技术创新中心紧扣国家海洋强国战略与青岛市海洋经济发展需求，在人工智能驱动的海洋关键参数反演与预测等前沿技术取得新突破；在海洋环境要素预测、灾害预警、海洋大气污染物估算与预测等方面取得一系列原创性的及实现产业化的技术创新成果；在智能与隐蔽仿生水声通信、多媒体信息安全领域取得了系统性创新成果，为水声通信及多媒体信息安全领域提供了新的技术手段，这些关键技术均以科研论文或成果形式公开发表，具体技术内容如下：

（1） 技术创新中心在人工智能驱动的海洋关键参数精准反演与重构等前沿技术取得新突破。

技术创新中心研发团队提出双输出残差神经网络（DO-ResNet）模型，结构如图所示，通过融合海表温度、盐度、高度异常、风场及地理信息等多源数据，实现热带西太平洋次表层温度和盐度的同步反演，解决了海洋次表层参数观测稀疏、反演精度有限的难题。发展了一种基于回归引导聚类与波候聚类的天气分型统计降尺度方法，通过将大气环流型与区域有效波高建立关联，实现了区域及全球有效波高的高效重构，该方法在计算效率与模拟能力之间取得了良好平衡，能够捕捉平均及极端有效波高的气候态与变异性，相关技术成果细节见科研论文。

技术创新中心研发团队开发了融合双注意力模块的卷积神经网络（DA-CNN）模型，其结构如图所示，通过整合多源遥感数据与 Argo 网格化数据，实现孟加拉湾混合层深度估算，性能超越随机森林、人工神经网络及传统海洋模型，可以精准捕捉复杂海洋动力区域混合层深度的季节变化特征，相关技术成果细节见科研论文。发展了EBAM-CNN模型通过结合增强型模块注意力机制，利用海表温度、绝对动力地形、海表风场等多源数据，实现了热带印度洋温跃层深度的高精度反演，并进一步通过降尺度方法提升了重构结果的空间分辨率，技术成果细节见科研论文。

技术创新中心研发团队构建了高斯激活深层神经网络（Gaussian-DNN）模型实现三维叶绿素结构重建与预测，基于卫星海表数据与原位垂直剖面数据，重建了西北太平洋空间分辨率为1°×1°、垂直分辨率为1m的三维叶绿素结构。成功提取次表层叶绿素最大值特征及季节变化规律，模型解释了超 80% 的叶绿素垂直剖面变异，为海洋生态环境评估提供核心技术支撑，相关技术成果细节见科研论文。

（2）技术创新中心在海洋环境要素预测、灾害预警、海洋大气污染物估算与预测等方面取得一系列原创性的及实现产业化的技术创新成果。

技术创新中心研发团队在海洋环境要素预报方面取得新成果。例如，构建“SST-MHW-DL”模型，基于ConvLSTM结构引入注意力机制，利用前60天海表温度数据对未来15天的海温进行预报并检测海洋热浪事件，该模型在大西洋海域的验证中同样表现出良好的稳健性，展示了较强的泛化能力，相关技术成果细节见科研论文。构建一种融合了自注意力记忆模块与卷积式长短期记忆神经网络模型（SA-ConvLSTM的）的三维温度场预测模型，揭示1970年以来东海黑潮上层350m快速增温、350-800m微弱增温或降温的垂直结构特征，明确太平洋年代际振荡影响下的驱动机制，相关技术成果细节见科研论文。提出SwinLSTM 混合模型，融合Swin Transformer与LSTM，实现渤海、黄海、东海0.1°高分辨率显著波高72 小时预报，相关技术成果细节见科研论文。

技术创新中心的共建单位青岛阅海信息服务有限公司开发了海洋预报数据管理、综合研判、订正制作、产品输出、网络发布全流程一体化的海洋预报产品制作技术，极大提升海洋预报服务能力，为全国范围海洋警报制作及管理一体化业务建设提供技术支撑。该技术成果应用于国家海洋环境预报中心等15个海洋中心，支撑我国全海域官方海洋预报产品制作与发布。相关的技术成果可见网址https://www.gg.oceanread.com/page-marine-forecasting.html.

技术创新中心研发团队在海洋灾害预警与海上安全监测技术上实现创新，基于二维风暴潮数值模型和伴随同化模型，反演空间分布形式的风应力拖曳系数。结合 M2 分潮考虑天文潮影响，解决了传统经验公式计算精度不足的问题，为风暴潮预警预报提供技术支撑，相关技术成果细节见科研论文。研发了人工智能与物理模型耦合的高精度数值预报系统，显著提升对风、浪、流及台风、风暴潮等海洋气象灾害的预测能力；构建了智能化海上安全预警平台，实现对船舶异常行为、碰撞风险及复合型海洋灾害的早期识别与链式预警，在北海预报减灾中心实现部署应用，相关技术成果细节见系统。

在海洋大气污染物的反演与预测领域，技术创新中心研发团队发展了一系列针对性强的混合建模方法。针对观测资料稀缺的难题，构建了基于卷积神经网络的反演模型，通过融合迁移学习与卷积神经网络框架，充分利用再分析数据的大范围覆盖优势进行模型预训练，再通过少量高精度站点观测进行微调，从而有效纠正了再分析数据的系统偏差，使得反演结果与实测值的平均决定系数达到0.72，相关技术成果细节见科研论文。针对污染物浓度序列的非平稳性特征。提出了RF-VMD-Seq2Seq模型，如图所示，其通过变分模态分解将原始序列分解为不同频率的模态，低频部分揭示了长期减排趋势，高频部分则帮助确定了最优输入序列长度，使得模型能够更准确地捕捉周期波动等关键信息，预测误差相比传统Seq2Seq模型降低了近20%，相关技术成果细节见科研论文。

（3）技术创新中心在智能与隐蔽仿生水声通信、多媒体信息安全领域取得了系统性创新成果，为水声通信及多媒体信息安全领域提供了新的技术手段

针对社交网络中常见的图像缩放攻击问题，技术创新中心研发团队设计了一种能够抵抗通用插值缩放攻击的鲁棒隐写框架，将鲁棒隐写任务形式化为受约束的整数规划问题，目标是在确保从缩放后图像中完美恢复秘密信息的前提下，最小化载体与隐写图像之间的差异以及缩放后图像的嵌入失真。采用分支定界算法对优化问题进行高效求解，有效解决了传统隐写方案难以处理的逆插值问题，能够在任意缩放因子下抵御各类插值技术的缩放攻击，相关技术成果细节见科研论文。针对传统隐写失真代价函数主要依赖高通滤波图像残差表征纹理复杂度的局限，技术创新中心研发团队提出了一种基于四元数表示的失真代价设计方法，通过将图像转换为四元数表示，分别定义了基于四元数幅值的失真和基于四元数相位的失真，进而通过哈达玛乘积构造出QMP失真代价函数并推广为广义形式GQMP，该方法能够更有效地将嵌入修改分配到图像中纹理丰富的复杂区域，显著提升隐写的统计不可检测性，相关技术成果细节见科研论文。针对现有深度学习隐写分析模型通常仅在固定嵌入率下训练、难以泛化至其他嵌入率的问题，技术创新中心研发团队提出了一种基于三元组损失的新型训练策略，在模型优化过程中引入三元组损失，使得不同嵌入率下的隐写图像特征表示能够有效聚类，同时增强其与载体图像特征之间的分离度，使隐写分析模型在单次训练后即可适用于多种嵌入率的检测任务，特别是在低嵌入率条件下取得了显著优越的性能，有效解决了传统模型泛化能力不足的问题，大幅降低了模型训练与部署的成本，相关技术成果细节见科研论文。

针对水下复杂环境中多径干扰强、噪声类型复杂、信号特征易衰减、干扰源非稳态等问题，技术创新中心研发团队围绕调制识别、信号去噪、DOA估计与抗干扰通信取得了技术突破。针对水声信号调制识别精度低、小样本泛化能力弱的问题，研发团队提出了One2ThreeNet微尺度特征提取网络与循环-卷积深度混合神经网络，通过自动特征挖掘与多网络优势融合，在南海、黄海实测数据集上实现99% 的调制识别准确率，且降低了计算复杂度，相关技术成果细节见科研论文。

技术创新中心研发团队构建了SaS分布与正态分布结合的噪声模型，提出基于改进人工蜂群算法的小波阈值优化去噪方案，使算法收敛速度与精度较传统方法分别提升25%~66%和21%~73%，相关技术成果细节见科研论文。针对多非稳态次高斯干扰源导致通信信号失真的问题，设计了带约束的优化波束成形方案，通过求解非凸优化问题，实现对动态干扰的高效抑制，较传统波束成形方法收敛更快、信号接收质量更优，相关技术成果细节见科研论文。