1.海洋空间观测数据的异常检测方法,其特征在于,包括以下步骤:步骤S1,获取海洋空间的每个观测点分别观测的不同深度数据,并将其组成数据集;
步骤S2,将数据集中的低质量的深度数据进行排除后,对数据集进行归一化,再判断某一观测点观测的不同深度数据是否出现异常,若出现异常,则对该观测点观测的不同深度数据进行缩放,再对数据集进行缩放后,执行步骤S3,若未出现异常,则直接执行步骤S3;
步骤S3,对数据集进行降维,将降维后的数据集组成图像形式;
步骤S4,采用Bicubic对图像形式的输入数据进行zero‑padding后,再进行构建CoordConv层;
步骤S5,将zero‑padding后的图像输入到卷积神经网络模型中,并基于已构建的CoordConv层,进行构建Bicubic+CoordConv+Pool卷积神经网络模型;
步骤S6,采用数据集对步骤S5构建的卷积神经网络模型进行训练,保存最佳的Bicubic+CoordConv+Pool卷积神经网络模型;
步骤S7,将观测点观测的待检测深度数据输入步骤S6训练好的卷积神经网络模型中,进行异常值检测;
所述进行构建Bicubic+CoordConv+Pool卷积神经网络模型,包括以下步骤:步骤S501,构建全连接神经网络模型,并增加两层Dropout层,在全连接神经网络模型的基础上搭建卷积神经网络模型;
步骤S502,将卷积神经网络模型中的卷积层替换成CoordConv层,输入观测点的位置信息分别作为CoordConv的层第二通道和第三通道;
步骤S503,在CoordConv层之前添加Bicubic上采样操作,在Bicubic+CoordConv卷积神经网络模型的基础上加入Max Pooling,形成Bicubic+CoordConv+Pool卷积神经网络模型。
2.根据权利要求1所述的海洋空间观测数据的异常检测方法,其特征在于,所述低质量的深度数据是缺失值占比大于20%的深度数据。
3.根据权利要求1所述的海洋空间观测数据的异常检测方法,其特征在于,所述深度数据包括温度数据、压力数据和能见度数据。
4.根据权利要求1所述的海洋空间观测数据的异常检测方法,其特征在于,所述对数据集进行归一化是采用LogNormalize;
所述对观测点观测的不同深度数据进行缩放是采用线性变化缩放;
所述对数据集进行缩放是采用线性变化。
5.海洋空间观测数据的异常检测系统,其特征在于,所述系统包括以下模块:获取模块,获取海洋空间的每个观测点分别观测的不同深度数据,并将其组成数据集;
判断模块,将数据集中的低质量的深度数据进行排除后,对数据集进行归一化,再判断某一观测点观测的不同深度数据是否出现异常,若出现异常,则对该观测点观测的不同深度数据进行缩放,再对数据集进行缩放后,执行降维模块,若未出现异常,则直接执行降维模块;
降维模块,对数据集进行降维,将降维后的数据集组成图像形式;
处理模块,采用Bicubic对图像形式的输入数据进行zero‑padding后,再进行构建CoordConv层;
构建模块,将zero‑padding后的图像输入到卷积神经网络模型中,并基于已构建的CoordConv层,进行构建Bicubic+CoordConv+Pool卷积神经网络模型;
训练模块,采用数据集对构建模块构建的卷积神经网络模型进行训练,保存最佳的Bicubic+CoordConv+Pool卷积神经网络模型;
检测模块,将观测点观测的待检测深度数据输入训练模块训练好的卷积神经网络模型中,进行异常值检测;
所述进行构建Bicubic+CoordConv+Pool卷积神经网络模型,包括以下模块:搭建模块,构建全连接神经网络模型,并增加两层Dropout层,在全连接神经网络模型的基础上搭建卷积神经网络模型;
替换模块,将卷积神经网络模型中的卷积层替换成CoordConv层,输入观测点的位置信息分别作为CoordConv的层第二通道和第三通道;
加入模块,在CoordConv层之前添加Bicubic上采样操作,在Bicubic+CoordConv卷积神经网络模型的基础上加入Max Pooling,形成Bicubic+CoordConv+Pool卷积神经网络模型。
6.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1‑4中任一所述的方法步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质内存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1‑4中任一所述的方法步骤。