一种基于深度聚类的水下声速序列分类方法

本发明属于海洋数据分析的一种水下声速序列分类方法，尤其涉及一种基于深度聚类的水下声速序列分类方法。

背景技术：

1、声速随深度变化情况用声速序列来表示，海水声速序列则反映了局部海区垂直方向上的结构特征。海洋声速对海水深度精确测量、海洋灾害预警等方面起着十分重要的作用，同时也是海上军事活动最重要的参数，很大程度上影响着军事活动的策划和行动等。

2、由于声速序列是影响海水中声传播的重要因素之一，长期以来声速序列的分类问题受到国内外学者的广泛关注。随着通信技术的飞速发展，采集与传输的能力也变得日渐强大，这使得数据不仅会拥有更大的规模、更高的维度，结构特征也逐渐变得复杂，如何有效地提取出庞大的数据集中的特征信息，并提高对声速序列进行分类的效果是目前亟待解决的问题。

3、现有的智能化声速序列分类方法，如模糊c均值聚类算法，自组织神经网络等，尽管均证实了方法的可行性，但研究的数据集小，声速序列类型本身较少，当应用于较大海域时，分类结果趋向识别出占比大的声速序列类型，而具有一定占比但体量较小的声速序列类型识别结果不尽人意。

技术实现思路

1、本发明的目的在于针对现有技术的不足，提供了一种基于深度聚类的水下声速序列分类方法。

2、本发明的目的是通过以下技术方案来实现的：

3、1)将海域的各条原始声速曲线序列均进行深度信息分割，获得各个深度区的多条原始声速曲线序列；

4、2)利用最小二乘法和全局优化算法对各条原始声速曲线序列分别进行多段线性拟合，结合原曲线分段梯度离差和以及拟合阈值，分别筛选获得对应的声速线段序列；

5、3)各个深度区的声速线段序列分别输入到对应的深度聚类模型进行聚类，聚类获得各个深度区中所有声速线段序列的类别。

6、所述1)中，还对同一个深度区的原始声速曲线序列进行深度归一化，获得当前深度区的归一化声速曲线序列，归一化公式如下：

7、ci′＝λ×ci

8、zi′＝λ×zi

9、λ＝z*/zmax

10、其中，ci′为当前深度区第i个原始声速曲线序列对应的归一化声速曲线序列，ci表示当前深度区第i个原始声速曲线序列，zi′为当前深度区第i个原始声速曲线序列的归一化深度，zi表示当前深度区第i个原始声速曲线序列的原始深度，λ表示深度归一化系数，z*为当前深度区的深度阈值，zmax为当前深度区中采集原始声速曲线序列的最大深度。

11、所述2)中，对于每条原始声速曲线序列，利用最小二乘法和全局优化算法进行多段线性拟合后，获得不同拟合段数下的多条声速线段序列，根据原曲线分段梯度离差和以及拟合阈值对不同拟合段数下的多条声速线段序列进行筛选，获得最优的声速线段序列。

12、所述拟合阈值为声速线段序列与原始声速曲线序列之间平方残差之和；

13、所述原曲线分段梯度离差和的计算公式如下：

14、vn(n|0,z1,…,zn-1,zmax)＝vn(n|0,z1)+…+vn(n|zn-1,zmax)

15、

16、

17、其中，vn(n|0,z1)表示分成n段的情况下，深度0至z1的梯度离差和，n表示声速线段序列的线段数，xk表示分段点i到分段点j的梯度序列，vij表示分段点i到分段点j的梯度变差，xij表示分段点i到分段点j的梯度均值，i,j＝0,z1,…,zn-1,zmax，zn-1表示分段点n-1处的海区深度，zmax表示当前深度区中采集原始声速曲线序列的最大深度。

18、所述2)中，当分段最少的声速线段序列对应的原曲线分段梯度离差和小于2时，则分段最少的声速线段序列为最优的声速线段序列，否则则将满足收敛条件的声速线段序列作为最优的声速线段序列。

19、所述收敛条件为当前拟合段数下的声速线段序列对应的原曲线分段梯度离差和小于当前拟合段数减一的声速线段序列对应的原曲线分段梯度离差和的0.5倍，并且大于当前拟合段数加一的声速线段序列对应的原曲线分段梯度离差和的2倍，同时当前拟合段数下的声速线段序列的拟合阈值还小于当前拟合段数减一的声速线段序列的拟合阈值的0.5倍。

20、所述3)中，深度聚类模型为深度卷积嵌入聚类模型。

21、本发明的有益效果是：

22、1)本发明考虑到因测量、计算近似等误差影响，声速序列存在一定的抖动，利用最小二乘法和全局优化算法对声速序列进行拟合，通过原曲线分段梯度离差和及拟合阈值共同作用选定最优拟合序列，改善原方法因阈值选取不当易产生过拟合现象。

23、2)针对由于聚类数据规模较大，声速序列特征难以设计和计算的问题，本发明利用神经网络自动提取声速序列内部特征和簇的划分，将输入数据映射到隐层特征空间，不断迭代优化重构损失和聚类损失。相比于传统聚类算法，深度聚类能够挖掘到数据的隐含特征，识别出更多的声速序列类型。

技术特征：

1.一种基于深度聚类的水下声速序列分类方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种基于深度聚类的水下声速序列分类方法，其特征在于，所述1)中，还对同一个深度区的原始声速曲线序列进行深度归一化，获得当前深度区的归一化声速曲线序列，归一化公式如下：

3.根据权利要求1所述的一种基于深度聚类的水下声速序列分类方法，其特征在于，所述2)中，对于每条原始声速曲线序列，利用最小二乘法和全局优化算法进行多段线性拟合后，获得不同拟合段数下的多条声速线段序列，根据原曲线分段梯度离差和以及拟合阈值对不同拟合段数下的多条声速线段序列进行筛选，获得最优的声速线段序列。

4.根据权利要求1所述的一种基于深度聚类的水下声速序列分类方法，其特征在于，所述拟合阈值为声速线段序列与原始声速曲线序列之间平方残差之和；

5.根据权利要求3所述的一种基于深度聚类的水下声速序列分类方法，其特征在于，所述2)中，当分段最少的声速线段序列对应的原曲线分段梯度离差和小于2时，则分段最少的声速线段序列为最优的声速线段序列，否则则将满足收敛条件的声速线段序列作为最优的声速线段序列。

6.根据权利要求5所述的一种基于深度聚类的水下声速序列分类方法，其特征在于，所述收敛条件为当前拟合段数下的声速线段序列对应的原曲线分段梯度离差和小于当前拟合段数减一的声速线段序列对应的原曲线分段梯度离差和的0.5倍，并且大于当前拟合段数加一的声速线段序列对应的原曲线分段梯度离差和的2倍，同时当前拟合段数下的声速线段序列的拟合阈值还小于当前拟合段数减一的声速线段序列的拟合阈值的0.5倍。

7.根据权利要求1所述的一种基于深度聚类的水下声速序列分类方法，其特征在于，所述3)中，深度聚类模型为深度卷积嵌入聚类模型。

技术总结
本发明公开了一种基于深度聚类的水下声速序列分类方法。方法包括：首先将海域的各条原始声速曲线序列均进行深度信息分割，获得各个深度区的多条原始声速曲线序列；再利用最小二乘法和全局优化算法对各条原始声速曲线序列分别进行多段线性拟合，结合原曲线分段梯度离差和以及拟合阈值，分别筛选获得对应的声速线段序列；最后，各个深度区的声速线段序列分别输入到对应的深度聚类模型进行聚类，聚类获得各个深度区中所有声速线段序列的类别。相比于传统聚类算法，本发明深度聚类能够挖掘到数据的隐含特征，识别出更多的声速序列类型。

技术研发人员：李建龙,赵益
受保护的技术使用者：浙江大学
技术研发日：
技术公布日：2024/1/12