(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211019592.2 (22)申请日 2022.08.24 (71)申请人 中国海洋大学 地址 266061 山东省青岛市崂山区松岭路 238号 (72)发明人 苗洪利　杨忠昊　常思远　毛鹏　 刘磊　张庆君　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 专利代理师 李圣梅 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的Stokes漂流反演方法 及系统 (57)摘要 本发明提供一种基于机器学习的Stokes漂 流反演方法及系统， 涉及海洋遥感技术领域， 该 方法包括： 获取风浪和涌浪的波参量， 并划分成 训练集和测试集； 构建随机森林模型， 确定出所 述随机森 林模型的配置参数； 根据所述配置参数 从训练集中提取多组训练子集； 从多组所述训练 子集中抽取数据作为所述随机森林模型中单棵 决策树的训练数据， 随机抽取特征作为单棵树的 训练特征， 对每棵决策树都进行单独的训练， 整 合随机森 林模型中所有决策树的训练结果， 得到 训练好的随机森 林模型； 基于训练好的随机森 林 模型， 对Stokes漂流进行反演， 确定Stokes漂流 的时空分布特征。 相对于现有的近似公式法， 通 过该方法可以精确地确定出Stokes漂流， 减小 Stokes漂流与实际观测值之间的偏差 。 权利要求书2页 说明书6页 附图2页 CN 115358150 A 2022.11.18 CN 115358150 A 1.一种基于 机器学习的Sto kes漂流反演方法， 其特 征在于， 包括： 获取风浪和涌浪的波参 量， 并划分成训练集和 测试集； 构建随机森林模型， 确定出 所述随机森林模型的配置参数； 根据所述配置参数从训练集中提取多组训练子集； 从多组所述训练子集中抽取数据作 为所述随机森林模型中单棵决策树的训练数据， 随机抽取特征作为单棵树的训练特征， 对 每棵决策树都进行单独的训练， 整合 随机森林模型中所有 决策树的训练结果， 得到训练好 的随机森林模型； 基于训练好的随机森林模型， 对Stokes漂流进行反演， 确定Stokes漂流的时空分布特 征。 2.如权利 要求1所述的基于机器学习的Stokes漂流反演方法， 其特征在于， 所述风浪和 涌浪的波参 量包括风浪和涌浪各自的有效波高、 平均波周期、 平均波向和峰值频率。 3.如权利 要求1所述的基于机器学习的Stokes漂流反演方法， 其特征在于， 在获取风浪 和涌浪的波参量之后， 构建随机森林模 型之前， 还包括： 对所述风 浪和涌浪的波参量进行归 一化处理， 将经归一 化处理后的波参 量划分成训练集和 测试集。 4.如权利 要求1所述的基于机器学习的Stokes漂流反演方法， 其特征在于， 基于 网格搜 索的方法确定所述 随机森林模型 的配置参数， 具体为： 将所述 随机森林模型中的各个需要 寻优的参数 的取值进行排列 组合， 将所有可能的组合列出并生成网格进行逐个训练， 确定 出所述随机森林模型的配置参数， 其中， 所述配置参数包括决策树棵树、 决策树的最大分支 深度、 节点划分最小样本数、 叶子节点 最小样本数和最大 特征数。 5.如权利 要求4所述的基于机器学习的Stokes漂流反演方法， 其特征在于， 从多组训练 子集中抽取数据， 所抽取 的数据占整体的比例为三分之二， 随机抽取特征 的个数取决于最 大特征数。 6.如权利 要求1所述的基于机器学习的Stokes漂流反演方法， 其特征在于， 每棵决策树 训练过程中的生长基于根节点的基尼不纯度最小化原则进行的。 7.如权利 要求1所述的基于机器学习的Stokes漂流反演方法， 其特征在于， 所述整合随 机森林模型中所有决策树的训练结果， 包括计算所有决策树训练结果的平均值。 8.如权利 要求1所述的基于机器学习的Stokes漂流反演方法， 其特征在于， 所述随机森 林模型包括U分量反演模型和V分量反演模 型， 所述U分量反演模 型用于对St okes漂流的U方 向分量进行反演， 所述V分量反演模型用于对 对Stokes漂流的V方向分量进行反演。 9.一种基于 机器学习的Sto kes漂流反演系统， 其特 征在于， 包括： 参量获取模块， 用于获取风浪和涌浪的波参 量， 并划分成训练集和 测试集； 参数确定模块， 用于构建随机森林模型， 确定出 所述随机森林模型的配置参数； 模型训练模块， 用于根据所述配置参数从训练集中提取多组训练子集； 从多组所述训 练子集中抽取数据作为所述随机森林模型中单棵决策树的训练数据， 随机抽取特征作为单 棵树的训练特征， 对每棵决策树都进行单独的训练， 整合 随机森林模型中所有 决策树的训 练结果， 得到训练好的随机森林模型； 反演模块， 用于基于训练好的随机森林模型， 对Stokes漂流进行反演， 确定Stokes漂流 的时空分布特 征。 10.如权利要求9所述的基于机器学习的Stokes漂流反演系统， 其特征在于， 所述风浪权　利　要　求　书 1/2 页 2 CN 115358150 A 2和涌浪的波参 量包括风浪和涌浪各自的有效波高、 平均波周期、 平均波向和峰值频率。权　利　要　求　书 2/2 页 3 CN 115358150 A 3