技术领域
[0001] 本发明涉及波浪方向谱识别领域，尤其涉及一种波浪方向谱识别模型生成方法、装置、设备及介质。
相关背景技术
[0002] 近年来，深海环境中频繁出现极端海况，各类深海装备的安全作业受到严重挑战。
[0003] 对海上波浪进行精确预报，尤其是对波浪方向谱的准确、快速识别和估计，对我国海洋工程各类作业窗口期的选择以及海洋装备的环境波浪感知、性能提升、安全保障等方面具有十分重要的意义。
[0004] 但是，相关技术无法有效实现对波浪方向谱的智能识别。
具体实施方式
[0053] 为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0054] 下面结合图1‑图4描述本发明的波浪方向谱识别模型生成方法。
[0055] 如图1所示，本实施例提出第一种波浪方向谱识别模型生成方法，该方法可以包括以下步骤：
[0056] S101、确定与数值波浪水池中多个测量位置一一对应的多个波面升高时序数据，以及确定空间分布矩阵；其中，波面升高时序数据为在数值波浪水池进行波浪模拟试验过程中，对相应测量位置上的波面升高进行测量得到；空间分布矩阵用于记录多个测量位置和非测量位置在数值波浪水池中的空间分布。
[0057] 需要说明的是，本实施例可以在数值波浪水池中的不同位置设置波面升高传感器，并在对数值波浪水池进行波浪模拟试验过程中，指令每个波面升高传感器在相同时段中的多个相同时刻，测量其所在位置上的波面升高，得到不同位置上的波面升高时序数据。
[0058] 其中，测量位置可以为数值波浪水池中一个设置有波面升高传感器的位置。
[0059] 其中，非测量位置可以为数值波浪水池中一个未设置有波面升高传感器的位置。
[0060] 如图2所示，本实施例可以在包含有消波滩的数值波浪水池1的五个不同位置上，分别设置五个浪高仪2，即浪高仪#1至#5。在数值波浪水池进行波浪模拟试验即数值水池试验过程中，每个浪高仪可以在相同时段内进行相同频率的波面升高测量，得到在T1、T2、T3和T4等时刻的波面升高曲线，即可以得到多个波面升高时序数据3。
[0061] 可选的，上述确定空间分布矩阵，可以包括：
[0062] 对数值波浪水池进行网格化划分，得到多个网格；
[0063] 生成与多个网格对应的待赋值矩阵，待赋值矩阵中包括网格对应的待赋值元素；
[0064] 确定每个测量位置所在的网格，并分别作为一个第一网格；以及，确定每个非测量位置所在的网格，并分别作为一个第二网格；
[0065] 在待赋值矩阵中，将每个第一网格对应的待赋值元素赋值为1，以及将每个第二网格对应的待赋值元素赋值为0，以得到空间分布矩阵。
[0066] 如图2所示，本实施例可以在数值波浪水池中进行网格划分，确定每个测量位置即每个浪高仪所处的网格，得到浪高仪空间分布坐标8，之后通过赋值0或1生成相应的浪高仪空间分布矩阵9。
[0067] 具体的，本实施例可以基于高阶非线性波浪模拟方式，在数值波浪水池中开展三维短峰波的模拟，并在数值波浪水池中不同测量位置处布置不低于四组浪高仪，用于监测该位置处的波面升高时间序列。
[0068] 具体的，本实施例可以基于数值波浪水池中获得的不同测量位置处的波浪时历，并将不同浪高仪空间位置的分布用一个空间分布0‑1矩阵表示。
[0069] S102、根据多个波面升高时序数据生成多个信号谱；其中，每个信号谱对应测量位置，且每个信号谱上标注有用于标识相应测量位置的位置标识。
[0070] 可选的，步骤S102可以包括：
[0071] 对于任一波面升高时序数据，根据波面升高时序数据生成相应的频谱和第一位置标识，第一位置标识用于标识波面升高时序数据对应的测量位置，将第一位置标识标注在频谱上；
[0072] 对于任意两个波面升高时序数据，根据两个波面升高时序数据生成相应的交叉谱和第二位置标识，第二位置标识用于标识两个波面升高时序数据对应的测量位置，将第二位置标识标注在交叉谱上；
[0073] 对所有频谱和所有交叉谱进行归一化处理，得到相应的多个归一化谱，每个归一化谱上标注第一位置标识或第二位置标识；
[0074] 将每个归一化谱确定为一个信号谱。
[0075] 具体的，本实施例可以分别根据各个波面升高时序数据生成相应的一个频谱，根据每两个波面升高时序数据生成相应的一个交叉谱。
[0076] 如图2所示，本实施例可以基于多个波面升高时序数据3生成波浪谱/交叉谱结果，即多个信号谱。
[0077] S103、将多个信号谱和空间分布矩阵整体作为一个训练数据。
[0078] 具体的，本实施例可以将生成的多个信号谱和空间分布矩阵整体作为训练数据，用于对预训练的波浪方向谱识别模型进行训练。
[0079] 可以理解的是，本实施例可以在进行数值波浪模拟即波浪模拟试验过程中，考虑不同有义波高、谱峰周期和方向分布参数的组合，构建包括大量海况参数的短峰波浪场试验样本，并考虑不同浪高仪空间位置的分布形式组合，得到多个训练数据。
[0080] 需要说明的是，本实施例可以通过改变波浪模拟试验的试验参数、测量位置或者多次进行试验等方式，来确定多个训练数据。
[0081] S104、使用训练数据对预训练的波浪方向谱识别模型进行训练，以得到训练好的波浪方向谱识别模型。
[0082] 其中，预训练的波浪方向谱识别模型可以为具有一定波浪方向谱识别性能的模型。本实施例对于其模型类型不作限定。
[0083] 具体的，本实施例可以使用训练数据对预训练的波浪方向谱识别模型进行训练，更新其模型参数。
[0084] 需要说明的是，本实施例可以使用从波浪模拟试验中得到的多个训练数据，对预训练的波浪方向谱识别模型进行训练，优化其波浪方向谱识别性能，直至其性能满足要求为止，即可以得到训练好的波浪方向谱识别模型。
[0085] 具体的，本实施例可以通过对预训练的波浪方向谱识别模型迭代训练多个轮次，逐步优化生成预训练的波浪方向谱识别模型各项参数，训练过程中，通过不断更新模型参数，寻找使得损失函数最小的各项超参数，从而得到训练好的波浪方向谱识别模型。
[0086] 本实施例提出的波浪方向谱识别模型生成方法，可以确定与数值波浪水池中多个测量位置一一对应的多个波面升高时序数据，以及确定空间分布矩阵；其中，波面升高时序数据为在数值波浪水池进行波浪模拟试验过程中，对相应测量位置上的波面升高进行测量得到；空间分布矩阵用于记录多个测量位置和非测量位置在数值波浪水池中的空间分布；根据多个波面升高时序数据生成多个信号谱；其中，每个信号谱对应测量位置，且每个信号谱上标注有用于标识相应测量位置的位置标识；将多个信号谱和空间分布矩阵整体作为一个训练数据，并使用训练数据对预训练的波浪方向谱识别模型进行训练，以得到训练好的波浪方向谱识别模型。本实施例训练好的波浪方向谱识别模型可以用于进行波浪方向谱识别，从而有效实现智能识别波浪方向谱识别。
[0087] 相关技术中，波浪方向谱数值估计方法如最大熵法、极大似然法和贝叶斯法等都对于波浪测点的布置较为敏感，并且计算过程效率偏低，导致在实际使用时，方向谱的估计精度和效率都不令人十分满意。本领域的技术人员充分考虑波浪场测量中的空间位置稀疏特性及波浪方向谱的数据结构，致力于开发一种利用深度学习技术提升波浪方向谱的估计精度和计算效率。
[0088] 基于图1，本实施例提出另一种波浪方向谱识别模型生成方法。在该方法中，预训练模型为预训练的生成对抗网络时，预训练模型中包括频率浪向估计网络和判别网络。此时，步骤S104可以包括：
[0089] 将训练数据输入至频率浪向估计网络中进行波浪方向谱识别，得到预估波浪方向谱；
[0090] 根据波浪模拟试验，确定与预估波浪方向谱对应的真实波浪方向谱；
[0091] 将预估波浪方向谱和真实波浪方向谱输入至判别网络中进行计算，得到预估波浪方向谱对应的可信度；
[0092] 根据预估波浪方向谱、真实波浪方向谱和可信度确定损失函数值，并根据损失函数值更新预训练的波浪方向谱识别模型中的参数，以得到训练好的波浪方向谱识别模型。
[0093] 可以理解的是，本实施例可以在波浪模拟试验中记录相关试验数据，根据试验数据确定相应的波浪方向谱，并可以作为真实波浪方向谱。
[0094] 需要说明的是，本实施例既能应用于数值波浪水池场景中，对三维短峰波模拟时，试验结果所对应的波浪方向谱的校核，也能应用于实际海上多个单点测量设备的结果对所在范围内海域波浪场对应方向谱的识别和估计。
[0095] 可选的，频率浪向估计网络中包括：频域识别模块和空间识别模块。此时，上述将训练数据输入至频率浪向估计网络中进行波浪方向谱识别，得到预估波浪方向谱，包括：
[0096] 将训练数据中的多个信号谱输入至频域识别模块中，以使频域识别模块根据多个信号谱以及每个信号谱上标注的位置标识进行能量分布识别，得到目标特征向量；其中，目标特征向量中包括波浪能量在不同频率上的分布特征；
[0097] 将目标特征向量和空间分布矩阵输入至空间识别模块中进行方向分布识别，得到目标矩阵；其中，目标矩阵中包括在每个频域范围内，波浪能量在不同方向上的分布特征；
[0098] 将目标矩阵确定为预估波浪方向谱。
[0099] 具体的，本实施例可以构建一个生成对抗网络作为预训练的波浪方向谱识别模型，该生成对抗网络中可以包括频率浪向估计网络和判别网络两部分。其中，频率浪向估计网络中可以包括频域识别模块和空间识别模块两部分，本实施例可以将获得的根据多个波面升高时序数据计算得到的多个信号谱作为输入向量，输入至频域识别模块中的输入层，经过频域识别模块的处理后得到相应的输出向量即目标特征向量，再将目标特征向量和浪高仪对应的0‑1空间分布矩阵共同作为输入，输入至空间识别模块的输入层，经过空间识别模块的计算和识别后，获得初步的波浪谱估计结果即预估波浪方向谱，并结合数值波浪水池开展计算时得到的真实波浪方向谱，一并输入给判别网络，从而实现浪向判别结果的真伪辨识。
[0100] 需要说明的是，波浪方向谱的目标变量为频率和方向角的离散组合，任意的频谱形式均可以表达成通过频率‑方向角的离散组合所表达的方向谱矩阵，矩阵的维度取决于波浪方向谱在频率和方向角的离散化。
[0101] 可选的，上述频域识别模块中包括第一卷积层、第一全连接层以及第一输出层。此时，上述将训练数据中的多个信号谱输入至频域识别模块中，以使频域识别模块根据多个信号谱以及每个信号谱上标注的位置标识进行能量分布识别，得到目标特征向量，包括：
[0102] 将训练数据中的多个信号谱输入至第一卷积层中，以使第一卷积层根据多个信号谱以及每个信号谱上标注的位置标识依次进行频域局部特征提取和频谱信息复杂特征提取，得到频谱信息提取特征；
[0103] 将频谱信息提取特征输入至第一全连接层中进行非线性处理，得到相应的第一非线性处理结果；
[0104] 将非线性处理结果输入至第一输出层中进行特征向量转换，得到目标特征向量。
[0105] 其中，频域识别模块中可以包括卷积层、全连接层以及输出层。在训练过程中，本实施例可以将所获得波浪时历计算得到的波浪谱/交叉谱先进行归一化处理，得到多个归一化谱并均作为信号谱，并得到的该多个信号谱输入至频域识别模型的卷积层，然后在卷积层中通过卷积核滑动计算卷积结果，提取频域中特征信号的局部特征，接着激活函数和池化层的操作，提取输入频谱信息的复杂特征，并将卷积层处理后得到的结果传递给全连接层，全连接层将卷积层提取的特征通过输出层处理为一个特征向量即目标特征向量，该向量包含主要频率特征和能量分布。频域识别模块的输出结果表示了波浪能量在不同频率上的分布情况。
[0106] 可选的，上述空间识别模块中包括第二卷积层、第二全连接层以及第二输出层。此时，上述将目标特征向量和空间分布矩阵输入至空间识别模块中进行方向分布识别，得到目标矩阵，包括：
[0107] 将目标特征向量和空间分布矩阵输入至第二卷积层中依次进行空间分布特征提取和相位分布特征提取，得到相应的空间信息提取特征；
[0108] 将空间信息提取特征输入至第二全连接层中进行非线性处理，得到相应的第二非线性处理结果；
[0109] 将第二非线性处理结果输入至第二输出层中进行矩阵转换，得到目标矩阵；其中，目标矩阵中的每个元素为相应频率及浪向上的波浪能量值。
[0110] 其中，空间识别模块中可以包括卷积层、全连接层以及输出层。在训练过程中，经过频域识别模块的计算后，本实施例可以将频域识别模块的输出结果和浪高仪对应的0‑1空间分布矩阵共同作为输入传递给空间识别模块的卷积层。在卷积核滑动下计算卷积结果，提取特征信号的空间分布特征，接着激活函数和池化层的操作，提取输入的频域分布和空间分布信息的复杂特征。之后，本实施例可以将卷积层处理的结果经过全连接层的处理传递到空间识别模块的输出层。整个空间识别模块综合了频域识别模块得到的波浪频谱结果和对波浪在空间上分布的相位信息的处理，获得了每个频域范围内，波浪能量在不同方向上的分布，从而实现对方向谱的识别过程。经过空间识别模块的计算和识别后，其输出是一个初步的波浪谱估计结果即预估波浪方向谱，其具体形式为一个矩阵，矩阵的每一个元素表示在特定频率及浪向上的波浪能量值。具体地，这个输出矩阵已经融合了频域信息和空间分布特征，提供了一个相对精确的波浪方向谱初步估计。
[0111] 具体的，本实施例可以结合对数值波浪水池开展试验得到的真实波浪方向谱(数据形式同为矩阵)，将真实波浪方向谱和预估波浪方向谱输入判别网络，实现浪向判别结果的真伪辨识。判别网络通过多层卷积层，对预估波浪方向谱和真实波浪方向谱进行特征提取。这些卷积层分别提取波浪谱在频率和浪向上的细微特征，之后通过全连接层将两组输入的特征在同一特征空间内进行比较，对真实波浪方向谱和预估波浪方向谱进行矩阵误差的计算，即计算两个矩阵在各个元素上的差距，获得误差矩阵。其中，真实波浪方向谱的矩阵源自数值波浪水池中的计算结果，代表实际测得的波浪方向谱。通过多层神经网络计算，对误差矩阵进行处理，输出判别概率即可信度。
[0112] 具体的，本实施例可以通过引入与可信度相关的损失函数，结合生成网络部分的损失函数，能够提升波浪方向谱在整个频率和方向范围内的估计准确程度。
[0113] 可选的，上述根据预估波浪方向谱、真实波浪方向谱和可信度确定损失函数值，包括：
[0114] 将预估波浪方向谱和真实波浪方向谱输入至第一损失函数中进行计算，得到第一损失函数输出的第一损失函数值；
[0115] 将可信度输入至第二损失函数中进行计算，得到第二损失函数输出的第二损失函数值；
[0116] 将第一损失函数值和第二损失函数值相加，得到损失函数值。
[0117] 其中，第一损失函数值为频率浪向估计网络预估波浪方向谱过程所对应的损失函数值，第二损失函数值为判别网络确定可信度过程所对应的损失函数值。
[0118] 可选的，第一损失函数值和第二损失函数值分别为：
[0119]
[0120] 其中，LMSE为第一损失函数值，s和 分别表示真实波浪方向谱和预估波浪方向谱，Ld为第二损失函数值， 可信度。
[0121] 可选的，波浪方向谱的目标变量为频率和方向角的离散组合，任意的频谱形式均可以表达成通过频率‑方向角的离散组合所表达的方向谱矩阵。矩阵的维度取决于波浪方向谱在频率和方向角的离散化。本实施例中对方向角的离散参数为Nθ,对频率的离散个数为Nω，所以频率ω＝0:2/Nω:2rad/s，方向角θ＝‑180:360/Nθ:180，也就是波浪方向谱目标变量的总维度可以表达为Nω×Nθ。
[0122] 可选的，本实施例可以对构建的生成对抗网络即预训练的波浪方向谱识别模型开展训练，根据训练过程中验证集和测试集的性能，选择测试精度最高的神经网络参数构成的波浪方向谱识别模型。
[0123] 如图2所示，本实施例可以在生成波浪谱/交叉谱结果即多个信号谱后，将多个信号谱输入到频率浪向估计网络5的频域识别模块6中，得到目标特征向量。之后，本实施例可以将目标特征向量和浪高仪空间分布矩阵9输入到空间识别模块中，得到带方向角信息的波浪谱估计结果10即预估波浪方向谱，之后将波浪谱估计结果10和相应的真实波浪谱11输入到判别网络12中，确定浪向判别结果的真实/虚假程度，得到可信度。之后，本实施例可以根据预估波浪方向谱和真实波浪方向谱的偏差计算损失函数，根据损失函数对整个频率浪向估计网络5的超参数进行优化。其中，本实施例可以基于计算出的损失函数，以及优化算法进行监督学习，更新神经网络模型的参数，直到损失函数满足一定要求或者训练迭代次数大于设定的值。
[0124] 本实施例可以根据训练好的神经网络模型，分别将未知短峰波场内不同空间坐标的浪高仪波面升高时间序列输入频率浪向估计网络，经过神经网络的计算，最终实现整个波浪场方向谱的准确、快速识别，识别后得到的如图3所示的矩阵形式的波浪方向谱，能够转化为如图4所示的一般形式的波浪方向谱。其中，图3和图4的波浪方向谱，具有频率和方向角等信息，rad/s为频率的单位，rad为方向角的单位。
[0125] 本实施例在用生成对抗网络处理波浪场中的空间稀疏和组成波频率‑浪向识别难题，从而实现估计和识别波浪方向谱的方式，无需更改波浪方向谱底层理论，而是面向波浪方向谱的估计的数值计算效率偏低造成的波浪方向谱精度和效率不理想的问题做出改进。本实施例通过结合生成对抗网络，根据波浪方向谱的数据特点进行数据驱动的建模，有效改善了波浪方向谱估计和识别的精度，以及提升了预报效率，实现了波浪方向谱的智能识别。
[0126] 本实施例针对在波浪场中浪高仪的布置以及波浪谱估计传统算法对估计结果的偏差较大，且计算效率不高的问题，采用生成对抗网络识别方法，考虑了将波浪场中单个监测点的空间位置用矩阵的形式来表达，并且依据波浪方向谱也能够用频率‑方向角的矩阵形式表达的特点，建立了以卷积神经网络为基础的生成对抗网络。
[0127] 本实施例提出的波浪方向谱识别模型生成方法，可以基于生成对抗网络进行波浪方向谱识别，利用波浪场中多个空间测点位置处的波面升高时间序列，基于不同测点位置处的频谱以及不同空间位置处波面升高的交叉谱等信息，建立快速、准确计算和识别整个波浪场范围内描述波浪成分的频率和浪向信息的方向谱的数据驱动模型，实现对波浪方向谱估计精度和效率的提升。
[0128] 如图5所示，本实施例提出一种波浪方向谱识别模型生成装置，该装置可以包括：
[0129] 确定单元501，用于确定与数值波浪水池中多个测量位置一一对应的多个波面升高时序数据，以及确定空间分布矩阵；其中，波面升高时序数据为在数值波浪水池进行波浪模拟试验过程中，对相应测量位置上的波面升高进行测量得到；空间分布矩阵用于记录多个测量位置和非测量位置在数值波浪水池中的空间分布；
[0130] 生成单元502，用于根据多个波面升高时序数据生成多个信号谱；其中，每个信号谱对应测量位置，且每个信号谱上标注有用于标识相应测量位置的位置标识；
[0131] 作为单元503，用于将多个信号谱和空间分布矩阵整体作为一个训练数据；
[0132] 训练单元504，用于使用训练数据对预训练的波浪方向谱识别模型进行训练，以得到训练好的波浪方向谱识别模型。
[0133] 需要说明的是，确定单元5015、生成单元502、作为单元503和训练单元504的处理过程及其带来的有益效果，可以分别参照图1中的步骤S101至S104，不再赘述。
[0134] 可选的，确定单元501，还用于：
[0135] 对数值波浪水池进行网格化划分，得到多个网格；
[0136] 生成与多个网格对应的待赋值矩阵，待赋值矩阵中包括网格对应的待赋值元素；
[0137] 确定每个测量位置所在的网格，并分别作为一个第一网格；以及，确定每个非测量位置所在的网格，并分别作为一个第二网格；
[0138] 在待赋值矩阵中，将每个第一网格对应的待赋值元素赋值为1，以及将每个第二网格对应的待赋值元素赋值为0，以得到空间分布矩阵。
[0139] 可选的，生成单元502，还用于：
[0140] 对于任一波面升高时序数据，根据波面升高时序数据生成相应的频谱和第一位置标识，第一位置标识用于标识波面升高时序数据对应的测量位置，将第一位置标识标注在频谱上；
[0141] 对于任意两个波面升高时序数据，根据两个波面升高时序数据生成相应的交叉谱和第二位置标识，第二位置标识用于标识两个波面升高时序数据对应的测量位置，将第二位置标识标注在交叉谱上；
[0142] 对所有频谱和所有交叉谱进行归一化处理，得到相应的多个归一化谱，每个归一化谱上标注第一位置标识或第二位置标识；
[0143] 将每个归一化谱确定为一个信号谱。
[0144] 可选的，当预训练模型为预训练的生成对抗网络时，预训练模型中包括频率浪向估计网络和判别网络；训练单元504，还用于：
[0145] 将训练数据输入至频率浪向估计网络中进行波浪方向谱识别，得到预估波浪方向谱；
[0146] 根据波浪模拟试验，确定与预估波浪方向谱对应的真实波浪方向谱；
[0147] 将预估波浪方向谱和真实波浪方向谱输入至判别网络中进行计算，得到预估波浪方向谱对应的可信度；
[0148] 根据预估波浪方向谱、真实波浪方向谱和可信度确定损失函数值，并根据损失函数值更新预训练的波浪方向谱识别模型中的参数。
[0149] 可选的，频率浪向估计网络中包括：频域识别模块和空间识别模块；
[0150] 训练单元504，还用于：
[0151] 将训练数据中的多个信号谱输入至频域识别模块中，以使频域识别模块根据多个信号谱以及每个信号谱上标注的位置标识进行能量分布识别，得到目标特征向量；其中，目标特征向量中包括波浪能量在不同频率上的分布特征；
[0152] 将目标特征向量和空间分布矩阵输入至空间识别模块中进行方向分布识别，得到目标矩阵；其中，目标矩阵中包括在每个频域范围内，波浪能量在不同方向上的分布特征；
[0153] 将目标矩阵确定为预估波浪方向谱。
[0154] 可选的，训练单元504，还用于：
[0155] 将预估波浪方向谱和真实波浪方向谱输入至第一损失函数中进行计算，得到第一损失函数输出的第一损失函数值；
[0156] 将可信度输入至第二损失函数中进行计算，得到第二损失函数输出的第二损失函数值；
[0157] 将第一损失函数值和第二损失函数值相加，得到损失函数值。
[0158] 可选的，第一损失函数值和第二损失函数值分别为：
[0159]
[0160] 其中，LMSE为第一损失函数值，s和 分别表示真实波浪方向谱和预估波浪方向谱，Ld为第二损失函数值， 可信度。
[0161] 本实施例提出的波浪方向谱识别模型生成装置，可以确定与数值波浪水池中多个测量位置一一对应的多个波面升高时序数据，以及确定空间分布矩阵；其中，波面升高时序数据为在数值波浪水池进行波浪模拟试验过程中，对相应测量位置上的波面升高进行测量得到；空间分布矩阵用于记录多个测量位置和非测量位置在数值波浪水池中的空间分布；根据多个波面升高时序数据生成多个信号谱；其中，每个信号谱对应测量位置，且每个信号谱上标注有用于标识相应测量位置的位置标识；将多个信号谱和空间分布矩阵整体作为一个训练数据，并使用训练数据对预训练的波浪方向谱识别模型进行训练，以得到训练好的波浪方向谱识别模型。本实施例训练好的波浪方向谱识别模型可以用于进行波浪方向谱识别，从而有效实现智能识别波浪方向谱识别。
[0162] 本实施例中的波浪方向谱识别模型生成装置是以功能单元的形式来呈现，这里的单元是指ASIC(Application Specific Integrated Circuit，专用集成电路)电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
[0163] 本发明实施例还提供一种计算机设备，具有上述图5所示的波浪方向谱识别模型生成装置。
[0164] 请参阅图6，本发明可选实施例提供的一种计算机设备的结构示意图，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器10为例。
[0165] 处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
[0166] 其中，存储器20存储有可由至少一个处理器10执行的指令，以使至少一个处理器10执行实现上述实施例示出的方法。
[0167] 存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序。存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
[0168] 存储器20可以包括易失性存储器，例如，随机存取存储器。存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘。存储器20还可以包括上述种类的存储器的组合。
[0169] 该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。
[0170] 本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
[0171] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
