【技术实现步骤摘要】
本专利技术涉及海洋信息，特别涉及一种基于改进k-means聚类算法模型的海域异常监测方法和装置。
技术介绍
1、海洋立体观测是目前针对海洋状况进行的有效手段。然而在实际海域状况监测中，会出现例如水体污染、海洋灾害等异常状况，传统的科学推算与数理统计对于观测数据增长体量较大的海域状况存在时间滞后久、空间偏差大、大范围失误率高等问题，而如何利用数学模型与人工智能技术相结合给出对海域异常状况进行准确预报的算法模型及运行装置，就是本专利技术需要解决的技术问题。
技术实现思路
1、本专利技术的目的，就是针对现有技术的缺陷，提供一种基于改进k-means聚类算法模型的海域异常状况监测的可行方法、装置及计算机可读存储介质，以解决上述
技术介绍
提出的问题。
2、为实现上述目的，本专利技术实施例第一方面提供了一种基于改进k-means聚类算法模型的海域异常监测方法，所述方法包括：
3、获取约束数据，所述约束数据为数据采集装置获取的、或者从用户输入的数据集中抽取的；并对提取的所述约束数据进行最小关联度判断，通过数据间的内在关系把样本划分为若干类别，构建基于原始样本范围的数据集dataset-1；引入所述预训练提示模型，不断对数据进行参数标准化及所述异常点过滤，并在所述异常点过滤时假设所述损失函数，通过固定所述数据集的关联参考值与改变跨类别所述样本数据集的间距，取得局部优化条件下全局格式最优化，并对分类样本进行混淆处理，将过滤后的数据集作为提示条件评估异常数据的报错概率，并针对报错
4、对提取的所述约束数据进行最小关联度判断，获取判断结果；所述最小关联度判断方法包括：在层次结构中创建数据点间的快捷方式、基于高维空间内节点间距离近似遵循高斯分布的假设进行张量降阶；
5、所述预训练提示模型基于multi-agent system结构实现；所述预训练提示模型用于对所述目标样本中的约束数据进行多参数标准化同步处理并实时生成对应的表征张量向所述表征降维层发送。
6、所述基于所述判断结果，利用图卷积神经网络(gcn)对所述表征降维层进行拓扑重构，将所述表征降维层进行矩阵分解后节点间的关系添加到所述预训练提示模型中，并根据多次循环所述分类样本的混淆处理过程给出评估异常数据报错概率分布；
7、所述处理数据集data-n(n范围取a-y)用于对多维感知获取的数据进行降维处理比较并输出比较结果向数据集dataset-1发送；所述对比数据集data-z用于对表征张量进行表征降维处理比较并生成对应的表征张量向dataset-0返还；所述第一过滤网络用于根据所述融合表征张量进行多源异构数据回收并生成对应的预测向量作为筛选模型输出；所述第二过滤网络用于根据所述融合特征张量对海面表征的突变量进行过滤生成对应的海面表征概率预测向量作为优化模型输出。
8、所述对所述预训练提示模型进行训练，具体包括：
9、所述基于multi-agent system结构的预训练提示模型根据所述损失函数对所述原始样本范围的数据集dataset-1进行训练；
10、所述预训练提示模型基于multi-agent system结构实现，该结构包含system模块与agent-n(n范围取a-y)模块；所述system模块用于对所述agent-n(n范围取a-y)模块进行过程复现并返还所述第一过滤网络用于根据所述融合表征张量进行多源异构数据回收并生成对应的预测向量作为筛选模型输出。
11、另外还需要说明的是，本专利技术实施例还提供了一种改进k-means聚类算法模型的海域异常监测的计算机程序产品，该程序产品可在计算机上运行，用于执行上述基于改进k-means聚类算法模型的海域异常监测方法。
12、本专利技术实施例第二方面提供了一种用于实现上述第一方面所述的基于改进k-means聚类算法模型的海域异常监测方法的装置，其特征在于，一种舱体，所述舱体内包括：传感器，存储器，处理器，收发器；
13、作为本专利技术的一种优选技术方案：所述舱体由以下所述实施例中涉及的结构组成：
14、传感模块：在所述传感箱内安置传感器与绝缘防水电线用于连接电源；
15、承压模块：由亚克力等密封真空舱组成，用于保护存储器与处理器；
16、限位模块：由法兰盖等密封装置组成，用于限制在湍流中晃动、摇摆、翻滚等非自然监测过程造成传感器，存储器，处理器的易位；
17、所述传感器用于向所述的结合预训练提示模型的改进k-means聚类算法模型提供dataset-0数据集；所述传感器与所述处理器耦合，由所述处理器控制所述传感器进行数据采集，以实现上述第一方面所述的方法步骤；
18、所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现上述第一方面所述的方法步骤；
19、所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行讯息收发。
20、专利技术实施例第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机通过无线通讯等技术与所述舱体连接并执行上述第一方面所述的方法的指令。
21、本专利技术实施例提供了一种结合预训练提示模型的改进k-means聚类算法模型的处理方法、装置及计算机可读存储介质；本专利技术结合预训练提示模型和改进k-means聚类算法模型构建出一个海域异常监测模型；并基于该海域异常监测模型对输入数据集进行两类预测结果输出：无标记样本和有标记样本概率分布；并基于海面表征概率分布进行海面表征突变量预测。
22、本专利技术通过构建改进算法模型，给出了一种基于人工智能机器学习技术的海域状况预测手段；本专利技术引入预训练提示模型，通过固定数据集中的关联参考值与改变跨类别样本间距，取得局部优化条件下的全局最优化，实现对海域异常样本点的精准判断。通过本专利技术可以给出一种基于改进数学模型的海域异常数值预报方法，并通过选择提示机制来达到矫正海域状况报错率、提高异常监测精度的目的，对于提高海域异常位置准确性、预防海洋气象灾害具有重要的实用价值。
本文档来自技高网...【技术保护点】
1.一种基于改进K-means聚类算法模型的海域异常监测方法，其特征在于，所述方法包括：获取约束数据，所述约束数据为数据采集装置获取的、或者从用户输入的数据集中抽取的；并对提取的约束数据进行最小关联度判断，通过数据间的内在关系把样本划分为若干类别，构建基于原始样本范围的数据集Dataset-1；引入预训练提示模型，不断对数据进行参数标准化及异常点过滤，并在异常点过滤时假设损失函数，通过固定数据集的关联参考值与改变跨类别样本的间距，取得局部优化条件下全局格式最优化，并对分类样本进行混淆处理，将过滤后的数据集作为提示条件，经过循环分类后，评估异常数据的报错概率，并针对报错数据概率分布进行同步训练，主动调整损失函数参数并将其添加到改进模型中。
2.根据权利要求1所述的结合预训练提示模型的改进K-means聚类算法模型的处理方法，其特征在于，
3.根据权利要求2所述的结合预训练提示模型的改进K-means聚类算法模型的处理方法，其特征在于，
4.根据权利要求3所述的结合预训练提示模型的改进K-means聚类算法模型的处理方法，其特征在于，
6.根据权利要求4所述的结合预训练提示模型的改进K-means聚类算法模型的处理方法，其特征在于，所述损失函数的改进方法，具体包括：
7.根据权利要求4所述的结合预训练提示模型的改进K-means聚类算法模型的处理方法，其特征在于，所述基于所述预训练提示模型对输入的提示参数进行训练并基于训练结果进行第一、二过滤网络筛选，具体包括：
8.一种用于执行权利要求1-7任一项所述的结合预训练提示模型的改进K-means聚类算法模型的处理方法的装置，其特征在于，一种舱体，所述舱体内包括：传感器，存储器，处理器，收发器；所述传感器用于向所述的结合预训练提示模型的改进K-means聚类算法模型提供Dataset-0数据集；所述传感器与所述处理器耦合，由所述处理器控制所述传感器进行数据采集；所述处理器用于与所述存储器耦合，读取并执行所述存储器中的指令，以实现权利要求1-7任一项所述的方法；所述收发器与所述处理器耦合，由所述处理器控制所述收发器进行消息收发。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，当所述计算机指令被计算机执行时，使得所述计算机通过无线通讯等技术与所述舱体连接并执行权利要求1-7任一项所述的方法。
...【技术特征摘要】
1.一种基于改进k-means聚类算法模型的海域异常监测方法，其特征在于，所述方法包括：获取约束数据，所述约束数据为数据采集装置获取的、或者从用户输入的数据集中抽取的；并对提取的约束数据进行最小关联度判断，通过数据间的内在关系把样本划分为若干类别，构建基于原始样本范围的数据集dataset-1；引入预训练提示模型，不断对数据进行参数标准化及异常点过滤，并在异常点过滤时假设损失函数，通过固定数据集的关联参考值与改变跨类别样本的间距，取得局部优化条件下全局格式最优化，并对分类样本进行混淆处理，将过滤后的数据集作为提示条件，经过循环分类后，评估异常数据的报错概率，并针对报错数据概率分布进行同步训练，主动调整损失函数参数并将其添加到改进模型中。
2.根据权利要求1所述的结合预训练提示模型的改进k-means聚类算法模型的处理方法，其特征在于，
3.根据权利要求2所述的结合预训练提示模型的改进k-means聚类算法模型的处理方法，其特征在于，
4.根据权利要求3所述的结合预训练提示模型的改进k-means聚类算法模型的处理方法，其特征在于，
5.根据权利要求4所述的结合预训练提示模型的改进k-means聚类算法模型的处理方法，其特征在于，所述对所述改进k-means聚类算...
【专利技术属性】
技术研发人员：董子宇，李慧，王晨曦，贾炳志，程习荃，朱亮，薛广，周伟，
申请(专利权)人：江苏海洋大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。