【技術實現步驟摘要】
本專利技術涉及海洋數據監測，尤其是涉及一種基于多尺度特征融合的海洋數字孿生優化方法及系統。
技術介紹
1、海洋環境復雜多變，傳統的試驗和開發方式存在效率低、成本高、風險大的問題。特別是在海洋裝備的研發與試驗中，長期依賴于傳統物理模型試驗，難以動態適應真實海況和環境變化，導致開發周期長、迭代效率低。近年來，數字孿生技術的興起為解決這一問題提供了新的思路。數字孿生通過將物理對象的行為、狀態與虛擬環境實時映射，支持裝備從設計、制造到使用、維護的全生命周期優化管理。特別是在海洋場景中，數字孿生可以通過整合多源異構數據和多尺度信息，實現對復雜海洋環境及裝備運行狀態的高效建模與精準仿真。現有的方法在一定程度上能解決以上的問題，但還是表現出了以下的不足：1.多尺度特征融合的技術瓶頸，海洋環境中的數據維度復雜，特征跨越時間域、空間域等多個尺度，傳統方法難以有效融合這些多尺度特征。2.實時性和魯棒性不足，現有模型在處理大規模海洋數據時的實時性較低，對噪聲和異常環境的魯棒性較差，無法適應實際應用中的動態變化。3.全生命周期集成不足，數字孿生技術在設計、制造和運行階段的應用多有研究，但缺乏從數據采集到反饋優化的全流程集成解決方案。
2、目前，對海洋數字孿生數據優化中還存在以下不足：1.多尺度特征建模不足：現有方法對海洋環境中的時間域、空間域和語義域多尺度特征的表達與融合能力不足，無法全面準確地刻畫復雜的海洋動態環境。2.實時性與魯棒性較差：在面對復雜的海洋環境變化時，傳統模型往往難以在保證高效處理的同時具備足夠的魯棒性，容易受到環境噪聲和
技術實現思路
1、為了解決上述提到的問題，本專利技術提供一種基于多尺度特征融合的海洋數字孿生優化方法及系統。
2、第一方面，本專利技術提供的一種基于多尺度特征融合的海洋數字孿生優化方法，采用如下的技術方案：
3、一種基于多尺度特征融合的海洋數字孿生優化方法，包括：
4、獲取海洋環境多源數據；
5、對獲取的海洋環境多源數據進行數據預處理；
6、基于數字孿生模型對多源數據進行特征提取和特征融合；
7、將融合后的特征通過維度對齊轉化為統一的特征表示；
8、基于融合的特征對數字孿生模型進行優化；
9、利用優化后的數字孿生模型進行海洋環境多源數據預測。
10、進一步地，所述獲取海洋環境多源數據，包括利用多傳感器網絡和固定傳感器、無人機、衛星多平臺系統協同作業的方式進行多模態、多尺度數據采集，傳感器生成的時間序列數據表示為：
11、
12、其中，為第個傳感器在時間t的輸出， m為特征維度；
13、利用無人機和衛星從多角度采集多通道圖像，圖像數據表示為：
14、
15、其中，h為圖像高度，w為圖像寬度，c為通道數。
16、進一步地，所述對獲取的海洋環境多源數據進行數據預處理，包括分別對時間序列數據和圖像數據采用差異性優化策略，以消除數據之間的差異性，其中，對于時間序列數據，應用線性插值法對缺失值進行補全，確保數據的連續性和完整性，再通過歸一化處理將特征值調整到統一范圍；對于圖像數據的預處理，首先通過高斯濾波去除噪聲，提升圖像的清晰度和穩定性。
17、進一步地，所述基于數字孿生模型對多源數據進行特征提取和特征融合，包括通過改進的時空卷積網絡st-cnn提取時間序列數據的動態特征，以捕捉其在時間維度上的變化趨勢，利用中值增強空間通道注意力網絡mecs提取圖像數據的多尺度特征，以強化其對空間分布的表達能力，其中，對增強后的特征進行分解提取不同分辨率的特征，并按照通道進行分組，得到不同通道的特征，最后通過雙時融合網絡bfm對不同通道的時序特征和圖像特征進行加權融合，將多模態數據整合為統一的特征表示，用于建模。
18、進一步地，所述將融合后的特征通過維度對齊轉化為統一的特征表示，包括通過線性投影和廣播機制將兩種模態映射到統一的特征空間，其中，先進行時序特征的投影與擴展，再進行圖像特征投影，通過特征拼接后生成注意力分布，將兩種模態的特征按注意力權重進行加權融合，并對融合結果?進行多尺度卷積優化，提取局部和全局的特征信息。
19、進一步地，所述基于融合的特征對數字孿生模型進行優化，包括根據融合后的特征，利用由預測誤差損失和正則化項組成的損失函數訓練模型，其中，預測誤差部分采用均方誤差（mse）來評估預測結果的準確性，為了防止模型在訓練過程中因過度擬合而喪失泛化性能，引入正則化項到損失函數中，以對模型參數的復雜度進行約束；同時使用adam優化算法，通過動態調整學習率，結合一階和二階動量的累積信息，在非凸優化問題中優化模型參數，并在adam的基礎上引入了梯度裁剪，防止梯度爆炸對訓練過程的干擾。
20、進一步地，所述利用優化后的數字孿生模型進行海洋環境多源數據預測，包括將優化后的數字孿生模型部署到實際場景中，實時進行監控與仿真，并通過模型預測的目標變量與觀測值的對比計算誤差，其中對于時間序列數據，基于預測值與觀測值之間的均方誤差?mse，設定閾值為0.05，即預測值與真實值之間的誤差平方平均值小于?5%；對于圖像特征預測，基于像素點誤差的平均絕對差?mae，設定閾值為?3%，即像素值誤差占圖像灰度值范圍的比例小于?3%，計算誤差表示為：
21、
22、其中，目標變量，觀測值。
23、第二方面，一種基于多尺度特征融合的海洋數字孿生優化系統，包括：
24、數據獲取模塊，被配置為，獲取海洋環境多源數據；
25、預處理模塊，被配置為，對獲取的海洋環境多源數據進行數據預處理；
26、特征模塊，被配置為，基于數字孿生模型對多源數據進行特征提取和特征融合；
27、轉化模塊，被配置為，將融合后的特征通過維度對齊轉化為統一的特征表示；
28、優化模塊，被配置為，基于融合的特征對數字孿生模型進行優化；
29、預測模塊，被配置為，利用優化后的數字孿生模型進行海洋環境多源數據預測。
30、第三方面，本專利技術提供一種計算機可讀存儲介質，其中存儲有多條指令，所述指令適于由終端設備的處理器加載并執行所述的一種基于多尺度特征融合的海洋數字孿生優化方法。
31、第四方面，本專利技術提供一種終端設備，包括處理器和計算機可讀存儲介質，處理器用于實現各指令；計算機可讀存儲介質用于存儲多條指令，所述指令適于由處理器加載并執行所述的一種基于多尺度特征融合的海洋數字孿生優化方法。...
【技術保護點】
1.一種基于多尺度特征融合的海洋數字孿生優化方法，其特征在于，包括：
2.根據權利要求1所述的一種基于多尺度特征融合的海洋數字孿生優化方法，其特征在于，所述獲取海洋環境多源數據，包括利用多傳感器網絡和固定傳感器、無人機、衛星多平臺系統協同作業的方式進行多模態、多尺度數據采集，傳感器生成的時間序列數據表示為：
3.根據權利要求2所述的一種基于多尺度特征融合的海洋數字孿生優化方法，其特征在于，所述對獲取的海洋環境多源數據進行數據預處理，包括分別對時間序列數據和圖像數據采用差異性優化策略，以消除數據之間的差異性，其中，對于時間序列數據，應用線性插值法對缺失值進行補全，確保數據的連續性和完整性，再通過歸一化處理將特征值調整到統一范圍；對于圖像數據的預處理，首先通過高斯濾波去除噪聲，提升圖像的清晰度和穩定性。
4.根據權利要求3所述的一種基于多尺度特征融合的海洋數字孿生優化方法，其特征在于，所述基于數字孿生模型對多源數據進行特征提取和特征融合，包括通過改進的時空卷積網絡ST-CNN提取時間序列數據的動態特征，以捕捉其在時間維度上的變化趨勢，利用中值增強空
5.根據權利要求4所述的一種基于多尺度特征融合的海洋數字孿生優化方法，其特征在于，所述將融合后的特征通過維度對齊轉化為統一的特征表示，包括通過線性投影和廣播機制將兩種模態映射到統一的特征空間，其中，先進行時序特征的投影與擴展，再進行圖像特征投影，通過特征拼接后生成注意力分布，將兩種模態的特征按注意力權重進行加權融合，并對融合結果進行多尺度卷積優化，提取局部和全局的特征信息。
6.根據權利要求5所述的一種基于多尺度特征融合的海洋數字孿生優化方法，其特征在于，所述基于融合的特征對數字孿生模型進行優化，包括根據融合后的特征，利用由預測誤差損失和正則化項組成的損失函數訓練模型，其中，預測誤差部分采用均方誤差MSE來評估預測結果的準確性，為了防止模型在訓練過程中因過度擬合而喪失泛化性能，引入正則化項到損失函數中，以對模型參數的復雜度進行約束；同時使用Adam優化算法，通過動態調整學習率，結合一階和二階動量的累積信息，在非凸優化問題中優化模型參數，并在Adam的基礎上引入了梯度裁剪，防止梯度爆炸對訓練過程的干擾。
7.根據權利要求6所述的一種基于多尺度特征融合的海洋數字孿生優化方法，其特征在于，所述利用優化后的數字孿生模型進行海洋環境多源數據預測，包括將優化后的數字孿生模型部署到實際場景中，實時進行監控與仿真，并通過模型預測的目標變量與觀測值的對比計算誤差，其中對于時間序列數據，基于預測值與觀測值之間的均方誤差?MSE，設定閾值為0.05，即預測值與真實值之間的誤差平方平均值小于?5%；對于圖像特征預測，基于像素點誤差的平均絕對差?MAE，設定閾值為?3%，即像素值誤差占圖像灰度值范圍的比例小于?3%，計算誤差表示為：
8.一種基于多尺度特征融合的海洋數字孿生優化系統，其特征在于，包括：
9.一種計算機可讀存儲介質，其中存儲有多條指令，其特征在于，所述指令適于由終端設備的處理器加載并執行如權利要求1所述的方法。
10.一種終端設備，包括處理器和計算機可讀存儲介質，處理器用于實現各指令；計算機可讀存儲介質用于存儲多條指令，其特征在于，所述指令適于由處理器加載并執行如權利要求1所述的方法。
...【技術特征摘要】
1.一種基于多尺度特征融合的海洋數字孿生優化方法，其特征在于，包括：
2.根據權利要求1所述的一種基于多尺度特征融合的海洋數字孿生優化方法，其特征在于，所述獲取海洋環境多源數據，包括利用多傳感器網絡和固定傳感器、無人機、衛星多平臺系統協同作業的方式進行多模態、多尺度數據采集，傳感器生成的時間序列數據表示為：
3.根據權利要求2所述的一種基于多尺度特征融合的海洋數字孿生優化方法，其特征在于，所述對獲取的海洋環境多源數據進行數據預處理，包括分別對時間序列數據和圖像數據采用差異性優化策略，以消除數據之間的差異性，其中，對于時間序列數據，應用線性插值法對缺失值進行補全，確保數據的連續性和完整性，再通過歸一化處理將特征值調整到統一范圍；對于圖像數據的預處理，首先通過高斯濾波去除噪聲，提升圖像的清晰度和穩定性。
4.根據權利要求3所述的一種基于多尺度特征融合的海洋數字孿生優化方法，其特征在于，所述基于數字孿生模型對多源數據進行特征提取和特征融合，包括通過改進的時空卷積網絡st-cnn提取時間序列數據的動態特征，以捕捉其在時間維度上的變化趨勢，利用中值增強空間通道注意力網絡mecs提取圖像數據的多尺度特征，以強化其對空間分布的表達能力，其中，對增強后的特征進行分解提取不同分辨率的特征，并按照通道進行分組，得到不同通道的特征，最后通過雙時融合網絡bfm對不同通道的時序特征和圖像特征進行加權融合，將多模態數據整合為統一的特征表示，用于建模。
5.根據權利要求4所述的一種基于多尺度特征融合的海洋數字孿生優化方法，其特征在于，所述將融合后的特征通過維度對齊轉化為統一的特征表示，包括通過線性投影和廣播機制將兩種模態映射到統一的特征空間，其中，先進行時序特征的投影與擴展，再進行圖像特征投影，通過特征拼接后生成注意力分布，將兩種模態...
【專利技術屬性】
技術研發人員：馬元慶，蘇博，由麗萍，李淑君，李志林，劉昕，
申請(專利權)人：山東省海洋資源與環境研究院山東省海洋環境監測中心，山東省水產品質量檢驗中心，
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。