利用SOM算法对某浅海的环境噪声数据进行聚类分析，以研究SOM算法对海洋大数据挖掘的可行性。每隔10 min，选取长度相同的海洋环境噪声数据做1／3倍频程分析。处理得到20 Hz～31.5 kHz频率范围内的频带声压级数据。然后将处理所得的数据根据需要输入到SOM神经网络。为简便起见，实际的输入SOM网络的数据有24个变量，即1／3倍频程下每个中心频率处的频带声压级相对值。图22.11给出了聚类分析后，各个最佳匹配单元最终的权值向量和每一类结果出现的概率。
从图22.11可以看出，每一个最佳匹配单元所占的百分比不同，并且每类样本的1／3倍频程频带声压级的大小也不同，在高频段，四类结果的差异较小，可以肯定该海域具有时变特性的环境噪声源主要集中在低频段。第一类同其他三类在声压值上相差约10 dB，这可能是样本的采样时间段内，周围行船较少。其他三类也存在差别，较明显的是声压级最大值对应的频率都不同，第一类最大值对应：500 Hz处，第二类最大值在250～400 Hz之间，第三类在400 Hz，第四类在250 Hz。
图22.12给出了某一日环境噪声、风速、潮差及船只个数的变化趋势。从图中可以看出，风速随着时间的推移在慢慢变小，到下午3点左右达到最小值。风速的最小值在时频图上对应的区域数值明显变小，尤其是在低频处。在9点30分到12点5分之间，根据潮差可以看出，浪潮处在快速变化情况下，对应的时频谱上在100 Hz以下的低频段出现了一些波动。从船只个数看，在10点到13点之间是船只个数的一个峰值，其大体趋势与图22.13给出的环境噪声噪声级趋势相符。
图22.12 海洋环境噪声要素变化趋势(www.xing528.com)
图22.13 环境噪声噪声级日变化
本节首先对SOM算法的原理和实现过程进行了描述，然后利用SOM算法对某海域环境噪声数据进行了处理和分析，得到主要包括以下几点有益的结论：
（1）SOM算法是一种无监管神经网络，适合于未知聚类中心的数据样本特性分析。
（2）海洋环境噪声是一种随机性背景噪声，随地点、时间而变化，行船是浅海的主要噪声源，利用SOM方法可以有效地分析出环境噪声级与行船分布的关系，并可实现行船影响环境噪声的结果聚类。
需要利用SOM方法对大量数据进行统计分析，并且发掘出海洋环境噪声同风速、风向、降雨、人为活动等其他影响之间的关系，得到更加客观和具有普遍性的规律。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
