【技术实现步骤摘要】
本专利技术涉及海洋科学和机器学习，尤其涉及基于条件信息生成缺失特征的海洋数据重构方法。
技术介绍
1、针对“传统线性方法模型过于简单、数值模式方法计算复杂，导致多源异构海洋环境数据难以有效融合”的问题，专利号为cn202211050583.x，名称为“基于深度学习的三维海洋环境场智能融合方法及系统”的专利技术专利，通过构建深度学习网络模型，实现多源海洋资料的智能融合，从而生成更接近于观测的三维海洋要素融合场。但由于海洋环境数据的多源、异构、多维度特点，用于融合的数据有效年份各不相同，上述方法在90年代以后海洋资料丰富的时间段效果较好，在历史早期则存在一定的不足。
2、由于海洋卫星出现的时间较晚，早期的海洋现场观测数据较为匮乏，可用于同化的海洋观测种类和数量有限，导致90年代以前的三维格点化数据源精度和一致性较差。而像hycom、soda等高分辨率、高精度的优质数据源起始时间较晚，智能融合方法缺乏覆盖历史早期的高质量数据源，给海洋要素历史重构带来了巨大挑战。针对历史早期缺乏高质量融合数据源的问题，通常的处理方式有两种：一种是历史早期重新训练智能融合模型，输入特征不包括缺失的高质量数据源；一种是采用高质量数据源的气候态要素场补充其缺失的时间段。但这两种方法得到的海洋要素重构场精度均有一定的局限性，无法满足精细化的科学研究需求。
技术实现思路
1、针对上述现有技术的缺点，本专利技术的目的是提供基于条件信息生成缺失特征的海洋数据重构方法，以解决现有技术中的一个或多个问题。>
2、为实现上述目的，本专利技术的技术方案如下：
3、基于条件信息生成缺失特征的海洋数据重构方法，包括以下步骤：
4、时段划分与样本集构建；
5、缺失特征生成模型搭建；
6、缺失特征生成模型的训练与验证；
7、海洋数据重构模型搭建；
8、海洋数据重构模型的训练与验证。
9、进一步的，所述时段划分与样本集构建包括以下步骤：
10、划分特征缺失时段p1和特征完整时段p2；
11、通过特征完整时段p2构建样本集ds1且通过特征缺失时段p1构建样本集ds2。
12、进一步的，所述缺失特征生成模型搭建包括以下步骤：
13、构建生成器g，将已知的融合数据源odsn转为生成的融合数据源
14、构建判别器d，对生成的融合数据源和真实的融合数据源进行特征提取并计算为真实的概率；
15、损失函数设计。
16、进一步的，所述损失函数设计中损失函数是基于对抗损失进而设计的，所述损失函数如下式所示：
17、loss(fg,fd)＝lossl1(fg)+λlossgan(fg,fd)
18、式中：λ为超参数，控制着对抗损失lossgan(fg,fd)和l1损失lossl1(fg)对于总体优化目标贡献度的大小。
19、进一步的，所述对抗损失计算公式如下式所示：
20、lossgan(fg,fd)＝e[logfd(odsreal)]+e[log(1-fd(odsgen))]
21、式中：e为期望算子，fd(i)表示数据输入判别器d后得到的概率。
22、进一步的，所述缺失特征生成模型的训练与验证是基于p1时段的样本集ds2通过对比生成的融合数据源和真实的融合数据源之间的均方根误差rmse和决定系数r2。
23、进一步的，所述海洋数据重构模型搭建包括以下步骤：
24、冻结生成器g；
25、特征提取；
26、数据重构。
27、进一步的，所述特征提取包括融合数据源的特征提取和海表环境要素及时空信息的特征提取
28、进一步的，所述数据重构基于融合数据源的特征feat1和海表环境要素及时空信息的特征feat2全局融合重构，得到重构海洋要素场odfusion。
29、进一步的，所述海洋数据重构模型的训练与验证是基于p2时段的样本集ds1，通过对比重构海洋要素场odfusion和样本集ds2对应的观测要素场odobs之间的均方根误差rmse和决定系数r2。
30、与现有技术相比，本专利技术的有益技术效果如下：
31、(一)本专利技术构建的缺失特征生成模型，通过输入可控的条件信息作为约束，引导生成器生成海洋要素场，相比于采用随机扰动的原始生成器要更容易收敛，生成的海洋要素场更真实、更符合实际；训练过程中采用对抗损失与l1损失相结合的设计，提升模型的稳定性与效率以及生成要素场的质量和精度。
32、(二)将训练好的生成器冻结参数，与海洋数据重构模型相连接，通过进行三维融合数据源的特征提取；而海表环境要素及时空信息以关联网络的形式加入融合过程，通过进行特征提取。这种模型结构的设计可以针对不同维度的信息进行不同程度的学习，有效避免了由于网络太深导致的一维、二维信息丢失的问题，从而使得重构海洋要素场精度更高。
本文档来自技高网...【技术保护点】
1.基于条件信息生成缺失特征的海洋数据重构方法，其特征在于：包括以下步骤：
2.如权利要求1所述的基于条件信息生成缺失特征的海洋数据重构方法，其特征在于：所述时段划分与样本集构建包括以下步骤：
3.如权利要求1所述的基于条件信息生成缺失特征的海洋数据重构方法，其特征在于：所述缺失特征生成模型搭建包括以下步骤：
4.如权利要求3所述的基于条件信息生成缺失特征的海洋数据重构方法，其特征在于：所述损失函数设计中损失函数是基于对抗损失进而设计的，所述损失函数如下式所示：
5.如权利要求4所述的基于条件信息生成缺失特征的海洋数据重构方法，其特征在于：所述对抗损失计算公式如下式所示：
6.如权利要求1所述的基于条件信息生成缺失特征的海洋数据重构方法，其特征在于：所述缺失特征生成模型的训练与验证是基于P2时段的样本集DS1，通过对比生成的融合数据源和真实的融合数据源之间的均方根误差RMSE和决定系数R2。
7.如权利要求1所述的基于条件信息生成缺失特征的海洋数据重构方法，其特征在于：所述海洋数据重构模型搭建包括以下步骤：<...
【技术特征摘要】
1.基于条件信息生成缺失特征的海洋数据重构方法，其特征在于：包括以下步骤：
2.如权利要求1所述的基于条件信息生成缺失特征的海洋数据重构方法，其特征在于：所述时段划分与样本集构建包括以下步骤：
3.如权利要求1所述的基于条件信息生成缺失特征的海洋数据重构方法，其特征在于：所述缺失特征生成模型搭建包括以下步骤：
4.如权利要求3所述的基于条件信息生成缺失特征的海洋数据重构方法，其特征在于：所述损失函数设计中损失函数是基于对抗损失进而设计的，所述损失函数如下式所示：
5.如权利要求4所述的基于条件信息生成缺失特征的海洋数据重构方法，其特征在于：所述对抗损失计算公式如下式所示：
6.如权利要求1所述的基于条件信息生成缺失特征的海洋数据重构方法，其特征在于：所述缺失特征生成模型的训练与验证是基于p2时段的样本集ds1，通过对比生成的融合数据源和真实的融合数据源之间...
【专利技术属性】
技术研发人员：王明清，王丹妮，过莹烨，许立兵，周峥，
申请(专利权)人：无锡九方科技有限公司，
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。