申请/专利权人：青岛杰瑞工控技术有限公司

申请日：2024-04-03

公开（公告）日：2024-07-05

公开（公告）号：CN118296553A

主分类号：G06F18/25

分类号：G06F18/25;G06F18/213;G06F18/15;G06F18/241;G06N3/045;G06N3/0464;G06N3/096;G06N3/048

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.07.23#实质审查的生效;2024.07.05#公开

摘要：本发明属于深度学习技术领域，公开了基于T2T‑ViT网络的多源异构海洋观测数据融合方法，包括步骤S1、采集海洋数据：通过智能漂流浮标获取多源异构观测数据，包括海洋大气信息、海洋垂直剖面信息和海洋表层信息，步骤S2、数据归一化技术数据预处理；步骤S3、多源异构观测数据融合：将步骤S2预处理后的数据输入多模态网络，通过多模态网络融合不同模态的数据，实现对海洋数据的分类，辅助海洋观测人员进行海况分析与处理。通过本发明实现多源异构海洋数据的融合，提高了海洋状况分类的准确性。

主权项：1.基于T2T-ViT网络的多源异构海洋观测数据融合方法，其特征在于，包括以下步骤：步骤S1、采集海洋数据：通过智能漂流浮标获取海洋数据，海洋数据包括海洋大气信息、海洋垂直剖面信息和海洋表层信息，海洋大气信息包括海表温度、风速、湿度，海洋垂直剖面信息包括温度剖面、盐度剖面、压力剖面、流场，海洋表层信息包括波浪流速、流向、波高；采集的海洋数据构成多源异构观测数据；步骤S2、采用数据归一化方法进行数据预处理：将多源异构观测数据中每种信息的前n天数据转换成2维数据；采用数据归一化方法处理海洋观测数据；步骤S3、多源异构观测数据融合：将步骤S2预处理后的数据输入多模态网络，不同的感知方式或数据来源被称为不同的模态，通过多模态网络融合不同模态的数据，其中所述多模态网络包括卷积神经网络、T2T-ViT网络、全连接层和softmax层，首先将不同模态的数据送入卷积神经网络，然后利用T2T-ViT网络提取特征并进行融合，建模重要的局部结构，通过自注意力机制调整关键影响因素的权重，最后通过全连接层和Softmax层实现对海洋数据的分类，辅助海洋观测人员进行海况分析与处理。

全文数据：

权利要求：

百度查询： 青岛杰瑞工控技术有限公司 基于T2T-ViT网络的多源异构海洋观测数据融合方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD