[發明專利]一種基于CGBP算法的深度基準面擬合方法

在審

• 申請號: 201810433781.1
• 申請日: 2018-05-08
• 公開（公告）號: CN109754058A
• 公開（公告）日: 2019-05-14
• 發明（設計）人: 張亮;張佳麗;付曉梅;翟京生;常帥
• 申請（專利權）人: 天津大學
• 主分類號: G06N3/02
• 分類號: G06N3/02;G06F17/50
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 劉玥

本發明公開了一種基于CGBP算法的深度基準面擬合方法，包括以下步驟：步驟A，確定網絡結構，確定網絡層數、節點數與傳遞函數；步驟B，采用基于Fletcher?Reeves共軛梯度算法對網絡進行訓練；步驟C，對網絡性能進行測試。本發明基于CGBP算法構建BP神經網絡模型對深度基準面進行擬合，用于提高網絡訓練速度與擬合精度，相比于傳統的深度基準面擬合方法，具有更好的擬合精度，且基于CGBP算法的BP網絡所具有的泛化能力使該方法在海洋無縫深度基準面構建中，對不同海域的驗潮站數據都具有較好的適用性。

技術領域

本發明涉及海洋無縫垂直基準面構建，特別涉及一種基于CGBP算法的深度基準面擬合方法。

背景技術

深度基準面是相對于當地長期平均海平面垂線方向以下L的基準面，根據驗潮站的驗潮資料，采用模型算法或傳遞算法可計算得到各驗潮站的深度基準面。此外，在一般情況下，驗潮站的平面位置(x,y)也可獲得，所以根據驗潮站已知平面位置和深度基準面高，則可采用幾何插值或擬合的方法來構建某一區域連續無縫深度基準面。由于驗潮站的布設成離散、點狀分布特征，從而導致深度基準面也為離散非連續，所以進行深度基準面的高精度擬合對海洋無縫垂直基準面的建立具有重要意義。神經網絡算法一直是國內外研究的熱點，BP神經網絡具有更小的模型誤差而被廣泛應用。傳統的BP網絡算法存在自身的限制與不足，主要表現在訓練過程的不確定上，例如訓練時間過長、陷入局部極小值、學習過程常常發生震蕩等。BP網絡訓練的實質是一個非線性函數目標的優化問題，基于數值優化的訓練算法除了利用目標樣本的一階梯度信息，往往還利用目標樣本的二階梯度信息，處理一些問題時在收斂速度上都存在著一定問題。

發明內容

本發明的目的是克服現有技術中的不足，提供一種基于CGBP算法的深度基準面擬合方法，應用于海洋無縫垂直基準面的構建。本發明針對深度基準面的特點及應用需求，采用基于變梯度算法(CGBP)對BP網絡進行訓練，不僅能夠提高收斂速度、減小計算的復雜度，從而提高深度基準面的擬合精度，還可以消除梯度幅度的不利影響。運用變梯度算法訓練的神經網絡具有很好的泛化能力，可以廣泛應用于深度基準面的擬合。

本發明所采用的技術方案是：一種基于CGBP算法的深度基準面擬合方法，包括以下步驟：

步驟A，確定網絡結構，確定網絡層數、節點數與傳遞函數；

步驟B，采用基于Fletcher-Reeves共軛梯度算法對網絡進行訓練；

步驟C，對網絡性能進行測試。

進一步的，步驟A具體包括：

步驟A1，提取驗潮站的平面坐標(x,y)作為輸入因子，深度基準面值為輸出因子，為了實現基于神經網絡的深度基準面擬合的數學模型表達為：

L＝f(x,y) (1)

神經網絡結構模型的輸入層取兩個神經元，輸出層取一個神經元，則神經網絡結構模型為2×M×1，其中M的經驗取值為：

式中M為隱層節點數；n_i為輸入節點數；n₀為輸出節點數；a為1～10之間的常數；

步驟A2，隱層激活函數采用雙曲正切S型函數作為傳遞函數，傳遞函數的數學表達式為：

式中，net1為隱層神經元的輸入加權和；

輸出層采用線性傳遞函數，線性傳遞函數的數學表達式為：

S₂(net2)＝net2 (4)

式中，net2為輸出層的輸入加權和。

進一步的，步驟B具體包括：