海洋潮流涨落的电磁识别方法及系统技术方案

本发明专利技术提供一种海洋潮流涨落的电磁识别方法及系统。该方法包括：数据时频分析处理，获得时间域电磁场信号采样序列，划分成若干段，获得功率谱估计，获得海洋电磁场数据时频特征图；数据集构造，根据各时间节点的潮汐信息在时频特征图上绘制潮汐曲线，获得潮汐

【技术实现步骤摘要】
海洋潮流涨落的电磁识别方法及系统


[0001]本专利技术涉及海洋潮流识别技术和海洋电磁数据处理
，具体涉及一种基于时频分析和卷积神经网络的海洋潮流涨落的电磁识别方法及系统。

技术介绍

[0002]海洋电磁法是通过测量由天然场源或人工场源产生的电磁场进而开展海底结构、水下目标探测的一种地球物理方法，可分为大地电磁法和海洋可控源电磁法。大地电磁法以天然的平面电磁波为场源，信号频率相对较低。海洋可控源电磁法通常使用一个移动的水平电偶极源激发低频电磁波(一般为0.1～10Hz)。两种方法均需要海洋电磁探测系统实现电磁信号采集。在探测高阻油气藏、天然气水合物、水下目标等方面具有广泛的应用需求。
[0003]由于海洋环境复杂，电磁信号极易受到各种噪声的干扰，海水扰动噪声便是其中之一。海水作为一种良好的导电介质，运动通过大地磁场时会产生电流、电场和二次磁场，其相对于海洋电磁探测信号而言是干扰信号，影响了电磁数据分析精度以及反演解释效果。
[0004]海水在天体引力作用下产生的周期性运动称为潮汐，潮汐在在铅直方向表现为潮位升降，在水平方向表现为潮流涨落。潮汐产生的电磁场信号具有明显的周期性和较宽的频带，能够体现潮流涨落运动特征。海洋电磁探测系统采集到的人工场源海洋电磁信号和天然场源海洋电磁信号中含有潮流涨落运动产生的电磁场，研究潮流涨落运动产生的电磁场并对海洋电磁数据中的潮流特征进行识别，有利于分析海洋电磁环境和探究海水的运动规律，有助于提高海洋电磁数据的信噪比。
[0005]对海洋潮流涨落进行实时观测是分析海洋潮汐对海洋电磁信号影响的常用技术。随着海洋技术的发展和进步，潮汐和水位观测仪器的种类日趋多样。按照测量原理的不同可划分为重力式、压力式、声学式、光学式和遥感式；按观测方法的不同可划分为人工观测和仪器观测两种。目前在海洋电磁探测中主要采用仪器观测方法，如波浪浮标、海流计等等。在测量过程中存在只能实现局部观测、仪器使用成本高、现场施工要求高等缺点。

技术实现思路

[0006]本专利技术的目的在于解决上述技术问题之一，针对现有技术中对海洋潮流实时观测中存在只能实现局部观测、仪器使用成本高、现场施工要求高等缺点，充分利用海洋电磁观测数据中携带的潮流涨落运动产生的电磁场信息，提供一种对测量仪器依赖度低，能够有效识别海洋涨潮落潮、平潮停潮等潮流特征的电磁识别方法。
[0007]为解决以上问题，本专利技术提供如下技术方案：
[0008]一种海洋潮流涨落的电磁识别方法，包括以下步骤：
[0009]数据时频分析处理步骤：采集一定连续时长范围内的海洋电磁场数据，获得时间域电磁场信号采样序列，按照设定的等时间间隔将时间域电磁场信号采样序列划分成若干
段，获得每段时间域电磁场信号采样序列的功率谱估计，从而获得海洋电磁场数据时频特征图，横轴表示时间，纵轴表示频率，色标表示功率谱值；
[0010]数据集构造步骤：根据各时间节点的潮汐信息在所述时频特征图上绘制潮汐曲线，横轴表示时间，纵轴表示潮高；获得潮汐
‑
功率谱对应图；对所述对应图进行截取，获得平潮图像、停潮图像、落潮图像和涨潮图像，构造时频特征图像数据集；
[0011]卷积神经网络构建和训练学习步骤：构建卷积神经网络，所述卷积神经网络包括多个卷积层、多个池化层、多个全连接层；所述卷积层用于对所述平潮图像、停潮图像、落潮图像和涨潮图像进行特征提取；所述池化层获取卷积层处理后的数据并对训练数据进行缩减，从卷积层映射特征中积累激活特征；所述全连接层用于网络学习和分类；将所述时频特征图像数据集作为训练单元输入卷积神经网络进行训练；
[0012]海洋潮流涨落识别步骤：训练后的卷积神经网络作为海洋潮流涨落识别模型，其输出海洋潮流涨落的二分类识别结果。
[0013]本专利技术一些实施例中，获得数据时频特征图的方法包括：
[0014]将采集的电磁场信号采样序列按照等时长划分为若干时间域电磁场信号采样序列E(n)，所述时间域电磁场信号采样序列的长度为N；按照设定的等时间间隔将时间域电磁场信号采样序列进一步分成M段，每段长度为L；采用平滑平均周期法获得长度为L的每段时间域电磁场信号采样序列的功率谱估计。
[0015]本专利技术一些实施例中，获得数据时频特征图及功率谱估计的方法进一步包括：
[0016]将长度为N的时间域电磁场信号采样序列E(n)划分为M段，每段长度为L；
[0017]E
i
(n)＝E(n+(i
‑
1)L),0≤n≤L
‑
1,i＝1,2,
…
,M；
[0018]对每段数据进行平滑处理：
[0019][0020]其中，ω(n)为窗函数，U为窗口序列的能量：
[0021][0022]功率谱估计为：
[0023][0024]本专利技术一些实施例中，构造时频特征图像数据集的方法包括：
[0025]确定潮位最高点和潮位最低点对应的时刻，以高潮位时刻为时间中心，选取高潮位时刻左右对称时间间隔的时频特征图像，定义为平潮图像，以低潮位时刻为时间中心，选取低潮位时刻左右对称时间间隔的时频特征图像，定义为停潮图像；
[0026]在从低潮位时刻至高潮位时刻之间的间隔，选取潮位变化最快的设定时间间隔的时频特征图像，定义为涨潮图像；
[0027]在从高潮位时刻至低潮位时刻之间的间隔，选取潮位变化最快的设定时间间隔的时频特征图像，定义为落潮图像。
[0028]本专利技术一些实施例中，所述卷积神经网络进一步包括：三个卷积层、三个池化层和
两个全连接层；
[0029]按照前后顺序卷积层的卷积核尺寸依次为15x15、8x8、3x3；
[0030]池化层均为步长为2的2x2池化层；
[0031]全连接层中添加了一个Dropout层用于按设定概率将训练单元从卷积神经网络中移除，以防止过拟合；
[0032]卷积层和第一个全连接层的激活函数采用ReLU函数，第二个全连接层采用Sigmoid激活函数。
[0033]本专利技术一些实施例中，所述时频特征图像数据集作为训练单元输入卷积神经网络进行训练进一步包括：
[0034]训练集和验证集采用K折交叉验证方法。
[0035]本专利技术一些实施例中，所述时频特征图像数据集作为训练单元输入卷积神经网络进行训练前，进一步包括图像处理步骤：
[0036]将时频特征图像数据集图像输入卷积神经网络前，将图像解码为RGB像素网格并转换为浮点数张量，将图像像素值归一化到[0,1]区间；图像输入尺寸优选112x448的长方形输入尺寸。
[0037]本专利技术一些实施例中，进一步提供一种海洋潮流涨落的电磁识别系统，包括：
[0038]数据采集单元：用于采集连续时间段内特定海域内海洋电磁场数据，获得时间域电磁场信号采样序列；
[0039]数据处理单元：用于对海洋电磁场数据进行处理，将时间域电磁场信号采样序列转换本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种海洋潮流涨落的电磁识别方法，其特征在于，包括以下步骤：数据时频分析处理步骤：采集一定连续时长范围内的海洋电磁场数据，获得时间域电磁场信号采样序列，按照设定的等时间间隔将时间域电磁场信号采样序列划分成若干段，获得每段时间域电磁场信号采样序列的功率谱估计，从而获得海洋电磁场数据时频特征图，横轴表示时间，纵轴表示频率，色标表示功率谱值；数据集构造步骤：根据各时间节点的潮汐信息在所述时频特征图上绘制潮汐曲线，横轴表示时间，纵轴表示潮高；获得潮汐
‑
功率谱对应图；对所述对应图进行截取，获得平潮图像、停潮图像、落潮图像和涨潮图像，构造时频特征图像数据集；卷积神经网络构建和训练学习步骤：构建卷积神经网络，所述卷积神经网络包括多个卷积层、多个池化层、多个全连接层；所述卷积层用于对所述平潮图像、停潮图像、落潮图像和涨潮图像进行特征提取；所述池化层获取卷积层处理后的数据并对训练数据进行缩减，从卷积层映射特征中积累激活特征；所述全连接层用于网络学习和分类；将所述时频特征图像数据集作为训练单元输入卷积神经网络进行训练；海洋潮流涨落识别步骤：训练后的卷积神经网络作为海洋潮流涨落识别模型，其输出海洋潮流涨落的二分类识别结果。2.如权利要求1所述的海洋潮流涨落的电磁识别方法，其特征在于，获得数据时频特征图的方法包括：将采集的电磁场信号采样序列按照等时长划分为若干时间域电磁场信号采样序列E(n)，所述时间域电磁场信号采样序列的长度为N；按照设定的等时间间隔将时间域电磁场信号采样序列进一步分成M段，每段长度为L；采用平滑平均周期法获得长度为L的每段时间域电磁场信号采样序列的功率谱估计。3.如权利要求2所述的海洋潮流涨落的电磁识别方法，其特征在于，获得数据时频特征图及功率谱估计的方法进一步包括：将长度为N的时间域电磁场信号采样序列E(n)划分为M段，每段长度为L；E
i
(n)＝E(n+(i
‑
1)L),0≤n≤L
‑
1,i＝1,2,
…
,M；对每段数据进行平滑处理：其中，ω(n)为窗函数，U为窗口序列的能量：功率谱估计为：4.如权利要求1所述的海洋潮流涨落的电磁识别方法，其特征在于，构造时频特征图像数据集的方法包括：确定潮位最高点和潮位最低点对应的时刻，以高潮位时刻为时间中心，选取高潮位时刻左右对称时间间隔的时频特征图像，定义为平潮图像，以低潮位时刻为时...

【专利技术属性】
技术研发人员：刘兰军，强嘉晨，陈家林，黎明，李予国，裴建新，吴坤宇，谢鹏，陈俊，袁奕博，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：