[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

说明书

本发明公开了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，包括：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。

技术领域

本发明涉及海洋测温，具体涉及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。

背景技术

回归树的本质是采用平方误差最小化的启发式方法对输入空间进行划 分，但训练样本所包含的空间是有限的。也就是说训练样本所包含的输入空 间并不能有效覆盖我们所要研究的所有空间，这也就意味着过拟合和局部空 间预测数据一致性是回归树方法所面临的两大难题。随机森林有效利用 Bagging集成学习方法在用不稳定模型作为成员模型时有很好的表现性能这 一特性，引入了随机向量子空间法这一不确定因素，进一步提高了预测性能， 有效避免了回归树模型的过拟合和局部空间预测数据一致性问题。对于特征较多的数据集，随机子空间法表现良好，但高分辨率海洋水温分布的问题仅 有三维特征，再加之数据集的规则化，一定程度上弱化了随机森林方法解决 回归树的局部空间预测数据一致性问题的能力，使得我们不能得到更高分辨 率的海洋水温分布数据。

发明内容

本发明设计开发了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，本发明的发明目的是解决数据不平衡导致海洋水温预测准确率 低的问题。

本发明提供的技术方案为：

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，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。

优选的是，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。

优选的是，在所述步骤二中，所述概率分布为

p(x)＝∫p_θ(x|z)p(z)d_z；

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。

优选的是，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

其中，L(θ，φ；x)＝E_qθ(z|x)[-lnq_θ(z|x)+lnp_θ(x，z)]，q_θ(z|x)代表，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。

优选的是，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。

优选的是，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。