申请/专利权人：中国海洋大学

申请日：2024-03-14

公开（公告）日：2024-04-16

公开（公告）号：CN117892096A

主分类号：G06F18/20

分类号：G06F18/20;G06N3/096;G06N3/0442

优先权：

专利状态码：在审-公开

法律状态：2024.04.16#公开

摘要：本发明公开了一种基于迁移学习的小样本海洋声速剖面预报方法，属于海洋观测技术领域。本发明首先利用全球公开数据集中的大量声速剖面数据对基础模型进行充分预训练；其次将学习到的经验和参数从预训练后的基础模型迁移到任务模型；最后利用目标新任务相关的小样本数据对任务模型进行微调，进而实现在小样本情况下的声速剖面准确预报。本发明相比于传统的声速剖面预测方法，有效地避免了小样本情况下的过拟合现象提高了预测精度，同时加速了模型的收敛速度，使其具有更加高效而可靠的预测能力。本发明能够快速实现对目标区域未来时刻声速剖面的准确预报，不仅能够兼顾预测的准确性和时效性，还具有较强的泛化能力。

主权项：1.一种基于迁移学习的小样本海洋声速剖面预报方法，其特征在于，该方法包括：S1：历史声速剖面数据集获取：历史声速剖面数据集的获取主要分为基础模型数据集获取和任务模型数据集获取；S2：数据标准化处理：包括基础模型数据和任务模型数据的标准化处理；S3：选取迁移学习框架内部模型：提出了一种分层长短期记忆神经网络作为迁移学习框架的基础模型和任务模型；S4：搭建内部HLSTM模型：模型共有4层结构：输入层、HLSTM层、全连接层和输出层；输入层的输入是分层时间标准化数据集每层的声速时间序列；为每一个深度层分别构建一个HLSTM网络，取1层HLSTM层作为隐含层，然后在隐含层和输出层之间添加一个具有线性激活函数的全连接层；最后输出层的输出是预测的未来时刻相应深度层的声速值；S5：对基础模型预训练：海域1~n的基础模型构建完毕后，用不同海域的大量分层时间标准化数据集对相应基础模型的每一深度层的H-LSTM分别进行充分预训练；S6：针对基础模型进行收敛验证；S7：模型迁移：将S6中保存的多海域基础模型及相应参数迁移到不同的任务模型，这些任务模型具有与基础任务数据相关的先验知识；S8：最佳模型匹配：将目标小样本任务数据集与基础任务数据集进行比对；S9：针对任务模型进行微调；S10：全海深声速剖面预测。

全文数据：

权利要求：

百度查询： 中国海洋大学 一种基于迁移学习的小样本海洋声速剖面预报方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD