[发明专利]基于自组织神经网络及经验正交函数的水下温度场重构方法

说明书

本发明涉及一种基于自组织神经网络及经验正交函数的水下温度场重构方法，建立了温度剖面对应的经验正交函数系数、位置信息、时间信息、海面高度、海面温度等多维信息的自组织特征映射图，利用已知信息与自组织特征映射单元之间的欧式距离判断最佳匹配单元，从而获取待反演的经验正交函数系数。基于大量数据信息建立海面参数与水体温度剖面的特征映射网络，能够实现海面参数到水体剖面的非线性映射。实施效果，基于自组织神经网络及经验正交函数的水下温度场重构方法性能优越，稳健性好，不需要了解海域内的动力过程，只利用海洋环境参数之间的相关性，计算量小，实现简单，适用于利用卫星遥感数据对重点关注海域的海洋环境参数进行准实时获取。

技术领域

本发明属于海洋物理、海洋工程及水声工程等领域，涉及一种基于自组织神经网络及经验正交函数的水下温度场重构方法，适用于利用卫星遥感数据进行水下温度场重构。

背景技术

尽管目前有多种水下温度场重构方法已经用于工程实际，如温度剖面逐深度层回归方法、经验函数回归方法等，但针对深海复杂水域的水下温度场重构，仍面临严重的技术挑战。究其根源，主要是因为现有的温度剖面重构方法面对复杂海洋环境的强非线性过程时存在一定缺陷，具体分析如下：

(1)温度剖面逐深度层回归方法。该方法利用海面遥感参数与温度剖面每一层上温度异常值的相关性，建立海面遥感参数与温度异常值的回归关系。温度剖面的重构精度与海洋动力过程、空间分辨率、时间分辨率、海面遥感参数观测精度、海面遥感参数组合等因素有关，其中海洋动力过程及海面遥感参数是关键。在涡旋频发及强锋面存在海域，海面遥感参数变化与温度剖面异常通常不存在显著相关性，会引起温度剖面重构的显著误差。更为重要的是，该方法进行逐深度层回归的特性，易导致重构剖面在垂直方向上的不连续性。

(2)单经验正交函数方法。该方法将温度剖面由经验正交函数及经验正交函数系数表示，利用海面遥感参数与经验正交函数系数之间的相关性建立二者的回归关系。温度剖面的重构精度与海洋动力过程、空间分辨率、时间分辨率、海面遥感参数观测精度、海面遥感参数组合等因素有关，其中海洋动力过程及海面遥感参数是关键。与上述方法相同，在涡旋频发及强锋面存在海域，海面遥感参数与经验正交函数系数通常不存在显著相关性，会引起温度剖面重构的显著误差。

简言之，温度剖面逐层回归方法、单经验正交函数方法等一般会在海洋动力过程活跃区域引起较大的温度剖面重构误差。因此，必须寻求新的原理和技术途径。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于自组织神经网络及经验正交函数的水下温度场重构方法，特别适用于深海多尺度海洋环境中的水下温度场重构。

技术方案

一种基于自组织神经网络及经验正交函数的水下温度场重构方法，其特征在于步骤如下：

步骤1：在研究海域内每条剖面，以T表示温度剖面集合的矩阵形式，为p×q矩阵，其中p为温度剖面的层数，q为温度剖面数目；

对T进行经验正交分解：

R＝T×T'

(R-λI)K＝0

其中：R为T的协方差矩阵；λ为R的特征值；K为与特征值对应的经验正交矩阵，由经验正交函数v_i组成，为p×p矩阵；

K＝{v₁,v₂,...,v_p}；

步骤2、建立自组织映射图，并利用历史数据完成对自组织映射网络参数的训练：

所述自组织映射网络包括输入层和竞争层即输出层：输入层神经元数为n，竞争层由m个神经元组成的一维或者二维平面阵列；网络为全连接结构：每个输入结点都与所有的输出结点相连接；