【技术实现步骤摘要】
本专利技术涉及海洋数据监测，尤其是涉及一种基于多尺度特征融合的海洋数字孪生优化方法及系统。
技术介绍
1、海洋环境复杂多变，传统的试验和开发方式存在效率低、成本高、风险大的问题。特别是在海洋装备的研发与试验中，长期依赖于传统物理模型试验，难以动态适应真实海况和环境变化，导致开发周期长、迭代效率低。近年来，数字孪生技术的兴起为解决这一问题提供了新的思路。数字孪生通过将物理对象的行为、状态与虚拟环境实时映射，支持装备从设计、制造到使用、维护的全生命周期优化管理。特别是在海洋场景中，数字孪生可以通过整合多源异构数据和多尺度信息，实现对复杂海洋环境及装备运行状态的高效建模与精准仿真。现有的方法在一定程度上能解决以上的问题，但还是表现出了以下的不足：1.多尺度特征融合的技术瓶颈，海洋环境中的数据维度复杂，特征跨越时间域、空间域等多个尺度，传统方法难以有效融合这些多尺度特征。2.实时性和鲁棒性不足，现有模型在处理大规模海洋数据时的实时性较低，对噪声和异常环境的鲁棒性较差，无法适应实际应用中的动态变化。3.全生命周期集成不足，数字孪生技术在设计、制造和运行阶段的应用多有研究，但缺乏从数据采集到反馈优化的全流程集成解决方案。
2、目前，对海洋数字孪生数据优化中还存在以下不足：1.多尺度特征建模不足：现有方法对海洋环境中的时间域、空间域和语义域多尺度特征的表达与融合能力不足，无法全面准确地刻画复杂的海洋动态环境。2.实时性与鲁棒性较差：在面对复杂的海洋环境变化时，传统模型往往难以在保证高效处理的同时具备足够的鲁棒性，容易受到环境噪声和
技术实现思路
1、为了解决上述提到的问题，本专利技术提供一种基于多尺度特征融合的海洋数字孪生优化方法及系统。
2、第一方面，本专利技术提供的一种基于多尺度特征融合的海洋数字孪生优化方法，采用如下的技术方案：
3、一种基于多尺度特征融合的海洋数字孪生优化方法，包括：
4、获取海洋环境多源数据；
5、对获取的海洋环境多源数据进行数据预处理；
6、基于数字孪生模型对多源数据进行特征提取和特征融合；
7、将融合后的特征通过维度对齐转化为统一的特征表示；
8、基于融合的特征对数字孪生模型进行优化；
9、利用优化后的数字孪生模型进行海洋环境多源数据预测。
10、进一步地，所述获取海洋环境多源数据，包括利用多传感器网络和固定传感器、无人机、卫星多平台系统协同作业的方式进行多模态、多尺度数据采集，传感器生成的时间序列数据表示为：
11、
12、其中，为第个传感器在时间t的输出， m为特征维度；
13、利用无人机和卫星从多角度采集多通道图像，图像数据表示为：
14、
15、其中，h为图像高度，w为图像宽度，c为通道数。
16、进一步地，所述对获取的海洋环境多源数据进行数据预处理，包括分别对时间序列数据和图像数据采用差异性优化策略，以消除数据之间的差异性，其中，对于时间序列数据，应用线性插值法对缺失值进行补全，确保数据的连续性和完整性，再通过归一化处理将特征值调整到统一范围；对于图像数据的预处理，首先通过高斯滤波去除噪声，提升图像的清晰度和稳定性。
17、进一步地，所述基于数字孪生模型对多源数据进行特征提取和特征融合，包括通过改进的时空卷积网络st-cnn提取时间序列数据的动态特征，以捕捉其在时间维度上的变化趋势，利用中值增强空间通道注意力网络mecs提取图像数据的多尺度特征，以强化其对空间分布的表达能力，其中，对增强后的特征进行分解提取不同分辨率的特征，并按照通道进行分组，得到不同通道的特征，最后通过双时融合网络bfm对不同通道的时序特征和图像特征进行加权融合，将多模态数据整合为统一的特征表示，用于建模。
18、进一步地，所述将融合后的特征通过维度对齐转化为统一的特征表示，包括通过线性投影和广播机制将两种模态映射到统一的特征空间，其中，先进行时序特征的投影与扩展，再进行图像特征投影，通过特征拼接后生成注意力分布，将两种模态的特征按注意力权重进行加权融合，并对融合结果 进行多尺度卷积优化，提取局部和全局的特征信息。
19、进一步地，所述基于融合的特征对数字孪生模型进行优化，包括根据融合后的特征，利用由预测误差损失和正则化项组成的损失函数训练模型，其中，预测误差部分采用均方误差（mse）来评估预测结果的准确性，为了防止模型在训练过程中因过度拟合而丧失泛化性能，引入正则化项到损失函数中，以对模型参数的复杂度进行约束；同时使用adam优化算法，通过动态调整学习率，结合一阶和二阶动量的累积信息，在非凸优化问题中优化模型参数，并在adam的基础上引入了梯度裁剪，防止梯度爆炸对训练过程的干扰。
20、进一步地，所述利用优化后的数字孪生模型进行海洋环境多源数据预测，包括将优化后的数字孪生模型部署到实际场景中，实时进行监控与仿真，并通过模型预测的目标变量与观测值的对比计算误差，其中对于时间序列数据，基于预测值与观测值之间的均方误差 mse，设定阈值为0.05，即预测值与真实值之间的误差平方平均值小于 5%；对于图像特征预测，基于像素点误差的平均绝对差 mae，设定阈值为 3%，即像素值误差占图像灰度值范围的比例小于 3%，计算误差表示为：
21、
22、其中，目标变量，观测值。
23、第二方面，一种基于多尺度特征融合的海洋数字孪生优化系统，包括：
24、数据获取模块，被配置为，获取海洋环境多源数据；
25、预处理模块，被配置为，对获取的海洋环境多源数据进行数据预处理；
26、特征模块，被配置为，基于数字孪生模型对多源数据进行特征提取和特征融合；
27、转化模块，被配置为，将融合后的特征通过维度对齐转化为统一的特征表示；
28、优化模块，被配置为，基于融合的特征对数字孪生模型进行优化；
29、预测模块，被配置为，利用优化后的数字孪生模型进行海洋环境多源数据预测。
30、第三方面，本专利技术提供一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于多尺度特征融合的海洋数字孪生优化方法。
31、第四方面，本专利技术提供一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于多尺度特征融合的海洋数字孪生优化方法。...
【技术保护点】
1.一种基于多尺度特征融合的海洋数字孪生优化方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多尺度特征融合的海洋数字孪生优化方法，其特征在于，所述获取海洋环境多源数据，包括利用多传感器网络和固定传感器、无人机、卫星多平台系统协同作业的方式进行多模态、多尺度数据采集，传感器生成的时间序列数据表示为：
3.根据权利要求2所述的一种基于多尺度特征融合的海洋数字孪生优化方法，其特征在于，所述对获取的海洋环境多源数据进行数据预处理，包括分别对时间序列数据和图像数据采用差异性优化策略，以消除数据之间的差异性，其中，对于时间序列数据，应用线性插值法对缺失值进行补全，确保数据的连续性和完整性，再通过归一化处理将特征值调整到统一范围；对于图像数据的预处理，首先通过高斯滤波去除噪声，提升图像的清晰度和稳定性。
4.根据权利要求3所述的一种基于多尺度特征融合的海洋数字孪生优化方法，其特征在于，所述基于数字孪生模型对多源数据进行特征提取和特征融合，包括通过改进的时空卷积网络ST-CNN提取时间序列数据的动态特征，以捕捉其在时间维度上的变化趋势，利用中值增强空
5.根据权利要求4所述的一种基于多尺度特征融合的海洋数字孪生优化方法，其特征在于，所述将融合后的特征通过维度对齐转化为统一的特征表示，包括通过线性投影和广播机制将两种模态映射到统一的特征空间，其中，先进行时序特征的投影与扩展，再进行图像特征投影，通过特征拼接后生成注意力分布，将两种模态的特征按注意力权重进行加权融合，并对融合结果进行多尺度卷积优化，提取局部和全局的特征信息。
6.根据权利要求5所述的一种基于多尺度特征融合的海洋数字孪生优化方法，其特征在于，所述基于融合的特征对数字孪生模型进行优化，包括根据融合后的特征，利用由预测误差损失和正则化项组成的损失函数训练模型，其中，预测误差部分采用均方误差MSE来评估预测结果的准确性，为了防止模型在训练过程中因过度拟合而丧失泛化性能，引入正则化项到损失函数中，以对模型参数的复杂度进行约束；同时使用Adam优化算法，通过动态调整学习率，结合一阶和二阶动量的累积信息，在非凸优化问题中优化模型参数，并在Adam的基础上引入了梯度裁剪，防止梯度爆炸对训练过程的干扰。
7.根据权利要求6所述的一种基于多尺度特征融合的海洋数字孪生优化方法，其特征在于，所述利用优化后的数字孪生模型进行海洋环境多源数据预测，包括将优化后的数字孪生模型部署到实际场景中，实时进行监控与仿真，并通过模型预测的目标变量与观测值的对比计算误差，其中对于时间序列数据，基于预测值与观测值之间的均方误差 MSE，设定阈值为0.05，即预测值与真实值之间的误差平方平均值小于 5%；对于图像特征预测，基于像素点误差的平均绝对差 MAE，设定阈值为 3%，即像素值误差占图像灰度值范围的比例小于 3%，计算误差表示为：
8.一种基于多尺度特征融合的海洋数字孪生优化系统，其特征在于，包括：
9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行如权利要求1所述的方法。
10.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行如权利要求1所述的方法。
...【技术特征摘要】
1.一种基于多尺度特征融合的海洋数字孪生优化方法，其特征在于，包括：
2.根据权利要求1所述的一种基于多尺度特征融合的海洋数字孪生优化方法，其特征在于，所述获取海洋环境多源数据，包括利用多传感器网络和固定传感器、无人机、卫星多平台系统协同作业的方式进行多模态、多尺度数据采集，传感器生成的时间序列数据表示为：
3.根据权利要求2所述的一种基于多尺度特征融合的海洋数字孪生优化方法，其特征在于，所述对获取的海洋环境多源数据进行数据预处理，包括分别对时间序列数据和图像数据采用差异性优化策略，以消除数据之间的差异性，其中，对于时间序列数据，应用线性插值法对缺失值进行补全，确保数据的连续性和完整性，再通过归一化处理将特征值调整到统一范围；对于图像数据的预处理，首先通过高斯滤波去除噪声，提升图像的清晰度和稳定性。
4.根据权利要求3所述的一种基于多尺度特征融合的海洋数字孪生优化方法，其特征在于，所述基于数字孪生模型对多源数据进行特征提取和特征融合，包括通过改进的时空卷积网络st-cnn提取时间序列数据的动态特征，以捕捉其在时间维度上的变化趋势，利用中值增强空间通道注意力网络mecs提取图像数据的多尺度特征，以强化其对空间分布的表达能力，其中，对增强后的特征进行分解提取不同分辨率的特征，并按照通道进行分组，得到不同通道的特征，最后通过双时融合网络bfm对不同通道的时序特征和图像特征进行加权融合，将多模态数据整合为统一的特征表示，用于建模。
5.根据权利要求4所述的一种基于多尺度特征融合的海洋数字孪生优化方法，其特征在于，所述将融合后的特征通过维度对齐转化为统一的特征表示，包括通过线性投影和广播机制将两种模态映射到统一的特征空间，其中，先进行时序特征的投影与扩展，再进行图像特征投影，通过特征拼接后生成注意力分布，将两种模态...
【专利技术属性】
技术研发人员：马元庆，苏博，由丽萍，李淑君，李志林，刘昕，
申请(专利权)人：山东省海洋资源与环境研究院山东省海洋环境监测中心，山东省水产品质量检验中心，
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。