一种基于约束注意力的海洋数据双重校验分级方法与流程

本发明涉及海洋数据管理与深度学习，更具体的说是涉及一种基于约束注意力的海洋数据双重校验分级方法。

背景技术：

1、海洋观测、监测与调查积累了海量多源海洋数据。海洋国防、资源开发、科研教学、公共服务等不同业务场景对数据的价值需求和安全要求存在差异，因此需要对海洋数据进行价值量化与等级划分。

2、目前，常见的海洋数据分级方法主要包括人工权重赋值法、层次分析法ahp、模糊综合评价法等。这些方法依赖领域专家经验，通过设定固定指标权重和分级阈值进行等级判定。随着海洋数据体量增大、类型多样化以及应用场景动态变化，传统分级方法的局限日益明显：一是人工设定的权重和阈值灵活性差，难以适配不同类型海洋数据的特性及其动态变化；二是难以捕捉多指标间的非线性关联与复杂耦合关系，分级结果的准确性不足。

3、近年来，已有学者尝试采用bp神经网络等方法开展海洋数据分级研究。但现有研究大多仅针对单一类型、单一场景的海洋数据，且尚未引入注意力机制与业务规则约束，导致模型学习的权重缺乏可解释性，难以满足审计要求。

4、因此，亟需一种能够自适应学习指标权重、捕捉多维度数据关联、贴合业务规则要求并实现海洋数据动态分级的方法。

技术实现思路

1、鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种基于约束注意力的海洋数据双重校验分级方法。

2、为了实现上述目的，本发明采用如下技术方案：

3、s1、获取待评估海洋数据的多维度属性信息，并将其转化为统一的量化指标值；

4、s2、将所述量化指标值按预设的多个属性类别进行分组，分别输入带业务规则约束的注意力模型，学习各组内各指标的动态权重，并施加第一预设权重范围约束，输出各属性类别对应的加权得分；

5、s3、将各属性类别对应的加权得分输入深度神经网络，通过多层非线性变换学习各属性类别间的高阶关联，并施加第二预设权重范围约束，输出总影响度值；

6、s4、基于所述总影响度值，采用硬规则阈值映射与神经网络软分类相结合的双重校验策略，判定所述海洋数据的最终等级。

7、优选地，所述多维度属性信息包括数据量、时空覆盖、时间精度、空间精度、数据质量和处理等级、领域类型、业务阶段、用户层级、使用频率。

8、优选地，量化指标值的计算方式包括：

9、数据量量化值：以原始数据量为自变量，通过对数运算将不同量级的数据量映射为量化分数；

10、时空覆盖量化值：以时间跨度和空间覆盖面积为自变量，通过加权求和运算将时空覆盖范围映射为量化分数；

11、时间精度量化值：以时间分辨率为自变量，通过倒数运算将时间分辨率映射为量化分数，分辨率越高量化分数越高；

12、空间精度量化值：以空间分辨率为自变量，通过倒数运算将空间分辨率映射为量化分数，分辨率越高量化分数越高；

13、数据质量量化值：以有效率和完整性为自变量，通过加权求和运算将数据质量映射为量化分数；

14、处理等级量化值：以处理等级为自变量，通过线性运算将处理等级映射为量化分数；

15、使用频率量化值：以原始使用频率为自变量，通过对数运算将使用频率映射为量化分数；

16、领域类型量化值：按预设的枚举映射表将其所属类别映射为对应的量化值；

17、业务阶段量化值：按预设的枚举映射表将其所属类别映射为对应的量化值；

18、用户层级量化值：按预设的枚举映射表将其所属类别映射为对应的量化值。

19、优选地，还包括特征标准化步骤，将各量化指标值按比例缩放至统一的数值区间。

20、优选地，所述预设的多个属性类别包括固有属性、业务属性和用户属性三大类；

21、所述固有属性包括数据量、时空覆盖、时间精度、空间精度、数据质量和处理等级六项指标；

22、所述业务属性包括领域类型和业务阶段两项指标；

23、所述用户属性包括用户层级和使用频率两项指标。

24、优选地，所述注意力模型为缩放点积注意力模型。

25、优选地，所述学习各组内各指标的动态权重，并施加第一预设权重范围约束具体包括：

26、对每一类属性的指标特征，先计算各指标项的注意力得分，再将注意力得分归一化为原始注意力权重，然后将映射至预设的权重区间，得到各指标的最终动态权重；

27、所述注意力得分的计算公式为：

28、

29、其中，表示第个指标的注意力得分，表示第个指标的查询向量，表示第个指标的键向量，表示键向量的维度；

30、所述原始注意力权重的归一化公式为：

31、

32、其中，表示第个指标的原始注意力权重，表示第个指标的注意力得分，为求和索引，遍历当前属性组内所有指标；表示当前属性的指标数量；

33、根据所述预设的权重区间得到各指标的最终动态权重，包括：

34、

35、其中，和分别为第个指标的预设下限和预设上限。

36、优选地，所述深度神经网络为嵌入型深度神经网络，其中：

37、将各属性类别对应的加权得分拼接为初始输入特征，通过多层全连接层进行非线性变换，并通过输出层学习各属性类别的全局融合权重，经归一化和第二预设权重范围约束后得到最终总权重，按如下公式计算原始影响度值：

38、

39、其中，为属性类别的总数，为第个属性类别的加权得分，为第个属性类别的全局融合权重；

40、对所述原始影响度值进行线性缩放得到总影响度值。

41、优选地，所述第二预设权重范围约束为：

42、固有属性全局融合权重的预设约束区间为0.4至0.6；

43、业务属性全局融合权重的预设约束区间为0.2至0.4；

44、用户属性全局融合权重的预设约束区间为0.1至0.3。

45、优选地，步骤s4具体包括：

46、所述硬规则阈值映射按预设阈值将总影响度值映射为预设的多个等级；

47、所述神经网络软分类中，将总影响度值与各属性类别加权得分拼接为分类头输入向量，通过全连接层与softmax归一化，输出各等级的概率分布，取概率最大的等级作为软分类结果；

48、综合等级判定：当硬规则映射分级结果与软分类结果一致时，以该等级为最终等级；当两者不一致时，以软分类结果为准，并触发人工复核标记。

49、本发明实施例提供的上述技术方案的有益效果至少包括：

50、本发明通过带约束的注意力模型实现指标权重的自适应学习，替代传统人工设定的固定权重，使权重分配根据每份数据的实际特征动态调整，避免了主观性强、灵活性差的缺陷；通过深度神经网络对三大属性得分进行多层非线性融合，自动捕捉多指标间的非线性关联与高阶耦合关系，克服了传统线性加权方法精度不足的问题；通过在注意力模型和深度神经网络中分别引入第一、第二预设权重范围约束，确保模型学习出的权重始终符合海洋数据管理规范，解决了现有深度学习方法可解释性差、难以满足审计要求的问题；同时，本发明采用硬规则阈值映射与神经网络软分类相结合的双重校验策略进行综合等级判定，既保证了分级结果符合预设的业务阈值规范，又通过软分类模型自适应数据分布变化，提升了分级结果的鲁棒性。本发明实现了从指标量化到分级输出的全流程自动化，无需人工干预，大幅提高了海洋数据分级的工作效率和准确性，为海洋数据高效管理、精准共享、安全管控及海洋科学研究、战略决策提供了可靠的分级依据。