本发明涉及潮汐预报,具体而言,尤其涉及一种具有自适应模型结构的潮汐组合预报方法。
背景技术:
1、潮汐现象是指海水在天体引潮力作用下所产生的周期性涨落运动,海水在水平方向的流动称为潮流。地潮、海潮和气潮的原动力都是日、月对地球各处引力不同而引起的,三者之间互有影响。潮汐现象形成的主要原因是月球引力和离心力的合力是引起海水涨落的引潮力。潮汐预报在海洋资源的开发利用中占据及其重要地位。
2、潮汐预报的传统方法为调和分析法。该方法通过对验潮站长期潮汐数据的统计和分析,计算得到模型中各分潮的参数,并基于建立潮的数学模型得到长期的潮汐预报。由于潮汐受到多种因素的影响,周期因素如引潮力、月球轨道的倾角等;非周期因素如风力、气压、降水等。传统的调和分析法的预报精度除了受收据数量和分潮数量的影响,还无法分析非周期因素的影响,导致预报精度较低。
3、利用调和分析法进行潮汐预报存在以下问题:(1)由于调和分析法所需要的分潮数目较多,该方法需要一个点位的长期实测潮汐数据来确定各分潮的参数,而现实问题是,目前的沿海海域存在着许多潮汐资料空白区域,而一些区域由于海洋工程和船舶航行而需要响应的潮汐数据。所以经常需要在进行有限观测的前提下进行潮汐预报。(2)该模型无法反映非周期的时变因素,如水文气象因素对潮汐的影响,限制了该方法对潮汐的预报精度,尤其是在水文气象因素变化剧烈的情况下会导致预报误差较大,经常会导致严重影响航行安全和航运效率。
技术实现思路
1、有鉴于此,本发明的目的在于提出一种具有自适应模型结构的潮汐组合预报方法,以解决现有潮汐预报方法无法在有限观测的前提下进行潮汐预报的技术问题。
2、本发明采用的技术手段如下:
3、一种具有自适应模型结构的潮汐组合预报方法,包括如下步骤:
4、s1、采集目标点位及附近点位的实测数据;
5、s2、利用调和分析法建立调和常数模型;
6、s3、计算调和常数模型所输出的第一预报结果,将实测数据的实际潮汐值减去第一预报结果得到差值,对差值进行多尺度分解,得到子序列;
7、s4、利用动态正交模型选择算法建立变结构神经网络预测模型,利用lipschitz熵值法进行子序列预报模型结构的确定,利用变结构神经网络预测模型对子序列进行辨识和预报,得到第二预报结果;
8、s5、将第一预报结果与第二预报结果相加,得到最终预报结果。
9、进一步地,所述实测数据包括潮汐数据、气象数据和水文数据,所述气象数据包括气压、风力、风向和气温的实测数据,所述水文数据包括水温、降水和盐度的实测数据。
10、进一步地,s2中,所述调和常数模型为:
11、
12、其中,是分析期间的平均海面高度,和分别是因月球轨道周期变化所需要对分潮平均振幅和相角所做的修正值,是交点因子,是交点修正角,是分潮的平均振幅,是格林尼治零时分潮的初相角,是分潮的角速度,是分潮的格林尼治迟角。
13、进一步地,s3中,采用经验模式分解方法对差值进行多尺度分解,公式如下:
14、
15、其中, imf为分解出的分量, r为潮汐预报值之间的差值。
16、进一步地,s4中,利用动态正交模型选择算法建立变结构神经网络预测模型的具体步骤如下:
17、s41、建立滑动数据窗口;
18、建立滑动数据窗口对船舶运动进行状态观测,利用实时更新的输入输出数据动态调整基于径向基函数神经网络的拟合模型;
19、所述滑动窗口为固定宽度的先进先出的数据样本序列,当接收到一组新的输入-输出数据后,将新数据组加入滑动窗口,最早的一组数据则移出滑动窗口,将 t时刻的滑动窗口 wsd表示为:
20、
21、其中, l为滑动窗口的宽度;利用滑动窗口内的输入-输出数据组,即分别用输入矩阵 p与对应的输出向量 q来表示映射关系的实时动态:
22、
23、
24、式中, np为输入矩阵的维数;
25、分别用输入矩阵 p与对应的输出 q作为径向基函数神经网络的输入和输出,对神经网络进行训练和动态调整;
26、s42、在每一步接收到新数据样本后,更新滑动数据窗口,将最新的样本加入窗口,而将最早的样本从窗口中删除,直接将新数据样本加入隐层作为一个新的隐节点;
27、s43、计算隐层的响应矩阵,其中
28、
29、其中, cj为第 j个隐节点的中心, pi为第 i个样本,表示欧氏距离,为基函数宽度; m为隐节点的数目,将 φ中的向量利用gram-schmidt法则进行正交分解 φ=wa,得到;
30、计算误差下降率:
31、;
32、标准化误差下降率:
33、;
34、选择对输出贡献的和小于设定值的那些隐节点,直至所选择隐节点标准化误差下降率的和,选择k1, ..., ks构成预备删除隐节点集合 sk ={};
35、取在过去连续 ms步被选中的隐节点集合的交集 i并删除在 i中的隐节点:
36、
37、s44、在每一步隐节点确定后,利用最小二乘法更新隐层至输出层的连接权值;
38、。
39、进一步地,s4中,获取第二预报结果具体包括如下步骤:
40、对于每一个分量 imfj均利用神经网络对其进行辨识和预报,对于 imfj进行 q-步超前预报,而预测模型输入阶次利用lipschitz熵值法确定为 p,则 q-步超前预报的结构为 p-输入-1-输出,而神经网络辨识过程输入输出为:
41、
42、其中, pj是对第 j个imf分量神经网络输入的个数,由lipschitz熵值法根据数据确定,以增加方法的自适应性;
43、在预测过程中的输入和输出分别为:
44、
45、对于余值的神经网络预报值由对每个分量的预测值重组得到:
46、
47、其中, n为emd分解自动确定的分解阶次。
48、进一步地,s4中,所述最终预报结果的公式如下:
49、
50、其中, yh( t+q)为第一预报结果,为第二预报结果。
51、本发明还提供了一种存储介质,所述存储介质包括存储的程序,其中,所述程序运行时,执行上述任一项具有自适应模型结构的潮汐组合预报方法。
52、本发明还提供了一种电子装置,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器通过所述计算机程序运行执行上述任一项具有自适应模型结构的潮汐组合预报方法。
53、较现有技术相比,本发明具有以下优点:
54、本发明对潮汐调和分析预报余值进行分解的阶次即分解产生子序列的数目利用经验模式分解方法进行自动确定;所利用神经网络预报方法的预报模型输入阶次根据观测数据利用lipschitz熵值法自动确定;变结构神经网络的网络隐节点数目、隐节点位置通过利用标准化误差下降率自动确定。这些自适应确定模型结构的方法大大减少了人工确定模型结构带来的耗时长、任意性强、无法反映系统动态和往往无法达到最优的缺点,提高了所得模型的预测精度和算法的稳定性。
55、相对于利用传统调和分析法的潮汐预报,本发明充分利用径向基函数神经网络能够实现精确的非线性拟合的能力,能够得到更精确的潮汐预报。而传统的基于调和分析的预报方法虽然可以反映天体引潮力的影响并给出稳定的潮汐预报,但无法反映时变的非周期性水文气象等因素的影响,从而出现预报精度不高的情况,在外界环境因素影响大的情况下容易出现较大的预报误差。