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制造方法及图纸

本发明专利技术实施例涉及一种基于改进K‑means聚类算法模型的海域异常监测方法和装置，该方法包括：获取数据，所述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；并对提取的数据进行最小关联度判断，通过数据间的内在关系将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，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。通过本发明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。

【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，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...

【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：