拖曳式传感器阵列中尺度涡时间序列卷积分类方法技术

本发明专利技术提供了一种拖曳式传感器阵列中尺度涡时间序列卷积分类方法，属于海洋观测技术领域。该方法包括：利用拖曳式传感器阵列采集海剖面观测数据，并对其进行扩增，并标注样本类别；建立时间卷积网络，选取具可区分性的最优Shapelet局部特征，并将多维立体观测时间序列转换为其与Shapelet的距离向量；构建在线序列超限学习机，将得到的距离向量的训练样本及其对应的类别标签输入至在线序列超限学习机网络进行训练，再将测试样本输入至训练好的在线序列超限学习机网络模型，最终获得目标分类结果。本发明专利技术再基于深度学习领域，速度更快，分类更准，能够更好地对传感器采集到的海洋数据进行分类，实现海洋环境立体监测。实现海洋环境立体监测。实现海洋环境立体监测。

【技术实现步骤摘要】
拖曳式传感器阵列中尺度涡时间序列卷积分类方法


[0001]本专利技术涉及海洋观测技术和深度学习结合领域，具体涉及一种拖曳式传感器阵列中尺度涡时间序列卷积分类方法。

技术介绍

[0002]当今时代，精细化的海洋环境观测是进行海洋科学研究、从而深入认知海洋的基础，对海洋资源开发、海洋灾害预报以及保证国家安全均有重大意义。
[0003]时间序列（或称动态数列）是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分类（TSC）是数据挖掘中一个重要且具有挑战性的问题。随着时间序列数据可用性的增加，学术界已经提出了数百种时间序列分类算法。而在这些方法中，只有少数人考虑过深度神经网络来执行这项任务。传统的分类方法无法满足需求，故需要更先进的方法来进行数据分类。
[0004]现有的深度学习时间序列分类方法有以下不足：（1）大多算法分类时无法分类多变量时间序列，且长度不同的序列无法进行分类。（2）时间序列的属性维度过高(即时间步长过长)。数据集的序列时间步长，导致序列在全局上的差异变得不明显，增加学习的难度。（3）需要大量数据，少量的时间序列无法完成训练和分类。

技术实现思路

[0005]本专利技术的目的提出了一种拖曳式传感器阵列中尺度涡时间序列卷积分类方法，以弥补现有技术的不足。
[0006]为达到上述目的，本专利技术提出的具体技术方案为：一种拖曳式传感器阵列中尺度涡时间序列卷积分类方法，该方法包括以下步骤：S1：利用拖曳式传感器阵列采集海剖面观测数据
‑
多维立体观测时间序列；S2: 对海剖面观测数据进行扩增，并标注样本类别；S3：建立时间卷积网络（TCN），选取具可区分性的最优Shapelet局部特征，并将多维立体观测时间序列转换为其与Shapelet的距离向量，并划分为训练样本和测试样本；S4：构建在线序列超限学习机（OS
‑
ELM），将S3得到的距离向量的训练样本及其对应的类别标签输入至在线序列超限学习机网络进行训练，再将测试样本输入至训练好的在线序列超限学习机网络模型，最终获得目标分类结果。
[0007]进一步的，所述S1中，首先搭建拖曳系统整体链路，再进行拖曳式传感器阵列布放与回收，采集拖曳式传感器阵列立体剖面观测数据。
[0008]进一步的，所述S3中，建立时间卷积网络（TCN）：网络结构由一维全卷积网络（Fully Convolutional Networks, FCN）和因果卷积（Casual Conventions）、膨胀卷积（Dilated Convolutions）、残差连接（Residual Connections）、最大池化层和线性层相结合；所述残差连接包含两层卷积层，引入线性整流函数（ReLU）作为激活函数，权重标准化（WeightNorm）实现正则化。
[0009]更进一步的，所述时间卷积网络的损失函数为：设ε是一个超参数，是正样本集和第一个负样本集之间的margin，是在正样本集和第二个负样本集之间的margin，则损失函数如下式所示：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)。
[0010]进一步的，所述S4中，所述在线序列超限学习机（OS
‑
ELM）模型表示为以下矩阵形式：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)其中，取作为训练样本，设作为训练样本，设，是连接第个隐藏神经元和输入神经元的权值向量，是连接第个隐藏神经元和输出神经元的权值向量，为隐藏神经元的数量，为激活函数。
[0011]本专利技术的优点和有益效果：本专利技术针对传统海洋环境观测手段高分辨率、海洋多参数立体观测能力不足的问题，基于电磁耦合的拖曳式传感器阵列组网集成与快捷布放技术，每个传感器模块包括海洋光学、温度、电导率和压力传感器，拖曳链水下顶端固定有定深潜航器，形成用于测量 200 米深海洋潜流、洋流尺度的在线观测装备。高精度、稳定、可靠的拖曳式传感器阵列采集到的水下时间序列数据十分庞大，但也对于采集到数据后的数据分类提出了挑战。
[0012]本专利技术再基于深度学习领域，速度更快，分类更准，可以更好地对传感器采集到的海洋数据进行分类，实现海洋环境立体监测。
附图说明
[0013]图1为本专利技术的整体流程图。
[0014]图2为残差块的结构图。
[0015]图3为FCN的结构图。
具体实施方式
[0016]为使本专利技术的目的、实施方案和优点更为清晰，下面结合附图并通过具体实施例来进一步详细说明本专利技术。
[0017]实施例1：一种拖曳式传感器阵列中尺度涡时间序列卷积分类方法，该方法包括以下步骤（如图1所示）：步骤一、搭建拖曳系统整体链路的，包括如下步骤：拖曳系统由甲板单元、拖曳链、定深潜航器、电极等组成。设拖曳缆总长度为L，共包含N
s
个传感器集成模块，设第节点到前一个节点的距离为L
i
。
[0018]拖曳式光学、温度、盐度、压力传感器阵列布放与回收，包括如下步骤：1）拖曳链布放与回收过程由甲板单元绞车、A架、模块组装与拆卸装置实施。设航速为，拖曳时间为，从水面到第个节点对应的缆长为，定深潜航器保证拖曳链底端在一定深度内开展立体剖面观测，实时测试张力以保证处于绞车承载力极限之内。
[0019]2）基于电磁耦合原理，拖曳系统在同一个传输链路实现非接触电能补给和数据传输，水上电控系统将直流电转换为高频交流信号，并为水下传感器集成模块供电并进行数据通信。设第个传感器集成模块采集的吸光度、荧光、温度、电导率、压力时间序列分别为，，，，，，，该多维立体观测时间序列集合为。
[0020]步骤二、将所采集到的拖曳式传感器阵列多维立体观测时间序列数据进行扩增。
[0021]1. 对拖曳式传感器阵列多维立体观测时间序列先拆分成一次子序列，然后将二次分解的子序列交替上下采样后合并，形成扩增子序列。对传感器集成模块多维立体观测时间序列分成m段获取子序列，设第j段的子序列长度为，。
[0022]2. 将上述子序列再行分解为个长度为的子序列，，，。对上述二次分解的第k个子序列进行上下交替采样，当时，采用步幅为的下采样获取子序列。当时，在第个子序列上插值，以步幅为的上采样获取子序列。将上述交替上下采样获取的子序列按顺序连接，合并为扩增子序列。设有个取值，经由取值的改变，将会得到种不同的扩增变换； 3) 设类别个数为M，为拖曳式传感器阵列多维立体观测时间序列首先分配M个原始标签，。进一步，根据上述种扩增变换，为每种类别再分配对应的自监督细节类别标签，，形成个
细分类别。
[0023]步骤三、建立时间卷积网络TCN网络（如图3所示），包括如下具体步骤：1. 时间卷积网络（TCN）是一维的全卷积网络（FCN）和因果卷积（Casual Conventions）相结合的网络，其卷积层结合了膨胀卷积（Dilated Convolutions）与因果卷积两种结构。从网络结构来看，TCN网络主要包括因果本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种拖曳式传感器阵列中尺度涡时间序列卷积分类方法，其特征在于，该方法包括以下步骤：S1：利用拖曳式传感器阵列采集海剖面观测数据，得到多维立体观测时间序列；S2: 对海剖面观测数据进行扩增，并标注样本类别；S3：建立时间卷积网络，选取具可区分性的最优Shapelet局部特征，并将多维立体观测时间序列转换为其与Shapelet的距离向量，并划分为训练样本和测试样本；S4：构建在线序列超限学习机，将S3得到的距离向量的训练样本及其对应的类别标签输入至在线序列超限学习机网络进行训练，再将测试样本输入至训练好的在线序列超限学习机网络模型，最终获得目标分类结果。2.如权利要求1所述的分类方法，其特征在于，所述S1中，首先搭建拖曳系统整体链路，再进行拖曳式传感器阵列布放与回收，采集拖曳式传感器阵列立体剖面观测数据。3....

【专利技术属性】
技术研发人员：年睿，卢宗灿，何波，张正光，高爽，翟颖，张卉，都奕，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：