[发明专利]一种海面高度持续性预测算法

权利要求书

1.一种海面高度持续性预测算法，其特征在于按照以下步骤进行：

(1)采用自回归移动平均模型进行海面高度持续性预测；

(2)采用人工神经网络模型进行海面高度持续性预测；

(3)建立海面高度持续性统计预测模型。

2.按照权利要求1所述一种海面高度持续性预测算法，其特征在于：所述步骤(1)中自回归移动平均模型：

用ARMA模型进行预测时，让{X_t}(t＝1,2,3,…,N)表示时间序列，{α_t}是零均值、方差为的正态白噪声过程，表示模型的自回归参数，θ_j(j＝1,2,…p)表示模型的滑动平均参数，B表示后移差分算子，则ARMA(p.q)模型如下

通过三步建立上述模型：模型识别、参数估计和模型检验，模型识别是指判断预测模型是AR、MA或ARMA，再确定模型阶数，即确定p和q，参数估计，是指在识别模型之后，通过合适的方法计算出(1)中的未知参数，即确定θ_j和

①确定模型的阶数

通过样本自相关系数及样本偏相关系数的形态来识别模型类别，对时间序列数据进行平稳化预处理后，首先计算原始序列自相关函数ACF，偏相关函数PACF，对于平稳时间序列X_t(t＝1,2,3,…,N)，具体判定如下：

均值为：

方差为：

协方差为：

相关函数为：

偏相关函数为：

k＝1,2…；i＝1,2…k-1.

模型的阶数是通过判断和的截尾性初步确定的；

②参数估计

选择最小二乘算法进行参数估计；

③模型检验

首先用拟合好的模型进行测试，同时计算出残差序列，如果模型的残差序列是白噪声序列，那么模型是有效的，否则需要增加模型阶数，再重新进行参数估计和模型检验，直到模型有效。

3.按照权利要求1所述一种海面高度持续性预测算法，其特征在于：所述步骤(2)中人工神经网络模型：

假设有N个训练样本(X_k，Y_k*)，k＝1，2，…，N，对某个样本(X_k，Y_k*)而言，先通过网络模型正向传播，设X_k＝(X_1k，X_2k，…，X_nk)为样本K的输入节点，先后经过输入层，隐含层逐层处理，最后由输出层输出，得出训练样本K的BP网络训练输出为Y_k＝(Y_1k，Y_2k，…，Y_nk)，样本K的网络输出Y_k与期待输出Y_k*之间的差值，即为网络误差，然后，将误差值从输出层向输入层逆向传播，在逆向传播过程中，不断修正各层神经元的阀值；

误差逆向传播计算过程中，设

输入向量X_k输入后传播到第l层节点j的输入；

第l层节点j的输出；

第l-1层的节点i连接第l层节点j的阀值；

n^(l-1)：l-1层的节点个数；

f：激励函数；

BP网络的神经元激励函数通常使用Sigmoid型函数，根据BP网络神经元的输入输出关系，有：

神经元j对样本K的网络计算输出与样本K对神经元j的期望输出的误差为：

假如第l层为BP网络的输出层，即神经元j是输出节点，那么样本K的计算输出与期待输出之间的误差是：

假如在N个训练样本中，任何样本K的m个输出节点的输出误差在规定的范围之内，即有那么训练过程到此结束；否则，继续将误差逆向传播，按误差的负梯度来不断修正阀值W，即：

式中，η为训练速率，0<η<1；

由(5)式，(6)式，(7)式，得出：

其中，

为了得出的计算公式，下面分两种情况讨论。

(1)假如第l层为输出层，则由(8)式可得出：

由(9)式、(10)式可得出(13)式：

由(9)式、(10)式、(12)式可得出(14)式：

假如第l不是输出层，那么根据BP网络的误差反向传播，定义第l层节点j的误差对节点j的输出的改变率δ为第l+1层的n^(l+1)个节点误差对其输出的变化率之和。那δ的公式为：

及

由(14)、(16)式，可以计算出误差逆向传播时，输出层各节点和隐含层各节点的改变率δ，(13)式给出了输出层的各节点的δ值计算方法，可用(15)式反向逐层计算出各隐含层的所有节点的δ值。得出各节点的δ值后，就可以用(14)式、(16)式计算出各节点的阀值修改量ΔW，从而对阀值进行修正。

4.按照权利要求1所述一种海面高度持续性预测算法，其特征在于：所述步骤(4)建立海面高度持续性统计预测模型是以全球验潮站信息产品为主要数据源，利用回归移动平均模型预测方法和人工神经网络模型预测方法开展海面高度持续性预测技术研究，并对预测方法得到的预测结果进行检验评估，优化预测技术，以此为基础，建立海面高度持续性统计预测模型，且预测精度能够满足业务保障需求。