[發明專利]一種基于深度學習的有義波高預測方法

有效

• 申請號: 201811380116.7
• 申請日: 2018-11-19
• 公開（公告）號: CN109460874B
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 戴昊;雷發美;商少平;林銳;賀志剛
• 申請（專利權）人: 廈門大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08
• 代理公司: 廈門南強之路專利事務所(普通合伙) 35200
• 代理人: 張素斌

一種基于深度學習的有義波高預測方法，涉及海洋波高預測領域，首先利用待預測位置有義波高歷史數據和粒子群算法(Particle Swam Optimization,PSO)確定深度學習模型條件受限玻爾茲曼機?深度置信網絡(Conditional Restricted Boltzmann Machine?Deep Belief Network,CRBM?DBN)的關鍵結構參數，然后以高斯歸一化處理后的有義波高歷史數據進行模型的預訓練，使用預訓練得到的模型的權重和偏置作為初始值，結合后向傳播(Backward Propagation,BP)網絡對模型進行反向調優，優化確定模型，最后以此模型進行有義波高的預測。本發明能夠有效提高有義波高的短期預測精度，對海洋工程應用，尤其對海洋結構物和船舶設計等意義重大。

技術領域

本發明涉及海洋波高預測領域，尤其涉及一種基于深度學習的有義波高預測方法。

背景技術

海洋波浪參數，如：波高、波周期等的準確預測，對于海岸工程中建筑物的規劃、設計、使用、維護等至關重要。波高觀測值隨時間變化，是一種典型的時間序列數據，對其的預測主要分為：基于數理模型的預測和基于數據驅動的預測。對于波浪，基于數理模型的預測一般是通過波浪數值模型去實現，比如WAve Model(WAM)、Simulating WAves Nearshore(SWAN)和WAVEWATCH–III(WW3)。然而，這種方法建立的數值模型通常是近似或不充分的，且由于需要非常準確的水深測量輸入，因此，在實際的應用過程中，難以處理復雜多變的波浪時序數據，因而預測精度有限且計算代價頗高。

基于數據驅動的時間序列預測方法不依賴于研究對象的數學物理模型，從數據本身特性出發研究其內部規律進行預測，比較成熟的技術主要有基于支持向量機、濾波器、遺傳算法、模糊系統以及這些方法的混合。

近些年，海洋學家們頻繁嘗試設計各種神經網絡或混合神經網絡和其他方法的模型進行波高預測。比如：M.C.Deo等以風數據作為輸入，考察神經網絡對波高輸出數據的預測能力；而Ching-Piao Tsai、O.Makarynskyy、S.N.Londhe和Vijay Panchang則以波浪數據作為輸入，設計神經網絡預測波高；S.Mandal和N.Prabaharan則通過循環神經網絡，以“波浪-波浪”模式進行波高預測；根據氣象數據，同時使用神經網絡和回歸方法去預測月平均有義波高；I.Malekmohamadi、S.N.Londhe、以及Aditya N.Deshmukh等采用混合神經網絡和數值模型實現波高預測；為解決神經網絡預測波高時存在的延時現象、極大波高預測能力不足等問題，Paresh Chandra Deka、Pradnya Dixit和Shreenivas Londhe、Pradnya Dixit等結合神經網絡和小波技術進行完善。

上述這些神經網絡或其與其他方法混合使用的模型一般具有淺層結構，即：隱藏層通常只有1層。而且，隱藏層所含有的神經元個數也不多。在實際應用時，淺層結構機器學習方法的局限性在于有限樣本和計算單元條件下對復雜函數的表示能力有限，且其泛化能力也受到一定制約。

發明內容

本發明的目的在于針對現有技術中的上述問題，提供一種基于深度學習的有義波高預測方法，可有效提高有義波高的短期(≤6h)預測精度。

為達到上述目的，本發明采用如下技術方案：

一種基于深度學習的有義波高預測方法，包括以下步驟：

步驟1、對海上待預測位置的有義波高歷史數據作高斯歸一化處理，即將數據歸一化為零均值，單位方差；