【技術實現步驟摘要】
本專利技術公開基于vit神經網絡的區域海洋環境場快速重構方法，屬于環境場重構。
技術介紹
1、傳統的海洋環境場重構方法主要依賴基于統計原理或變分方法的數據插值、數據同化技術，如逐步訂正法、克里金插值法、最優插值法、變分同化法。當海洋觀測數據較豐富且分布均勻時，這類方法通常可以獲得較好的效果。但是海洋觀測數據的顯著特點是數據總量少且時空分布不均，尤其在缺少遙感數據的海洋表層以下，海洋觀測數據的獲取只能依賴于數量不多的潛標、argo浮標、水下滑翔機、水下無人機等現場觀測設備。這種情況下，傳統海洋環境場重構方法的效果具有不確定性，會出現重構誤差大、重構分辨率低等問題。因此，難以反映海洋亞中尺度和小尺度動力過程，不利于亞中尺度渦、鋒面、內波、內潮、臺風等重要海洋現象的觀測。
技術實現思路
1、本專利技術的目的在于提供基于vit神經網絡的區域海洋環境場快速重構方法，以解決現有技術中，海洋環境場重構結果不準確的問題。
2、基于vit神經網絡的區域海洋環境場快速重構方法，包括獲取多源海洋數據并進行預處理，計算預處理后的多源海洋數據得到密度場，根據溫度場、鹽度場、密度場構建多要素耦合場；制作深度學習樣本集，構建訓練vit環境場生成模型，使用經過訓練的vit環境場生成模型進行區域海洋環境場重構。
3、多源海洋數據的要素包括數據溫度數據、鹽度數據和密度數據。
4、多源海洋數據的類型包括觀測數據、再分析數據和數值模擬數據。
5、預處理包括統一數據格式、深度
6、深度學習樣本集包括訓練集、驗證集和測試集。
7、vit環境場生成模型包括生成器和判別器。
8、生成器的輸入為重構場位置信息、隨機噪聲和多個觀測值，隨機噪聲輸入全連接層生成噪聲向量，多個觀測值分別輸入多個多層感知器，生成多個觀測特征向量，然后和噪聲向量一起輸入transformer編碼器，重構場位置信息輸入多層感知器生成重構場位置向量；
9、transformer編碼器輸出與觀測值數量相等的環境場特征向量，向每個環境場特征向量中都加入重構場位置向量，再分別輸入多個多層感知器，生成重構環境場塊，重構環境場塊為多層結構。
10、判別器的輸入為重構環境場塊，將重構環境場塊中的每個元素分別輸入多個多層感知器，在多層感知器的輸出中添加重構場位置向量，然后輸入transformer編碼器，最后經過一個多層感知器，進行真假判別。
11、transformer編碼器為6層結構，每層依次包括第一歸一化層、多頭自注意力層、第一特征融合層、第二歸一化層、多層感知器和第二特征融合層，其中第一歸一化層之前快捷連接第一特征融合層，第二歸一化層之前快捷連接第二特征融合層。
12、使用經過訓練的vit環境場生成模型進行區域海洋環境場重構包括：
13、s1設計損失函數，根據原海洋環境場和重構的海洋環境場的差異構造損失函數loss：
14、
15、式中，n是一批訓練樣本的數量，i是第i個訓練樣本，y是二元標簽，二元標簽為0或者1，yi是第i個二元標簽，p(yi)是輸出屬于yi的標簽的概率；
16、s2交替迭代訓練神經網絡，在交替訓練中先固定生成器訓練判別器，再固定判別器訓練生成器，如此循環直到訓練收斂；
17、s3神經網絡訓練完成后去除判別器，保留生成器，進行真假判別時將海洋環境場的觀測值輸入生成器，輸出為重構的海洋環境場；
18、海洋環境場的觀測值為溫度數據、鹽度數據和密度數據中的任意一種或數種的組合。
19、相對比現有技術，本專利技術具有以下有益效果：綜合考慮了海洋多要素場耦合，實現了區域海洋溫度、鹽度、密度立體環境場的重構，具有準確、高分辨率、快速的特性，能在海洋防災減災、海洋生態系統、海洋氣候變化等領域發揮數據支撐和應用保障作用。
本文檔來自技高網...【技術保護點】
1.基于ViT神經網絡的區域海洋環境場快速重構方法，其特征在于，包括獲取多源海洋數據并進行預處理，計算預處理后的多源海洋數據得到密度場，根據溫度場、鹽度場、密度場構建多要素耦合場；制作深度學習樣本集，構建訓練ViT環境場生成模型，使用經過訓練的ViT環境場生成模型進行區域海洋環境場重構。
2.根據權利要求1所述的基于ViT神經網絡的區域海洋環境場快速重構方法，其特征在于，多源海洋數據的要素包括數據溫度數據、鹽度數據和密度數據。
3.根據權利要求2所述的基于ViT神經網絡的區域海洋環境場快速重構方法，其特征在于，多源海洋數據的類型包括觀測數據、再分析數據和數值模擬數據。
4.根據權利要求3所述的基于ViT神經網絡的區域海洋環境場快速重構方法，其特征在于，預處理包括統一數據格式、深度校正、時空插值和質量控制。
5.根據權利要求4所述的基于ViT神經網絡的區域海洋環境場快速重構方法，其特征在于，深度學習樣本集包括訓練集、驗證集和測試集。
6.根據權利要求5所述的基于ViT神經網絡的區域海洋環境場快速重構方法，其特征在于，ViT
7.根據權利要求6所述的基于ViT神經網絡的區域海洋環境場快速重構方法，其特征在于，生成器的輸入為重構場位置信息、隨機噪聲和多個觀測值，隨機噪聲輸入全連接層生成噪聲向量，多個觀測值分別輸入多個多層感知器，生成多個觀測特征向量，然后和噪聲向量一起輸入Transformer編碼器，重構場位置信息輸入多層感知器生成重構場位置向量；
8.根據權利要求7所述的基于ViT神經網絡的區域海洋環境場快速重構方法，其特征在于，判別器的輸入為重構環境場塊，將重構環境場塊中的每個元素分別輸入多個多層感知器，在多層感知器的輸出中添加重構場位置向量，然后輸入Transformer編碼器，最后經過一個多層感知器，進行真假判別。
9.根據權利要求8所述的基于ViT神經網絡的區域海洋環境場快速重構方法，其特征在于，Transformer編碼器為6層結構，每層依次包括第一歸一化層、多頭自注意力層、第一特征融合層、第二歸一化層、多層感知器和第二特征融合層，其中第一歸一化層之前快捷連接第一特征融合層，第二歸一化層之前快捷連接第二特征融合層。
10.根據權利要求9所述的基于ViT神經網絡的區域海洋環境場快速重構方法，其特征在于，使用經過訓練的ViT環境場生成模型進行區域海洋環境場重構包括：
...【技術特征摘要】
1.基于vit神經網絡的區域海洋環境場快速重構方法，其特征在于，包括獲取多源海洋數據并進行預處理，計算預處理后的多源海洋數據得到密度場，根據溫度場、鹽度場、密度場構建多要素耦合場；制作深度學習樣本集，構建訓練vit環境場生成模型，使用經過訓練的vit環境場生成模型進行區域海洋環境場重構。
2.根據權利要求1所述的基于vit神經網絡的區域海洋環境場快速重構方法，其特征在于，多源海洋數據的要素包括數據溫度數據、鹽度數據和密度數據。
3.根據權利要求2所述的基于vit神經網絡的區域海洋環境場快速重構方法，其特征在于，多源海洋數據的類型包括觀測數據、再分析數據和數值模擬數據。
4.根據權利要求3所述的基于vit神經網絡的區域海洋環境場快速重構方法，其特征在于，預處理包括統一數據格式、深度校正、時空插值和質量控制。
5.根據權利要求4所述的基于vit神經網絡的區域海洋環境場快速重構方法，其特征在于，深度學習樣本集包括訓練集、驗證集和測試集。
6.根據權利要求5所述的基于vit神經網絡的區域海洋環境場快速重構方法，其特征在于，vit環境場生成模型包括生成器和判別器。
7.根據權利要求6所述的基于v...
【專利技術屬性】
技術研發人員：趙瑋，周春，成佳俊，
申請(專利權)人：中國海洋大學三亞海洋研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。