[發明專利]基于貝葉斯動態模型的灘涂面積預測方法

無效

• 申請號: 201010607705.1
• 申請日: 2010-12-23
• 公開（公告）號: CN102375923A
• 公開（公告）日: 2012-03-14
• 發明（設計）人: 黃冬梅;王芬;何世鈞;張明華;王建;張建新;袁小華;蘇誠;郭偉其
• 申請（專利權）人: 上海海洋大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

基于貝葉斯動態模型的灘涂面積預測方法，其技術特征如下：

1.利用RS，GPS和GIS技術獲得近十年來灘涂面積；從獲得的面積數據中提取貝葉斯動態模型的初始訓練集；調用該模型進行預測；對預測值進行仿真，并與實際值進行對比；判斷預測值是否在實際值的95％置信區間內。本方法的預測過程流程圖如圖1所示。

2.根據權利要求書1所述，利用3S技術獲得近十年來的灘涂面積值。選擇多時相RS影像圖，用GIS處理軟件進行配圖，校準；選擇訓練樣區；利用GPS得到野外實地考察記錄，再加上歷史數據資料，在RS處理軟件中對訓練樣區中的水體、灘涂、人工堤壩、植物群落等執行監督分類；將分類后的圖像進行GIS數據合成，得到所要的訓練樣區面積值。數據處理流程圖如圖2所示。

3.根據權利要求書1所述，提取模型的初始訓練集。根據權利要求書2所述，由進行GIS數據合成后的訓練樣區的面積值以及專家經驗，設定模型的初始參數值。

4.根據權利要求書1所述，調用該模型進行預測。將模型的預測公式通過MATLAB編程，在計算機中對其建模。貝葉斯動態線性模型(Dynamic?Linear?Models，簡記為DLM)是由兩個方程確定的系統，這個系統描述為：

(I).過程的觀測如何隨機地依賴于當前的狀態參數；

(II).狀態參數如何隨時間變化，表示了系統內部的動態變化和隨機擾動。

定義：DLM由4個元素所決定，{F，G，V，W}_t＝{F_t，G_t，V_t，W_t}，

具體表示為：

觀測方程y_t＝F_t′θ_t+ν_t?ν_t～N[0，V_t]

狀態方程θ_t＝G_tθ_t-1+ω_t?ω_t～N[0，W_t]

初始先驗條件：(θ₀|D₀)～N[m₀，C₀]

觀測方程和狀態誤差序列是獨立的，并且是相互獨立的，且與(θ₀|D₀)獨立。

其中：y_t為r×1維觀測向量，θ_t為n×1維狀態參數向量，F_t為n×r維矩陣，G_t為n×n維矩陣，ν_t和ω_t分別為r維和n維的正態零均值誤差項，方差分別是V_t和W_t。D_t表示t時刻及其以前時刻所有有效信息的集合，D₀為t＝0時初始信息的集合，在沒有外部信息的條件下，D_t可記為D_t＝{y_t，y_t-1，…，y₁，D₀}

該模型預測的原理及過程如下：

1)t-1時刻的后驗分布：對于均值m_t-1和方差矩陣C_t-1有

(θ_t-1|D_t-1)～N[m_t-1，C_t-1]

2)t時刻的先驗分布：(θ_t|D_t-1)～N[a_t，R_t]，其中a_t＝G_tm_t-1?R_t＝G_tC_t-1?G_t′+W_t

3)一步預測分布：(y_t|D_t-1)～N[f_t，Q_t]，其中f_t＝F_t′a_t?Q_t＝F_t′R_t?F_t+V_t

4)t時刻的后驗分布：(θ_t|D_t)～N[m_t，C_t]，m_t＝a_t+A_te_t?C_t＝R_t-A_tA_t′Q_t

其中，A_t＝R_t?F_tQ_t^-1，e_t＝y_t-f_t。A_t叫做修正系數向量，e_t叫做一步預測誤差。貝葉斯動態模型預測方法的遞推過程如圖3所示。

5.根據權利要求書1所述，對預測值進行仿真，并與實際值進行對比；計算出實際值的95％置信區間，判斷預測值是否在該置信區間內。若不在則返回權利要求書3，根據專家經驗重設模型的初始參數值。