[发明专利]一种基于深度学习的有义波高预测方法

说明书

一种基于深度学习的有义波高预测方法，涉及海洋波高预测领域，首先利用待预测位置有义波高历史数据和粒子群算法(Particle Swam Optimization,PSO)确定深度学习模型条件受限玻尔兹曼机‑深度置信网络(Conditional Restricted Boltzmann Machine‑Deep Belief Network,CRBM‑DBN)的关键结构参数，然后以高斯归一化处理后的有义波高历史数据进行模型的预训练，使用预训练得到的模型的权重和偏置作为初始值，结合后向传播(Backward Propagation,BP)网络对模型进行反向调优，优化确定模型，最后以此模型进行有义波高的预测。本发明能够有效提高有义波高的短期预测精度，对海洋工程应用，尤其对海洋结构物和船舶设计等意义重大。

技术领域

本发明涉及海洋波高预测领域，尤其涉及一种基于深度学习的有义波高预测方法。

背景技术

海洋波浪参数，如：波高、波周期等的准确预测，对于海岸工程中建筑物的规划、设计、使用、维护等至关重要。波高观测值随时间变化，是一种典型的时间序列数据，对其的预测主要分为：基于数理模型的预测和基于数据驱动的预测。对于波浪，基于数理模型的预测一般是通过波浪数值模型去实现，比如WAve Model(WAM)、Simulating WAves Nearshore(SWAN)和WAVEWATCH–III(WW3)。然而，这种方法建立的数值模型通常是近似或不充分的，且由于需要非常准确的水深测量输入，因此，在实际的应用过程中，难以处理复杂多变的波浪时序数据，因而预测精度有限且计算代价颇高。

基于数据驱动的时间序列预测方法不依赖于研究对象的数学物理模型，从数据本身特性出发研究其内部规律进行预测，比较成熟的技术主要有基于支持向量机、滤波器、遗传算法、模糊系统以及这些方法的混合。

近些年，海洋学家们频繁尝试设计各种神经网络或混合神经网络和其他方法的模型进行波高预测。比如：M.C.Deo等以风数据作为输入，考察神经网络对波高输出数据的预测能力；而Ching-Piao Tsai、O.Makarynskyy、S.N.Londhe和Vijay Panchang则以波浪数据作为输入，设计神经网络预测波高；S.Mandal和N.Prabaharan则通过循环神经网络，以“波浪-波浪”模式进行波高预测；根据气象数据，同时使用神经网络和回归方法去预测月平均有义波高；I.Malekmohamadi、S.N.Londhe、以及Aditya N.Deshmukh等采用混合神经网络和数值模型实现波高预测；为解决神经网络预测波高时存在的延时现象、极大波高预测能力不足等问题，Paresh Chandra Deka、Pradnya Dixit和Shreenivas Londhe、Pradnya Dixit等结合神经网络和小波技术进行完善。

上述这些神经网络或其与其他方法混合使用的模型一般具有浅层结构，即：隐藏层通常只有1层。而且，隐藏层所含有的神经元个数也不多。在实际应用时，浅层结构机器学习方法的局限性在于有限样本和计算单元条件下对复杂函数的表示能力有限，且其泛化能力也受到一定制约。

发明内容

本发明的目的在于针对现有技术中的上述问题，提供一种基于深度学习的有义波高预测方法，可有效提高有义波高的短期(≤6h)预测精度。

为达到上述目的，本发明采用如下技术方案：

一种基于深度学习的有义波高预测方法，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；