(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 202210931135.4 (22)申请日 2022.08.04 (71)申请人 南方海洋科学与工程广东省实验室 （珠海） 地址 519082 广东省珠海市中山大 学珠海 校区海琴四号D 832 申请人 中山大学 (72)发明人 韦骏　 (74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 余凯欢 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的地波雷达波浪场计算 方法及装置 (57)摘要 本发明公开了一种基于机器学习的地波雷 达波浪场计算方法及装置， 方法包括： 获取雷达 回波数据和海洋环境数据， 对所述雷达回波数据 和所述海洋环境数据进行数据预处理得到训练 数据； 根据所述训练数据确定第一雷达回波数据 和第一海表 面风场数据以及第一海洋环境数据； 通过第一神经网络对所述第一海洋环境数据进 行特征提取， 得到空间特征信息； 通过第二神经 网络对所述第一雷达回波数据和所述第一海表 面风场数据以及所述空间特征信息进行训练处 理， 生成波浪场反演模型； 根据所述波浪场反演 模型进行波浪反演计算。 本发明通过结合环境影 响因子的海洋环境数据实现空间特征信息的提 取， 提高了波浪场的反演精度， 可广泛应用于人 工智能技 术领域。 权利要求书2页 说明书10页 附图3页 CN 115438571 A 2022.12.06 CN 115438571 A 1.一种基于 机器学习的地波雷达波浪场计算方法， 其特 征在于， 包括： 获取雷达回波数据和海洋环境数据， 对所述雷达回波数据和所述海洋环境数据进行数 据预处理得到训练数据； 其中， 所述雷达回波数据包括雷达一阶峰以及二阶峰数据， 所述海 洋环境数据包括海表面风场数据和水下地形高程值数据； 所述训练数据包括训练集和测试 集； 根据所述训练数据确定第一雷达回波数据和第一海表面风场数据以及第一海洋环境 数据； 其中， 所述第一雷达回波 数据为目标计算点的雷达回波 数据， 所述第一海表面风场数 据为目标计算 点的海表面 风场数据， 所述第一海洋环境数据为第一海洋环境数据； 通过第一神经网络对所述第一海洋环境数据进行 特征提取， 得到空间特 征信息； 通过第二神经网络对所述第一雷达回波数据和所述第一海表面风场数据以及所述空 间特征信息进行训练 处理， 生成波浪场反演模型； 根据所述波浪场反演模型进行波浪反演计算。 2.根据权利要求1所述的一种基于机器学习的地波雷达波浪场计算方法， 其特征在于， 所述对所述雷达回波数据和所述海洋环境数据进行 数据预处 理得到训练数据， 包括： 对所述雷达回波数据和所述海洋环境数据进行归一 化处理得到训练数据； 所述归一 化处理的表达式为： 其中， Xi代表归一化结果； Xoriginal代表输入项中的原始数据； Xmax代表原始数据的最大 值； Xmin代表原始数据的最小值。 3.根据权利要求1所述的一种基于机器学习的地波雷达波浪场计算方法， 其特征在于， 所述对所述雷达回波数据和所述海洋环境数据进行 数据预处 理得到训练数据， 还 包括： 对训练数据进行随机分配； 其中， 所述训练数据80％的数据作为训练集， 其余20 ％的数 据作为测试集。 4.根据权利要求1所述的一种基于机器学习的地波雷达波浪场计算方法， 其特征在于， 所述通过第一神经网络对所述第一所述海洋环境数据进行特征提取， 得到空间特征信息， 包括： 通过卷积层对所述第一海表面风场数据和水下地形高程值数据进行卷积处理得到第 一特征； 通过池化层对所述第一特 征进行降温处 理得到第二特 征； 对所述第二特 征进行拉平处 理得到空间特 征信息； 所述空间特 征信息为 一维数组； 其中， 所述第一神经网络包括两个卷积层和一个池化层。 5.根据权利要求4所述的一种基于机器学习的地波雷达波浪场计算方法， 其特征在于， 所述通过第一神经网络对所述第一所述海洋环境数据进行特征提取， 得到空间特征信息， 还包括： 根据所述训练集， 确定所述卷积层的卷积核的数量和大小； 和， 通过same  padding方式对所述第一海表面风场数据和水下地形高程值数据进行边 界填充处 理。 6.根据权利要求1所述的一种基于机器学习的地波雷达波浪场计算方法， 其特征在于，权　利　要　求　书 1/2 页 2 CN 115438571 A 2所述通过第二神经网络对所述第一雷达回波数据和所述第一海表面风场数据以及所述空 间特征信息进行训练 处理， 生成波浪场反演模型， 包括： 通过所述第一雷达回波数据和所述第一海表面风场数据以及所述空间特征信息输入 所述第二神经网络的输入层， 作为输入项数据； 选取Tansig函数作为输入层到隐藏层的传递函数， Purelin函数作为隐藏层到输出层 的传递函数； 根据所述输入项数据， 分别使用Trainlm函数、 Trainb r函数和Trainscg函数进行训练， 选取训练结果和 测试结果都满足预设要求的目标训练函数； 计算隐藏层的神经 元数； 根据所述目标训练函数， 在所述第二神经网络中通过前向传播或误差反向传播， 修正 所述第二神经网络各层间的权值和阈值， 直到 达到目标最小误差； 根据所述输入项数据， 训练所述第 二神经网络， 确定所述第 二神经网络的网络结构， 生 成波浪场反演模型。 7.根据权利要求6所述的一种基于 机器学习的地波雷达波浪场计算方法， 其特 征在于， 所述隐藏层的神经 元数的计算公式为： 其中， p代表隐藏层的神经元个数； m代表输入层的神经元个数； n代表输出层的神经元 个数。 8.一种基于 机器学习的地波雷达波浪场计算装置， 其特 征在于， 包括： 第一模块， 用于获取雷达回波数据和海洋环境数据， 对所述雷达回波数据和所述海洋 环境数据进行数据预处理得到训练数据； 其中， 所述雷达回波数据包括雷达一阶峰以及二 阶峰数据， 所述海洋环境数据包括海表面风场数据和水下地形高程值数据； 所述训练数据 包括训练集和 测试集； 第二模块， 用于根据 所述训练数据确定第 一雷达回波数据和第 一海表面风场数据以及 第一海洋环境数据； 其中， 所述第一雷达回波数据为目标计算点的雷达回波数据， 所述第一 海表面风场数据为目标计算点的海表面风场数据， 所述第一海洋环境数据为第一海洋环境 数据； 第三模块， 用于通过第一神经网络对所述第一海洋环境数据进行特征提取， 得到空间 特征信息； 第四模块， 用于通过第 二神经网络对所述第 一雷达回波数据和所述第 一海表面风场数 据以及所述空间特 征信息进行训练 处理， 生成波浪场反演模型； 第五模块， 用于根据所述波浪场反演模型进行波浪反演计算。 9.一种电子设备， 其特 征在于， 包括处 理器以及存 储器； 所述存储器用于存 储程序； 所述处理器执行所述程序实现如权利要求1至7中任一项所述的方法。 10.一种计算机可读存储介质， 其特征在于， 所述存储介质存储有程序， 所述程序被处 理器执行实现如权利要求1至7中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115438571 A 3