[發明專利]基于多正弦函數分解神經網絡預測海浪有效波高的方法

有效

• 申請號: 202010621182.X
• 申請日: 2020-07-01
• 公開（公告）號: CN111811465B
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 付東洋;王煥;黃浩恩;劉貝;余果;肖秀春;劉大召;金龍
• 申請（專利權）人: 南方海洋科學與工程廣東省實驗室（湛江）
• 主分類號: G01C5/00
• 分類號: G01C5/00;G01C13/00;G06N3/04;G06N3/08
• 代理公司: 西安研創天下知識產權代理事務所(普通合伙) 61239
• 代理人: 郭璐

1.基于多正弦函數分解神經網絡預測海浪有效波高的方法：其特征在于，包括：

S1.首先獲得海浪波動的時間序列L(t_j)，并將時間序列L(t_j)分為用于學習的數據時間長度和用于驗證模型效果的數據時間長度；

S2.選擇用于學習的數據時間長度作為輸入最終預測波高數據的時間長度，根據學習的數據時間長度，利用數據的空間分辨率網格依次提取單點的時間序列，并選擇使用M個正弦函數對提取的單點時間序列進行分解學習，得到M次學習后的正弦函數最后將學習的正弦函數的結果進行累加：

其中：i(i＝1,2,3,…,M)為正弦函數的個數，A_i,B_i,C_i為正弦函數的系數，且所述A_i,B_i,C_i的初始值是隨機選擇的；

S3.將得到的正弦函數的結果與原始的驗證數據進行比較計算均方誤差，判斷預測結果，滿足MSE設置的閾值后進行未來時間有效波高的預測，將預測結果放回到提取初始時間序列的位置，直至所有的網格點預測完成，實現整個區域的有效波高預測；

步驟S2所述的分解學習的具體過程為：

S201.記第一次的分解輸入為L₁(t_j)，通過最小二乘法進行擬合確定A₁、B₁、C₁得到然后計算與輸入時間序列的均方根誤差(RMSE)控制擬合精度，然后進行多次A₁、B₁、C₁參數選擇，將擬合誤差相對較小的作為第一次學習得到的正弦函數結果緊接著計算第一次學習后的殘差序列L₂(t_j)作為第二次分解學習的輸入:

則：

S202.第二次學習后的結果為學習后的殘差序列L₃(t_j)作為第三次分解學習的輸入：

則：

……

S20M.直至第M次學習完成，得到第M次的學習結果，也即第M個正弦函數

其中：在步驟S202和S20M中，均包括步驟S201的判斷過程；且所述M≥30；

S20M+1.然后將學習的M個正弦函數的結果進行累加，得到F(t)：

2.根據權利要求1所述的基于多正弦函數分解神經網絡預測海浪有效波高的方法，其特征在于，步驟S1所述的得到海浪波動的時間序列L(t_j)的過程包括以下步驟：

S101.對經緯度范圍為105°E-112°E，17°N-22°N，時間分辨率為6小時，空間分辨率為0.125°×0.125°的ECMWF ERA-Interim有效波高數據進行時間上的加權平均，分別整理成月平均數據和季平均數據，得到海浪波動的時間序列L(t_j)；

S102.對所述時間序列L(t_j)按3:1的比例分成用于學習的數據時間長度和用于驗證模型效果的數據時間長度；

其中：所述時間序列L(t_j)包括月平均數據和季平均數據。

3.根據權利要求1所述的基于多正弦函數分解神經網絡預測海浪有效波高的方法，其特征在于，步驟S3的具體步驟為：

S301.使用均方誤差對預測結果進行評價和閾值選拔的具體過程為：

其中：MSE表示均方誤差，X表示驗證數據，Y表示預測得到的預測數據，Xn(Yn)分別表示數組X(Y)中對應的第n個元素，m表示數據個數；

S302.當均方誤差MSE≥0.09時，再次對進行正弦函數對輸入序列進行學習；

S303.當學習的正弦函數的預測數據與驗證數據的均方誤差MSE0.09時，進行單點預測結果繪圖和保存，完成對整個區域的有效波高預測。