在工业物联网、公共安全与海洋监测等领域，如何从连续变化的时序信号中精准、快速地识别突发事件，是一项关键挑战。传统方法往往依赖“正常/异常”的二元判断，难以捕捉事件从萌芽到爆发的渐进演化过程，容易导致预警延迟或误报。近日，我所海气中心技术研发人员提出了一种名为 MS-FuLW（基于弱监督的多尺度模糊学习）的新型突发事件检测方法，为这一难题提供了创新解决方案。

从“非黑即白”到“模糊渐变”：重构事件识别逻辑

研究的核心突破在于，不再将事件简单地划分为“发生”或“未发生”，而是引入模糊集合理论，将传统的二元标签转化为连续的“模糊标签”。这一设计能够量化事件从无到有、从弱到强的演化过程，使模型能够识别出处于“临界状态”的早期信号，为及时干预争取宝贵时间。

在此基础上，研究团队进一步构建了多尺度卷积网络（MSC），并行提取时序数据中的局部突变特征与全局演化趋势，增强模型对复杂动态模式的捕捉能力。同时，配套设计的模糊损失函数有效解决了传统损失函数在处理模糊标签时梯度不稳定、收敛困难的问题。

弱监督学习：降低对精准标注的依赖

为应对实际应用中高质量标注数据获取困难的问题，MS-FuLW引入弱监督学习机制，通过非支配排序遗传算法（NSGA-II）动态优化模糊标签的生成参数。这一机制不仅提升了模型性能，也显著降低了对精确标注的依赖，增强了方法在不同场景下的通用性。

实验验证：具有多方面显著性能优势

研究团队在模拟信号与真实海洋观测数据上对MS-FuLW进行了系统评估。结果显示：在实时性方面，MS-FuLW相比现有主流方法（如LSTM、Transformer等）检测延迟缩短5%至25%；在准确率方面，F1-score在多种复杂环境下均稳定领先，尤其在真实海洋内波事件检测中，MS-FuLW在精度和召回率之间实现了更优平衡；在鲁棒性方面，面对不同频率、振幅的事件波形，该方法均表现出稳定的检测能力，泛化性能显著优于对比模型。

MS-FuLW不仅适用于工业设备退化监测、森林火情早期识别、海洋灾害预警等典型场景，其“模糊建模+多尺度感知+弱监督优化”的框架也为其他连续信号中的事件检测任务提供了新的技术路径。虽然当前方法主要面向一维时序数据，但其核心思想有望在未来拓展至视频等时空数据处理领域。

相关研究成果以“MS-FuLW:用于突发事件检测的弱监督多尺度模糊学习框架”为题，发表于领域权威期刊《IEEE Transactions on Fuzzy Systems》1区TOP期刊，通讯作者为我所海气中心正高级工程师宁春林，第一作者为我所博士研究生袁国正。

论文链接：

https://doi.org/10.1109/TFUZZ.2026.3652883

图1、事件的确定性标签建模与模糊标签建模的比较。(a)确定性标签建模，(b)模糊标签建模

图2、不同基函数和波型下的模拟结果

图3、基于实测数据的MS-FuLW实时性能对比图