[发明专利]一种基于深度学习的有义波高预测方法

权利要求书

1.一种基于深度学习的有义波高预测方法，其特征在于：包括以下步骤：

步骤1、对海上待预测位置的有义波高历史数据作高斯归一化处理，即将数据归一化为零均值，单位方差；

步骤2、利用粒子群优化算法确定深度学习模型的关键结构参数，确定的模型为条件受限玻尔兹曼机-深度置信网络模型，模型的关键结构参数为：输入层神经元个数、隐藏层层数、每个隐藏层的神经元个数和输出层神经元个数；

步骤3、以步骤2中确定的关键结构参数进行条件受限玻尔兹曼机-深度置信网络模型预训练，获得模型的权重和偏置；

步骤4、将步骤1中所用的原始的有义波高历史数据归一化到[0,1]；

步骤5、将步骤3得到模型的权重和偏置作为初始值，结合后向传播神经网络对模型进行反向调优；

其中，t为当前时刻，以时刻t-3，t-2，t-1和t的实际观测波高数据作为输入，分别预测时刻t+1、t+3和t+6的波高输出。

2.如权利要求1所述的一种基于深度学习的有义波高预测方法，其特征在于：在步骤1中，所述高斯归一化处理的公式为：

其中，y和y^*分别表示归一化前后有义波高历史数据，y_mean表示有义波高历史数据平均值，y_std表示有义波高历史数据标准差。

3.如权利要求1所述的一种基于深度学习的有义波高预测方法，其特征在于：在步骤2中，粒子群优化算法如下：

(1)初始化条件受限玻尔兹曼机-深度置信网络模型中关键结构参数的位置和速度；

(2)计算条件受限玻尔兹曼机-深度置信网络模型中关键结构参数的适应度值；

(3)寻找条件受限玻尔兹曼机-深度置信网络模型中关键结构参数的个体和群体最优适应度值；

(4)更新条件受限玻尔兹曼机-深度置信网络模型中关键结构参数的速度和位置，所用公式如下：

其中，ω表示惯性权重；k为当前迭代次数；V_i为第i个关键结构参数的速度；X_i为第i个关键结构参数的位置；c₁和c₂为非负的常数，称为加速度因子；r₁和r₂为分布于[0,1]之间的随机数；P_i和P_g分别表示关键结构参数个体和群体最优适应度值；

为防止关键结构参数的盲目搜索，将其位置和速度限制在一定的区间范围内，条件受限玻尔兹曼机-深度置信网络模型中输入层神经元个数、隐藏层层数、每个隐藏层的神经元个数和输出层神经元个数分别设定区间为[1,6]、[1,5]、[3,10]和[1,6]；

(5)如果算法没有满足终止条件，则返回第(2)步继续；否则，结束。