(19)中华 人民共和国 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 202111675316.7
(22)申请日 2021.12.31
(71)申请人 中山大学
地址 510275 广东省广州市海珠区新港西
路135号
(72)发明人 任磊 王璞 黎明思 王雅琦
欧素英 黄硕 魏稳 胡湛
(74)专利代理 机构 广州嘉权专利商标事务所有
限公司 4 4205
代理人 梁嘉琦
(51)Int.Cl.
G06V 20/05(2022.01)
G06N 3/08(2006.01)
G06N 3/04(2006.01)
G06K 9/62(2022.01)G06V 10/774(2022.01)
G06V 10/82(2022.01)
(54)发明名称
基于图神经网络的涡旋识别方法及装置
(57)摘要
本发明公开了基于图神经网络的涡旋识别
方法及装置, 方法包括: 根据获取的海表漂流浮
标轨迹数据, 构建图神经网络模型; 接着获取待
检测浮标轨迹序列数据集; 最后将所述待检测浮
标轨迹序列数据集输入所述图神经网络模型, 得
到浮标轨迹预测轨迹。 本发明提高了效率和精
度, 方便检测。 本发明可广泛应用于图像处理技
术领域, 具体包括海 洋现象识别技 术领域。
权利要求书2页 说明书13页 附图3页
CN 114266954 A
2022.04.01
CN 114266954 A
1.基于图神经网络的涡旋识别方法, 其特 征在于, 包括:
根据获取的海表漂流 浮标轨迹数据, 构建图神经网络模型;
获取待检测浮标轨 迹序列数据集;
将所述待检测浮标轨迹序列数据集输入所述图神经网络模型, 得到浮标轨迹预测轨
迹。
2.根据权利要求1所述的基于图神经网络的涡旋识别方法, 其特征在于, 所述根据获取
的海表漂流 浮标轨迹数据, 构建图神经网络模型, 包括:
获取海表漂流 浮标轨迹数据;
对所述海表漂流 浮标轨迹数据进行 预处理, 得到目标 数据集;
构建图学习模块, 根据所述图学习模块建立图神经网络模型。
3.根据权利要求2所述的基于图神经网络的涡旋识别方法, 其特征在于, 所述对所述海
表漂流浮标轨迹数据进行 预处理, 得到目标 数据集, 包括:
对所述海表漂流 浮标轨迹数据进行变换和 增强处理, 得到第一数据集;
对所述第一数据集进行插值处理, 得到特征序列数据集, 将所述特征序列数据集作为
所述目标 数据集。
4.根据权利要求3所述的基于图神经网络的涡旋识别方法, 其特征在于, 所述对所述海
表漂流浮标轨迹数据进行变换和 增强处理, 得到第一数据集, 包括:
对所述海表漂流 浮标轨迹数据进行 经纬度坐标转换处 理, 得到第一数据;
对所述第一数据进行噪声处 理, 得到第二数据;
对所述第二数据进行 无效数据清洗处 理, 得到第三数据;
将所述第三数据包 装成所述第一数据集;
其中, 对所述海表漂流浮标轨迹数据进行经纬度坐标转换处理, 得到第一数据, 具体
为: 采用墨卡托投影法对所述海表漂流浮标轨迹数据进行映射, 将地理坐标 的经纬度转换
到墨卡托平面坐标;
所述经纬度坐标转换处 理的计算公式为:
x=r0×β
y=r0×q
其中, (a, β )代表海表漂流浮标运动轨迹点的经纬度; r0代表基准维度维圈半径; a代表
地球的椭圆长半径; q代表等量维度; (x,y)代表墨卡托平面坐标的直角坐标; e代表椭圆第
一偏心率。
5.根据权利要求4所述的基于图神经网络的涡旋识别方法, 其特征在于, 所述方法还包
括:
通过回路识别方法来确定所述海表漂流 浮标, 该步骤具体包括:
判断目标海表漂流浮标所处当前位置与历史位置之间的距离是否小于第一阈值, 若
是, 则确定所述目标海表漂流 浮标返回至所述历史位置;权 利 要 求 书 1/2 页
2
CN 114266954 A
2其中, 所述第一阈值 通过背景流速和样本时间 间隔的乘积来确定 。
6.根据权利要求3所述的基于图神经网络的涡旋识别方法, 其特征在于, 所述对所述第
一数据集进行插值处 理, 得到特 征序列数据集, 包括:
构建原始浮标轨 迹片段的时空序列, 并确定相邻浮标轨 迹点之间的时间 间隔;
遍历一个回路的浮标轨 迹的时空序列, 确定插 入点位置;
通过插值方法生成数据点, 并将所述数据点插入至所述插入点位置, 得到特征序列数
据集。
7.根据权利要求1所述的基于图神经网络的涡旋识别方法, 其特征在于, 所述获取待检
测浮标轨 迹序列数据集, 包括:
将当前时刻的时间戳数值减去前一时刻的时间戳数值作为当前浮标轨迹点的时间戳
变化属性;
在每一个回路的浮标轨迹 中, 选取8个连续的浮标轨迹点构成一个样本数据, 其中, 前7
个浮标轨 迹点作为历史浮标轨 迹点, 最后1个浮标轨 迹点作为未来 浮标轨迹点;
完成待检测浮标轨 迹序列数据集的构建;
其中, 所述待检测浮标轨 迹序列数据集能够输入图神经网络模型中直接计算。
8.根据权利要求1所述的基于图神经网络的涡旋识别方法, 其特征在于, 所述图神经网
络模型包括图学习模块、 图卷积模块、 时间卷积模块和输出模块;
其中, 图学习模块, 用于从输入数据中提取多个 变量的稀疏邻接矩阵;
图卷积模块, 用于处理各个变量之间的空间依赖性, 获取变量之间的相互依赖关系, 进
而构建一维卷积;
时间卷积模块, 用于通过 所述一维卷积来捕获变量的时间规 律;
输出模块, 用于 输出模型的预测结果;
其中, 所述图卷积模块与所述时间卷积模块交替分布, 每个所述时间卷积模块后面连
接有一个对应的图卷积模块;
所述图卷积模块包括两个Mix ‑Hop传播层, 其中, 所述Mix ‑Hop传播层用于处理单个节
点的inflow信息和outflow信息, 并将所述inflow信息和outflow信息相加后得到模块输出
信息。
9.基于图神经网络的涡旋识别装置, 其特 征在于, 包括:
第一模块, 用于根据获取的海表漂流 浮标轨迹数据, 构建图神经网络模型;
第二模块, 用于获取待检测浮标轨 迹序列数据集;
第三模块, 用于将所述待检测浮标轨迹序列数据集输入所述图神经网络模型, 得到浮
标轨迹预测轨 迹。
10.一种电子设备, 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8中任一项所述的方法。权 利 要 求 书 2/2 页
3
CN 114266954 A
3
专利 基于图神经网络的涡旋识别方法及装置
文档预览
中文文档
19 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共19页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 21:50:07上传分享