海洋空间观测数据的异常检测方法、系统、设备与介质

摘要

海洋空间观测数据的异常检测方法、系统、设备与介质，属于海洋空间数据、数据异常检测技术领域。获取海洋空间的每个观测点分别观测的不同深度数据，将其组成数据集；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，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，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，对数据集进行降维，将数据集组成图像形式；对图像进行zero‑padding，构建CoordConv层；将图像输入到卷积神经网络模型中，并基于构建的CoordConv层，构建Bicubic+CoordConv+Pool卷积神经网络模型；对构建的卷积神经网络模型进行训练；将待检测数据输入训练好的卷积神经网络模型，进行异常值检测。

权利要求

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；

所述对该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。

说明书

海洋空间观测数据的异常检测方法、系统、设备与介质

技术领域

[0001] 本发明涉及海洋空间数据、数据异常检测技术领域，具体涉及海洋空间观测数据的异常检测方法、系统、设备与介质。

背景技术

[0002] 在目前主流的海洋空间观测数据异常检测工具中，SVM（支持向量机）分类器总体上表现最佳，但由于海洋空间数据的飞速积累，造成SVM训练时间大量增加。

[0003] 然而，在目前的大多数应用场景中，深度学习模型在处理大量复杂数据方面具有先天性优势，基于深度学习模型的方法其在性能上明显优于传统机器学习方法，因此，将卷积神经网络应用于海洋空间观测数据异常检测的工作是有提升空间与研究前景的。

[0004] 现有的卷积神经网络模型在图像识别上表现优越，且具有对图像的平移不变性。但是，在海洋空间观测数据中，现有的卷积神经网络模型对这种图像平移不变性却适得其反，导致海洋空间观测数据异常值的错误鉴定。

[0005] 综上所述，现有的卷积神经网络模型在海洋空间数据异常检测能力不足。

发明内容

[0006] 本发明解决了现有的卷积神经网络模型在海洋空间数据异常检测能力不足的问题。

[0007] 本发明所述的海洋空间观测数据的异常检测方法，包括以下步骤：

[0008] 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；

[0009] 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；

[0010] 步骤S3，对归一化后的数据集进行降维，将降维后的数据集组成图像形式；

[0011] 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；

[0012] 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；

[0013] 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；

[0014] 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；

[0015] 所述进行构建Bicubic+CoordConv+Pool卷积神经网络模型，包括以下步骤：

[0016] 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；

[0017] 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；

[0018] 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。

[0019] 进一步地，在本发明的一个实施例中，所述低质量的深度数据是缺失值占比大于20%的深度数据。

[0020] 进一步地，在本发明的一个实施例中，所述深度数据包括温度数据、压力数据和能见度数据。

[0021] 进一步地，在本发明的一个实施例中，所述对数据集进行归一化是采用LogNormalize；

[0022] 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；

[0023] 所述对数据集进行缩放是采用线性变化。

[0024] 本发明所述的海洋空间观测数据的异常检测系统，所述系统包括以下模块：

[0025] 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；

[0026] 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；

[0027] 降维模块，对归一化后的数据集进行降维，将降维后的数据集组成图像形式；

[0028] 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；

[0029] 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；

[0030] 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；

[0031] 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；

[0032] 所述进行构建Bicubic+CoordConv+Pool卷积神经网络模型，包括以下模块：

[0033] 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；

[0034] 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；

[0035] 加入模块，在CoordConv层之前添加Bicubic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。

[0036] 本发明所述的一种电子设备，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；

[0037] 存储器，用于存放计算机程序；

[0038] 处理器，用于执行存储器上所存放的程序时，实现上述方法中中任一所述的方法步骤。

[0039] 本发明所述的一种计算机可读存储介质，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上述方法中任一所述的方法步骤。

[0040] 本发明解决了现有的卷积神经网络模型在海洋空间数据异常检测能力不足的问题。具体有益效果包括：

[0041] 1、本发明所述的海洋空间观测数据的异常检测方法，该方法将现有的卷积神经网络模型中的卷积层替换成CoordConv层（标准卷积层的简单扩展），在Bicubic+CoordConv卷积神经网络模型在CoordConv层之前添加Bicubic（双三次插值）采样操作，添加了图像细节，抑制了现有的积神经网络模型的卷积操作对造成图像的模糊问题，在Bicubic+CoordConv卷积神经网络模型的基础上加入Max Pooling（最大池化层），从而构建出了Bicubic+CoordConv+Pool卷积神经网络模型，该模型解决了现有的卷积神经网络模型在海洋空间数据异常检测能力不足的问题；

[0042] 2、本发明所述的海洋空间观测数据的异常检测方法，构建的Bicubic+CoordConv+Pool卷积神经网络模型包括两层Dropout（随机失活），防止过拟合；

[0043] 3、本发明所述的海洋空间观测数据的异常检测方法，该方法使用Bicubic进行zero‑padding（零填充），不局限于海洋时空观测数据转换图像边缘，zero‑padding可以在图像中间多次划分，从而将一张完整的海洋时空观测数据转换图像划分为多个区块，抑制卷积操作和池化操作对数据点位置信息的模糊，降低了海洋时空观测数据异常自动识别平移不变性带来的不利影响；

[0044] 4、本发明所述的海洋空间观测数据的异常检测方法，通过将海洋时空观测数据转换图像坐标信息作为附加通道，并输入到卷积神经网络模型CoordConv层中，提高自动识别模型的平移敏感性，进而提高在数据集的分类准确率，并且，该方法与SVM、全连接方法和传统卷积神经网络方法对比测试，结果均取得最高准确率。

附图说明

[0045] 本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

[0046] 图1是具体实施方式所述的海洋空间观测数据异常检测方法的示意流程图；

[0047] 图2是具体实施方式所述的Bicubic的方法介绍图；

[0048] 图3是具体实施方式所述的Bicubic+CoordConv+Pool卷积神经网络架构示意图。

具体实施方式

[0049] 下面结合附图将对本发明的多种实施方式进行清楚、完整地描述。通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

[0050] 本实施方式所述的海洋空间观测数据的异常检测方法，包括以下步骤：

[0051] 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；

[0052] 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；

[0053] 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；

[0054] 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；

[0055] 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；

[0056] 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；

[0057] 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；

[0058] 所述进行构建Bicubic+CoordConv+Pool卷积神经网络模型，包括以下步骤：

[0059] 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；

[0060] 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；

[0061] 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。

[0062] 本实施方式中，所述低质量的深度数据是缺失值占比大于20%的深度数据。

[0063] 本实施方式中，所述深度数据包括温度数据、压力数据和能见度数据。

[0064] 本实施方式中，所述对数据集进行归一化是采用LogNormalize；

[0065] 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；

[0066] 所述对数据集进行缩放是采用线性变化。

[0067] 本实施方式基于本发明所述的海洋空间观测数据的异常检测方法，结合图1能更好的理解本实施方式，提供一种实际的实施方式：

[0068] 海洋空间观测数据是一个三维矩阵，三个维度矩阵分别代表观测点的海洋表面位置、观测点的探测深度和观测的深度数据，深度数据包括温度数据、压力数据和能见度数据等具体深海各项数据。

[0069] 本实例采用海洋空间观测温度数据异常值检测作为案例。

[0070] 分析海洋空间的每个观测点分别观测的不同温度数据之前，首先排除低质量的深度数据。即排除同一海洋表面的每个观测点分别观测的不同深度数据，其缺失值占比大于20%的深度数据。对低质量排除后的不同深度数据进行规范化，采用LogNormalize（单细胞转录组）对每个观测点分别观测的不同温度数据进行归一化，将其乘以比例因子，此处比例因子设定为1000，并对结果进行对数转换。

[0071] 对于一些观测点观测的不同温度数据出现跳跃性变化，其温度数据与周围观测点观测的不同温度数据形成明显差异，应用线性变化缩放该观测点观测的不同温度数据，这是在移动观测点观测的不同温度数据，使得不同温度数据在每个观测点的平均值为零，缩放每个观测点分别观测的不同温度数据，使得每个观测点之间的方差为1。此过程在下游分析中基于不同深度使用相同的权重，因此，跳跃性变化的观测点观测的不同深度数据不会占据主导地位。完成上述操作后，统计深度数据的数量将会大大减少。在不同温度数据中，经过上述操作，每个观测点分别观测的不同深度数据的数量由32788降低至2567。

[0072] 每个观测点分别观测的不同深度数据的数量降低至2567，但是仍然是32345（水面采样点的数量）*2567的稀疏矩阵，首先，选择通过主成分分析法对不同深度数据分别进行降维，降维后得到100维度的深度特征。为了适应卷积神经网络输入深度数据的特点，将上述非图片形式的不同深度数据组织成为图像的形式输入。将其中50维的深度特征通过UMAP（统一流形逼近和投影）降维，UMAP对100个深度特征进行可视化，邻近的深度特征具有高相关性，以此为依据排列成（10，10）的二维矩阵作为输入。

[0073] 使用Bicubic对图像进行类图像输入矩阵进行zero‑padding。Bicubic方法中，点（x，y）的值通过矩阵网格中最近的十六个采样点的加权平均得到，计算公式为两个多项式插值三次函数，每个方向用一个，通过该算法进行矩阵缩放，可以抑制卷积操作对图像位置信息的模糊，具体计算公式如下，图2展示了zero‑padding与多行多列zero‑padding：

[0074] ；

[0075] 其中， 表示十六个采样点的像素值， ， 分别表示该点在对应方向的权重。

[0076] 通过构建CoordConv层可以让网络学习更多的位置信息。与传统卷积相比，CoordConv就是在输入的feature‑map（特征图）后增加两个通道，一个表示表示x坐标和y坐标，后续过程与传统卷积完全相同。

[0077] 构建全连接神经网络模型。全连接神经网络模型第一层全连接层800个神经元，第二层全连接层100个神经元，激活函数均为ReLU（线性整流函数）。包含两层Dropout防止过拟合，Dropout率为50%。

[0078] 构建CoordConv卷积神经网络模型。在全连接神经网络模型的基础之上增加CoordConv层，输入观测点位置信息横纵坐标分别作为第二、第三通道。卷积核大小为3*3，步长为1，激活函数为ReLU，更多的卷积层会降低模型性能。

[0079] 如图3所示，Bicubic+CoordConv卷积神经网络模型在CoordConv层之前添加Bicubic上采样操作，添加图像细节，抑制卷积操作对图像的模糊。Bicubic+CoordConv卷积神经网络模型中不包含Pooling层，在Bicubic+CoordConv卷积神经网络模型的基础上加入MaxPooling，使图像恢复成上采样之前的图像，同时也能降低模型整体的计算量。Bicubic+CoordConv+Pool卷积神经网络模型经过Max Pooling之后得到的图像大小和CoordConv、卷积神经网络相同的图像大小。虽然图像大小相同，但是Upsample（上采样）能够提取到更多的特征。

[0080] 对海洋空间每个观测分别点观测的不同温度数据进行训练，本实施方式的模型在32GB Tesla V100 GPU的机器上训练。使用Adamax（梯度优化算法的扩展）优化器先训练20个Epochs，学习率为0.001，然后再训练20个Epochs（轮），学习率为0.0005。为了使模型有最好的泛化效果，采用Dropout层和Early Stopping（提前停止）两种方法进行正则化。将Dropout层应用于每个全连接层的输出，Dropout率为0.5，以防止过拟合。对于提前停止，监视指标为Acc（前扣带回），当监测指标连续5个Epochs未见提升时停止训练，保存最佳模型。

[0081] 输入海洋空间观测数据进行异常值检测。

[0082] 本实施方式所述的方法实现了对海洋空间观测数据的异常值检测，并对大量的异常数据保持较高的检测准确率及检测效率。

[0083] 本实施方式所述的海洋空间观测数据的异常检测系统，所述系统包括以下模块：

[0084] 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；

[0085] 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；

[0086] 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；

[0087] 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；

[0088] 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；

[0089] 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；

[0090] 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；

[0091] 所述进行构建Bicubic+CoordConv+Pool卷积神经网络模型，包括以下模块：

[0092] 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；

[0093] 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；

[0094] 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。

[0095] 本实施方式所述的一种电子设备，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；

[0096] 存储器，用于存放计算机程序；

[0097] 处理器，用于执行存储器上所存放的程序时，实现上述实施方式中任一所述的方法步骤。

[0098] 本实施方式所述的一种计算机可读存储介质，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上述实施方式中任一所述的方法步骤。

[0099] 本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器read only memory，ROM、可编程只读存储器programmable ROM，PROM、可擦除可编程只读存储器erasable PROM，EPROM、电可擦除可编程只读存储器electrically EPROM，EEPROM或闪存。易失性存储器可以是随机存取存储器random access memory，RAM，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM 可用，例如静态随机存取存储器static RAM，SRAM、动态随机存取存储器dynamic RAM，DRAM、同步动态随机存取存储器synchronous DRAM，SDRAM、双倍数据速率同步动态随机存取存储器double data rate SDRAM，DDR SDRAM、增强型同步动态随机存取存储器enhanced SDRAM，ESDRAM、同步连接动态随机存取存储器synchlink DRAM，SLDRAM和直接内存总线随机存取存储器direct rambus RAM，DR RAM。应注意，本发明描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。

[0100] 在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线例如同轴电缆、光纤、数字用户线digital subscriber line，DSL或无线例如红外、无线、微波等方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质例如，软盘、硬盘、磁带、光介质例如，高密度数字视频光盘digital video disc，DVD、或者半导体介质例如，固态硬盘solid state disc，SSD等。

[0101] 在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软 件形式的指令完成。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

[0102] 应注意，本申请实施例中的处理器可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。

[0103] 以上对本发明所提出的海洋空间观测数据的异常检测方法、系统、设备与介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。