极端海况自适应观测动态优化方法及系统与流程

本发明涉及海洋环境监测与智能装备，具体涉及一种极端海况自适应观测动态优化方法及系统。

背景技术：

1、随着海洋资源开发与海洋环境保护需求的不断增长，对海洋环境监测技术提出了更高要求。极端海况条件下的海洋环境监测一直面临重大技术挑战。当前海洋监测技术主要依靠卫星遥感、浮标传感器和无人艇等平台进行数据采集，例如部分现有技术整合多源数据进行实时三维建模，但在极端海况下的数据可靠性和系统适应性方面存在明显不足；部分现有技术通过深度强化学习优化数据收集，但未充分考虑极端海况下的系统稳定性和观测质量保障问题；还有技术侧重于数据处理和预报算法，对观测系统本身的自适应能力研究不足。现有方案存在传统浮标系统依赖预设阈值触发观测，无法适应突发风浪、湍流的非线性变化，单一传感器架构导致时空校准误差，多模态数据融合不充分，观测系统缺乏自适应能力，无法根据海况变化动态调整观测策略，导致极端条件下数据采集不完整、系统适应性差、能效低等问题。

技术实现思路

1、针对现有技术存在的极端海况下观测系统适应性差、数据采集不完整的问题，本技术通过一种极端海况自适应观测动态优化方法及系统，实现观测质量、系统安全与能耗的动态平衡。

2、为实现上述目的，本技术采用如下技术方案：

3、一种极端海况自适应观测动态优化方法，包括：获取多源观测数据，对所述多源观测数据进行特征融合，生成环境状态信息；将所述环境状态信息输入强化学习模型，生成观测控制策略；基于所述观测控制策略，动态调整观测系统的运行参数；根据所述运行参数调整后的执行结果，更新所述强化学习模型。

4、上述方案通过将多源观测数据融合生成的环境状态信息作为强化学习模型的输入，并基于模型输出的观测控制策略动态调整系统运行参数，进而根据执行结果反馈更新模型，实现了感知、决策与执行的闭环联动，解决了极端环境下数据可靠性差与系统适应性不足的问题。

5、可选的，对所述多源观测数据进行特征融合，生成环境状态信息，包括：利用注意力机制对所述多源观测数据进行特征加权融合，动态评估各数据源的置信度权重，生成所述环境状态信息。

6、上述方案通过引入注意力机制动态评估各数据源的置信度权重，能够在极端海况下有效应对单一传感器数据缺失或噪声干扰，提高融合后环境状态信息的准确性和鲁棒性。

7、可选的，所述利用注意力机制对所述多源观测数据进行特征加权融合，包括：对于光学波浪传感器数据，基于图像清晰度和抖动程度计算权重；对于微波表面流传感器数据，基于信噪比和频谱质量计算权重；对于智能温盐深仪数据，基于自校正历史误差和数据稳定性计算权重。

8、上述方案通过针对不同类型传感器设定特定的权重计算依据，实现了异构数据源在极端环境下的精细化置信度评估，进一步提升了多模态数据融合的精度。

9、可选的，根据所述运行参数调整后的执行结果，更新所述强化学习模型，包括：基于多目标奖励函数，根据所述执行结果计算奖励值；基于所述奖励值更新所述强化学习模型的参数。

10、上述方案通过多目标奖励函数综合评估执行结果，能够引导强化学习模型在观测质量、能耗和安全等多维度之间寻找最优解，提升模型进化的科学性。

11、可选的，所述多目标奖励函数包括数据质量奖励项、能耗惩罚项、安全奖励项和探索奖励项；所述数据质量奖励项基于数据完整性和信噪比计算；所述能耗惩罚项基于系统总功耗计算；所述安全奖励项基于设备状态与环境风险计算；所述探索奖励项用于在安全范围内对未知海况进行探测时提供正向激励。

12、上述方案通过细化奖励函数的四个具体维度，使得模型在更新过程中能够全面兼顾数据采集质量、系统续航能力、设备安全保障以及对未知环境的探索能力。

13、可选的，所述强化学习模型采用近端策略优化算法进行策略更新。

14、上述方案通过采用近端策略优化算法，保证了在非平稳的极端海况环境中策略网络训练的稳定性，避免策略更新步长过大导致系统失控。

15、可选的，所述动态调整观测系统的运行参数，包括：当监测到波高超过预设阈值时，降低光学波浪传感器的采样频率，并提高微波表面流传感器的采样频率；当系统剩余能源低于预设阈值时，暂停辅助观测任务，保障核心传感器运行；当识别到突发性海洋现象时，提升相关传感器的采样频率，并调整无人观测平台的航向进行追踪观测。

16、上述方案通过设定不同极端场景下的具体调控策略，使得系统能够根据实时海况灵活切换工作模式，在保障核心数据采集的同时延长系统续航，并提升对突发事件的响应能力。

17、此外，本技术还提供了一种极端海况自适应观测系统，包括：跨模态融合模块，配置为获取多源观测数据，对所述多源观测数据进行特征融合，生成环境状态信息；强化学习决策引擎，与所述跨模态融合模块连接，配置为接收所述环境状态信息，生成观测控制策略；执行模块，与所述强化学习决策引擎连接，配置为基于所述观测控制策略，动态调整观测系统的运行参数；更新模块，与所述执行模块连接，配置为根据所述运行参数调整后的执行结果，更新所述强化学习决策引擎。

18、上述方案通过各模块间的数据流向与闭环交互机制，实现了系统在极端海况下的自适应观测与持续优化。

19、可选的，所述系统还包括多模态传感阵列，所述多模态传感阵列包括：光学波浪传感器，配置为测量波高、波向和波周期；微波表面流传感器，配置为反演海表面流场分布；智能温盐深仪，配置为采集温度、盐度和深度数据；水声通信模块，配置为实现水下传感器与水面平台之间的数据传输；气象参数采集单元，配置为测量风速、风向、气温、湿度和气压等气象要素。

20、上述方案通过配置多类型传感器，构建了全方位的海洋环境原始数据采集网络，为后续的融合与决策提供了丰富的数据基础。

21、此外，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述方案所述方法的步骤。

22、有益效果：

23、本技术通过将多源观测数据进行特征融合生成环境状态信息，并将该环境状态信息作为强化学习模型的输入，基于强化学习模型输出观测控制策略以动态调整观测系统的运行参数，最后根据执行结果反馈更新模型形成闭环。该机制通过融合感知与强化学习决策的深度联动，使得系统能够根据极端海况的非线性变化实时自适应调整观测策略，克服了传统依赖预设阈值导致适应性差的问题。同时，通过多目标奖励机制与近端策略优化算法的结合，在保障数据完整性和系统安全的前提下，有效降低了系统能耗，显著提升了极端条件下观测系统的续航能力与数据采集可靠性。具体而言，通过多模态传感数据融合和自适应观测策略，在极端海况下数据完整性提高30%以上；基于强化学习的动态优化方法使系统能够在波高超过4米时仍保持正常工作；通过智能调度和资源分配，系统续航时间延长40%以上；边缘计算与云端协同处理架构使系统响应时间从小时级缩短至分钟级，显著提升了对突发海洋现象的预警能力。本技术实现了观测质量、系统安全与能耗的动态平衡。