[发明专利]一种基于机器学习修正蒸发波导预测模型的方法

说明书

本发明公开了一种基于机器学习修正蒸发波导预测模型的方法，包括如下步骤：步骤A：采集大气折射率剖面数据，分析蒸发波导参数；步骤B：确定多参数蒸发波导预测经验模型；步骤C：使用机器学习的方法修正模型，确定最优参数；步骤D：预测蒸发波导的高度。本发明提出了一种基于机器学习的、可以根据时间分布的确定最优参数的多参数蒸发波导预测经验模型修正。该方法将多参数蒸发波导预测模型、大气折射率剖面与机器学习进行了有机结合，采用实测大气折射率剖面数据构建训练集和测试集，实现了对多参数蒸发波导预测经验模型的修正。

技术领域

本发明涉及蒸发波导模型，机器学习领域，具体涉及一种基于机器学习修正蒸发波导预测模型的方法。

背景技术

蒸发波导是大气波导的比较常见的一种形式，它产生于特定气象水文条件下，伴随着海面水汽的蒸发和扩散，海面上方的大气湿度随高度骤减形成较大的湿度垂直梯度变化，相应的大气折射指数随高度的增加而减小，产生负梯度变化趋势。蒸发波导的存在对海面无线电通讯的性能有很大影响，可以使其实现超视距传播。微波在蒸发波导环境中传播时，波阵面由球面扩展转变为近似柱面扩展，从而使电波传播的路径损失大大减小，实现前向超远距离传播。蒸发波导是一种海上经常出现的特殊大气层结构，它对电磁波传播有重要影响。同时有研究证明，在大部分海域可以认为蒸发波导持续存在，蒸发波导的高度是确定低层大气折射率剖面的关键参数，该高度表明蒸发波导的强度和厚度，因此对蒸发波导高度的预测有重要的现实意义。

蒸发波导的模型本质上是一种基于边界层理论及陆地、海上的波导观测实验得到经验模型。随着人工智能领域的蓬勃发展，机器学习方法日趋成熟，该方法是提取数据中潜在规律的有效手段，而机器学习的目的就是从这些数据集中提取这些经验和规律，用于预测数据的未来状态。机器学习在数据计算、物联网工程、经济学等领域中应用十分广泛，但在蒸发波导预测模型的研究中应用较少。

近些年，随着观测器材的发展和观测方法的进步，国内外学者开展了若干大型海上观测实验，并基于这些实验总结了许多边界层相似变量之间的新型经验关系。再结合边界层相似理论，已有多个蒸发波导诊断模型被提出。但是现有的蒸发波导诊断模型的建模方法都是基于边界层相似理论，也受到边界层相似理论中许多假设和近似的约束，使得诊断出的蒸发波导特征参数和大气折射率剖面特征存在固有误差。基于边界层理论的影响，传统诊断模型的准确性具有自身的限制。机器学习是获得潜在规律的有效方法，所获得的规律完全基于数据，并不会受到边界层理论中的基本假设的限制。

综上，有必要提出一种基于机器学习修正蒸发波导预测模型的方法。

发明内容

本申请提供了一种基于机器学习修正蒸发波导预测模型的方法，利用此方法可以得到多参数蒸发波导预测经验模型的最优参数，从而大大降低多参数蒸发波导预测经验模型的蒸发波导预测误差。

具体地，本发明提供的一种基于机器学习修正蒸发波导预测模型的方法，包括如下步骤：

步骤A：采集大气折射率剖面数据，即大气折射率随高度变化的数据，自变量为高度，因变量为大气折射率，据此根据折射率梯度由负变正时的拐点，分析蒸发波导强度和厚度；

步骤B：利用专家系统确定多参数蒸发波导预测经验模型；

步骤C：利用机器学习的方法修正模型，确定最优参数；

步骤D：预测蒸发波导的高度，分析蒸发波导强度和厚度。

进一步地，

步骤A包括如下步骤：

步骤A1：对采集的大气折射率剖面数据，分析数据中已知参数，包括大气折射率及其对应的高度；

步骤A2：分析蒸发波导的高度，在大气折射率剖面中大气折射率梯度由负变正时拐点对应的高度即蒸发波导的高度；

步骤A3：根据蒸发波导的高度分析蒸发波导参数。