【每周优选】广东海洋大学专利成果转让

专利摘要：本发明公开了一种利用罗斯比波动模态进行声速剖面降维表示的方法，涉及声速剖面降维领域。其包括以下步骤：对目标海域的层化特征进行量化；基于布伦特‑维萨拉频率进行罗斯比波动模态计算，获取前五阶罗斯比波动模态；基于层化温度剖面的温度梯度，将0～5阶罗斯比波动模态分别转化为声速扰动模态；获取各个声速扰动模态在进行声速剖面重构过程中的系数；通过声速剖面重构过程中的系数，对声速剖面进行表示及重构。本方法可以快速重构出任何符合物理规律的声速剖面，为声呐系统探测性能保障提供支撑。本方法对样本的要求非常低，甚至可以在没有海域历史测量样本的情况下，依靠WOA23等全球海洋数据产品实施。

专利摘要：本发明通过获取天气预报数值，分别构建气象特征数据与目标风速数据的灰度图像；基于所述目标风速数据灰度图像，执行二次阈值分割操作，得到四个数值区间的风速灰度图像；根据气象特征序列数据与目标风速序列数据，进行特征相关性分析，得到各气象特征与目标风速的影响值；通过所述影响值，对所述气象特征数据进行随机性筛选，基于所述输入数据与所述四个数值区间的风速灰度图像，得到输入图像与输出图像的映射关系图像；将映射关系图像展开为时间序列数据后，进行四个数值区间的目标风速序列预测并进行集成对比。本发明通过对图像进行二次阈值分割和气象特征随机性筛选，达到降低风速预测的不确定性，提高风速预测的精度与数值天气预报的准确性。

专利摘要：本发明公开了一种基于周期性分析非负矩阵分解的虾叫识别方法，其领域为养殖技术领域。本发明引入具有自学习能力的周期性分析非负矩阵分解算法，将原始声学数据分解为基矩阵和编码矩阵，提取关于每个声源时间变化的初步信息，可以有效分离自然环境噪声和生物叫声，并具备对不同信号的强大自适应能力，实现了无监督的噪声分离，提高了识别的准确性和时效性，适应动态环境噪声，为虾塘养殖管理提供了有力的数据支持；具备自学习能力，能够通过引入稀疏约束的非负矩阵分解技术，对不同基矩阵进行聚类，有效识别和区分虾的发声特征，可以满足虾塘养殖需求，在面对多种环境下的各类生物声分离时无需重新训练模型，高效快捷且准确率高，应用场景广泛。

专利摘要：本发明涉及基于自组织竞争型神经网络的水声被动定位方法。其包括：获取定位区域的相关参数；确定所述相关参数的输入方式，之后采用线性归一化的方法处理所述相关参数以构造神经元；基于构造的神经元矢量，生成初始的神经元扰动群组；将初始的神经元扰动群组作为训练数据集，通过SOM算法进行训练，生成神经元拓扑结构；构造残缺神经元，所述残缺神经元不包括声源位置参数；将残缺神经元与神经元拓扑结构上的每一个神经元进行依次比较，并找寻出神经元拓扑结构上与所述残缺神经元最匹配的神经元；以最匹配的所述神经元所对应的声源位置参数作为定位结果。本发明能够在设备布防相对简单和计算量较低的情况下，提供较高精度和可靠性的目标定位结果。

专利摘要：本发明公开了一种基于神经网络模型的海域波浪数据推演方法及系统。其包括：获取目标海域对应的波浪图像及历史波浪时序数据，对历史波浪时序数据进行时序分解，获得对应的周期性数据；通过对所述历史波浪时序数据进行时序分析，构建周期性预测模型；通过所述周期性预测模型提取所述周期性数据的周期性特征，并对所述周期性特征与所述历史波浪时序数据进行数据拟合后获得的第二历史波浪时序数据进行模态分解，获得对应的子序列，再将所述子序列及所述第二波浪图像输入至预训练的双通道神经网络模型；通过所述双通道神经网络模型进行波浪数据的推演，输出所述目标海域在预测周期内的波浪数据，提高波浪数据推演的效率及精准度。