于神经网络的输入层获取输出层，输出层为预测水深数据集；S4.使用预测水深数据集和对应的实际水深数据集训练神经网络，以损失函数的最小化为目标迭代优化获得最佳参数矩阵，并基于获得最佳参数矩阵的神经网络预测水深。本发明专利技术通过将神经网络模型应用到预测海洋水深的应用场景，通过训练后的神经网络预测给定地理位置和时间对应的水深，进而实现对水下地形冲刷情况的演化分析。形冲刷情况的演化分析。形冲刷情况的演化分析。

【技术实现步骤摘要】
一种预测水深的方法、系统、终端及介质


[0001]本专利技术涉及海洋测绘
，尤其涉及一种预测水深的方法、系统、终端及介质。

技术介绍

[0002]海底地形地貌调查与研究以及近海海洋综合调查，其主要目的是对近海海底地形地貌进行综合调查，获取该近海详细的地形地貌基础数据，为海洋综合评价、“数字海洋”信息基础框架构建、国民经济与国防建设提供实测数据、基础图件和科学依据，为海洋经济发展、海洋开发利用、海洋减灾防灾、海洋环境保护、海洋权益维护和海洋经济可持续发展提供科学的数据。
[0003]目前，多波束测深仪是海底地形地貌调查与研究的主要工具之一，通过对其测量数据进行解析处理，可获得海底水深地形图。但在实际的调查研究过程中，经常需要对海底同一区域进行长期测量，实现对水下地形冲刷情况的连续观测，对其变化趋势进行预测及演化分析。
[0004]然而，目前的多波束测深仪只能单次提供静态的海底水深数据，为了实现对同一海域的连续观测，只能一次又一次地对海底水深进行测量，费时又费力，无法进行有效地预测，且也很难做到对水下地形冲刷情况的演化分析。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测水深的方法，其特征在于，所述方法包括如下步骤：S1.构建预测水深与地理位置及时间的关系模型，定义损失函数；S2.构建基于所述地理位置及时间的训练数据集的训练矩阵，对所述训练矩阵进行卷积、激励与池化后得到的转化数据集作为神经网络的输入层；S3.构建所述神经网络，基于所述神经网络的输入层获取所述神经网络的输出层，所述输出层为预测水深数据集；S4.使用所述预测水深数据集和对应的实际水深数据集训练所述神经网络，以所述损失函数的最小化为目标迭代优化获得最佳参数矩阵，并基于获得所述最佳参数矩阵的所述神经网络预测水深。2.根据权利要求1所述的预测水深的方法，其特征在于，所述步骤S1具体包括：S11.所述地理位置包括纬度和经度，将纬度和经度转化到平面坐标系，以时间为序，以深度为标签数据，构建所述预测水深与纬度Y、经度X、时间T的关系模型；S12.选用所述预测水深与对应的所述实际水深的均方根误差作为所述损失函数，用于评估深度学习的效果。3.根据权利要求2所述的预测水深的方法，其特征在于，所述步骤S2具体包括：S21.构建基于纬度Y、经度X、时间T的所述训练矩阵：S22.给定一个卷积核C，按照其自身分辨率的大小、以固定的步长从所述训练矩阵中提取数据子集，并与之对应相乘、再求总和，直至完成对所述训练矩阵的检索；S23.使用非线性激励函数tanh对卷积后的所述训练矩阵进行处理；S24.使用最大池化法对激励后的所述训练矩阵进行池化，得到的所述转化数据集作为所述神经网络的输入层。4.根据权利要求1所述的预测水深的方法，其特征在于，所述步骤S3的所述神经网络具体包括输入层、第一隐藏层、第二隐藏层和输出层；构建所述神经网络具体包括：S31.从所述输入层到所述第一隐藏层构建参数矩阵ω，通过p
i
·
ω＝Q实现所述输入层神经元p
i
与所述第一隐藏层神经元Q之间的连接；S32.从所述第一隐藏层到所述第二隐藏层构建参数矩阵θ，通过Q
·
θ＝Z实现所述第一隐藏层神经元Q与所述第二隐藏层神经元Z之间的连接；S33.从所述第二隐藏层到所述输出层构建参数矩阵μ，通过Z
...

【专利技术属性】
技术研发人员：尹慧，袁林锋，徐皓，孙卫华，明慧芳，肖雪露，杨小韦，冉龙建，姜凌，张旻旻，黎培诚，王钦为，高峰，张同，石可艺，易常乐，
申请(专利权)人：武汉船舶通信研究所中国船舶重工集团公司第七二二研究所，
类型：发明
国别省市：