[发明专利]一种基于变分自编码器的启发式高分辨率海洋水温分布建立方法

权利要求书

1.一种基于变分自编码器的启发式高分辨率海洋水温分布建立方法，其特征在于，包括如下步骤：

步骤一、采集待测试区域中海洋水温的垂直观测值；

步骤二、根据变分自编码器得到所述垂直观测值在垂直观测层上的概率分布；

步骤三、根据所述概率分布得到受采样影响模型所求得的解空间，并根据所述解空间得到启发式网络；

步骤四、建立所述解空间和所述启发式网络的海洋水温分布模型，进而得到待测试区域中海洋水温；

式中，f(x_i)表示样本真实解空间中的一个解，也即f(x₁)，f(x₂)，…，f(x_n)，是以经度、纬度、深度为输入和海洋水温为输出的深度回归学习模型，用于预测空间中某一点的海洋水温；启发式网络h(X；θ)用于解决数据不平衡导致回归学习模型的预测准确降低问题。

2.如权利要求1所述的基于变分自编码器的启发式高分辨率海洋水温分布建立方法，其特征在于，在所述步骤一中，所述待测试区域的经度范围为95°W～115°W，纬度范围为9.5°N～9.5°S，深度范围为0～1975m。

3.如权利要求2所述的基于变分自编码器的启发式高分辨率海洋水温分布建立方法，其特征在于，在所述步骤二中，所述概率分布为

式中，x代表垂直观测值，z代表隐变量，θ代表自动编码器中解码器的网络层参数，p_θ(x|z)代表由重构的似然函数，p(z)代表满足高斯分布的噪声。

4.如权利要求1所述的基于变分自编码器的启发式高分辨率海洋水温分布建立方法，其特征在于，在所述步骤二中，在确定所述概率分布的过程中，所述变分自编码器的编码网络和解码网络的优化目标函数为θ，φ＝arg max_θ，φL(θ，φ；x)；

其中，φ代表自动编码器中编码器的网络层参数，θ代表自动编码器中解码器的网络层参数。

5.如权利要求2所述的基于变分自编码器的启发式高分辨率海洋水温分布建立方法，其特征在于，在所述步骤二中，在变分自编码器中，采用神经网络模型建立解码网络，包括输入层、输出层和两层隐层，相邻两层之间的神经元采用全连接方式连接，同一层之间的神经元无连接；输入层的神经元个数为16，两层隐层的神经元个数均为128，输出层的神经元个数为57；各神经元的激活函数采用的ReLU激活函数。

6.如权利要求5所述的基于变分自编码器的启发式高分辨率海洋水温分布建立方法，其特征在于，在所述步骤三中，所述概率分布和所述启发式网络通过MSE损失函数进行训练调参。

7.如权利要求5所述的基于变分自编码器的启发式高分辨率海洋水温分布建立方法，其特征在于，在所述步骤三，采用神经网络模型建立所述启发式网络，包括输入层、输出层和两层隐层，相邻两层之间的神经元采用全连接方式连接，同一层之间的神经元无连接；输入层的神经元个数为57，两层隐层的神经元个数均为128，输出层的神经元个数1；输入层和隐层的各神经元的激活函数采用的ReLU激活函数，输出层的激活函数为Tanh激活函数。

8.如权利要求3所述的基于变分自编码器的启发式高分辨率海洋水温分布建立方法，其特征在于，在所述步骤四中，采用神经网络模型建立海洋水温分布模型，包括输入层、输出层和三层隐层，相邻两层之间的神经元采用全连接方式连接，同一层之间的神经元无连接；输入层的神经元个数为3，第一、二层隐层的神经元个数均为100；第三层隐层的神经元个数为101，输出层的神经元个数1；各神经元的激活函数采用的ReLU激活函数。

9.如权利要求8所述的基于变分自编码器的启发式高分辨率海洋水温分布建立方法，其特征在于，还包括：将经度和纬度映射到所述隐变量所对应的空间所使用的空间映射网络，包括输入层、输出层和两层隐层，相邻两层之间的神经元采用全连接方式连接，同一层之间的神经元无连接；输入层的神经元个数为2，第一层隐层的神经元个数均为128，第二层隐层的神经元个数均为64，输出层的神经元个数16；输入层和隐层的各神经元的激活函数采用的ReLU激活函数，输出层的激活函数为Sigmoid激活函数。