[发明专利]一种基于深度学习的有义波高预测方法

摘要

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。

主权项

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。