本发明专利技术公开了一种基于混沌优化BP神经网络模型的江河涌潮短期预报方法，该方法利用混沌理论，分析原有经验模型中预报潮时的误差序列，是否具有混沌特性，若具有，则利用重构相空间技术构造一个多维的向量，支起一个相空间，再利用该相空间作为BP神经网络的输入结构，最终得出可能的潮时预报误差。本发明专利技术的方法将经验模型与非线性预报模型相结合，同时利用混沌理论优化新模型的参数结构，基于到潮时差序列的预测数据精度比现有预测方法的预测精度更高。且该方法不依赖于气象、河床等自然因素，也不依赖丰富的预测经验，只需当地水文站提供潮水的历史记录数据，可用于不同江河的潮水预测。
【技术实现步骤摘要】
本专利技术属于信息自动化
，涉及一种江河涌潮预报方法，尤其涉及一种基 于混沌优化BP神经网络模型的江河涌潮短期潮时预报技术。
技术介绍
东海潮进入杭州湾后，受杭州湾特殊的地形影响，潮差急速增大，潮波非线性变 形加剧，在澉浦上游形成水位骤然升高的涨潮波前锋线，即为钱塘江涌潮。基本上钱塘江 每天会有两次的涌潮产生，不熟悉其涨潮时间将会人员或财产上的损失，所以精确的涌潮 预报技术对保障沿江居民安全、船舶航行安全以及沿岸工程设施相当重要。实际应用中，钱 塘江涌潮预报主要根据前一天的潮水到达时间，凭借经验来预测今天潮水到达时刻；同时 也有部分学者通过计算机的仿真能力来搭建人工神经网络来预报涌潮潮时，神经网络从历 史数据中获取知识，实现非线性函数的逐步逼近。然而经验模型一定程度的弱化了涌潮受 径流、风速和地形等方面的影响，预报模型如果一开始就忽略这些误差存在，那么模型预报 精度是有限的；人工神经网络虽然具有高度的容错性、并行处理数据和强大的泛化能力，但 其模型的输入结构是决定模型预报效果好坏的关键技术之一，现阶段的应用中，大都是以 连续几天的到潮时作为模型输入，该方式没有可靠的理论依据，并且是以连续多少天的数 据作为输入也没有统一的说法。
技术实现思路
本专利技术的目的在于针对现有技术的不足，提出一种优化BP神经网络模型的江河 涌潮短期预报方法，以改良原有的预报算法，提升江河涌潮潮时预报的准确度。 本专利技术的基于混沌优化BP神经网络模型的江河涌潮短期预报方法，包括如下步 骤： 步骤一：首先读取沿江若干个水文站的历史数据，根据经验模型获取一段时间内 每个水文站的到潮时差序列，具体为利用该水文站该段时间内每天的实际到潮时间与该曰 到潮预测时间相减获得该水文站的到潮时差序列；其中每天的到潮预测时间为前一天的实 际到潮时间； 步骤二：判断上述到潮时差序列是否具有混沌特性，具体方法如下： a、作出其关于时间τ的自相关函数图，当函数的绝对值低于初始值的l-1/e且首 次到达最低点时，所对应的τ为重构相空间的时间延迟τ;自相关函数如下：式中：x⑴为到潮时差序列，其中i=1，2，···，η，η是序列长度，为序列均值，C(τ)为时间延迟τ的自相关系数； b、利用饱和关联维数法来确定嵌入维数m:设X(i)和X(j)为相空间的一对相点， i和j不相等，相点的表达式如下： X⑴=(x(i)，x(i+τ)，…，x(i+(m-l)τ)) (2) (i= 1，2，…，η-(m_l)τ) 式中：x⑴为到潮时差序列，其中i= 1，2，···，η，n是序列长度，τ为时间延迟， m为嵌入维数； 给定一临界距离r，相空间中距离小于r的点对数目在所有点对中所占的比例即 为关联函数： 式中：η为总相点数，Η(·)为Heaviside阶跃函数，| |X⑴_X(j) | |为两个相点间 的距离，选择无穷范数；可由lnC(r，m)与lnr的关系曲线中线性段的斜率估计出关联维数 D的值；随着m值的增加，存在一个m值，当达到此值后，关联维数不再随着m的增加而变化， 则表明该事件序列为混沌系统，此时的m为饱和嵌入维数；否则，表明该序列为随机系统， 不具有混纯特性； 步骤三：对上述判断为混沌系统的序列，根据式（2)建立该到潮时差序列的重构 相空间； 步骤四：训练BP神经网络模型，确定内部参数；具体方法如下： a、设置网络训练次数、训练目标误差、训练速率和训练算法； b、将重构的相空间相点归一化处理，以每个相点作为神经网络的输入，以每个相 点中最大日期的下一个到潮时差值作为网络的期望输出，构造输入矩阵P和目标矩阵T。 c、通过调用train函数，对基于混沌优化的人工神经网络进行潮水到潮时差数据 训练直至收敛； 步骤五：将测试样本带入训练获得的神经网络，并对结果反归一化处理，最终输出 测试所需的到潮时差值。 随着近年来混沌理论的发展，许多非线性系统的随机行为被证明具有混沌特性。 混沌不是简单的无序，而是没有明显的周期和对称，但却是具有丰富内部层次的有序结 构，是非线性系统中一种新的存在形式。基于区域模型的时间序列预报已应用于各种混沌 动力系统中，通过将单变量的时间序列映射到高维的相空间，再将其分割成几个子空间，并 研究他们下一步演化的规律，最终通过各子空间预测值的加权叠加来等效当前整体系统的 演化趋势。在中长期内，由于状态向量轨迹发散较大，导致该方法预测精度较低，但是向量 轨迹在短期内发散较小，具有短期可预测性。本专利技术利用混沌理论，分析原有经验模型中 预报潮时的误差序列，是否具有混沌特性。若有，则利用重构相空间技术构造一个多维的向 量，支起一个相空间，该相空间拓扑等效于原来的动力系统。然后，利用该相空间作为BP神 经网络的输入结构，最终得出可能的潮时预报误差，提升钱塘江涌潮的预报精度。 本专利技术的有益效果是： 1.将经验模型与非线性预报模型相结合，同时利用混沌理论优化新模型的参数结 构，因此基于到潮时差序列的预测数据精度比现有预测方法的预测精度更高。 2.可用于不同江河的潮水预测，不依赖于气象、河床等自然因素，也不依赖丰富的 预测经验，只需当地水文站提供潮水的历史记录数据。 3.将单一的潮时数据转变成多维数据结构，具有理论基础，使神经网络的预报算 法更加可靠。【附图说明】 图1为本专利技术实施流程图； 图2为本专利技术实施例中四个水文站的到潮时差序列自相关图； 图3为本专利技术实施例中四个水文站到潮时差序列混沌特性验证结果； 图4为本专利技术的预报结果；【具体实施方式】 本专利技术采用钱塘江沿江乍浦、澉浦、盐官和仓前四个水文站历史数据作为用例演 不。 步骤一：首先读取四个水文站的历史数据，根据经验模型即利用统一水文站前一 天的到潮时间作为今天的预测结果，再根据实际的到潮时间，两者相减获得到潮时差序列。 步骤二：判断该到潮时差序列是否具有混沌特性；具体方法如下： a、作出其关于时间τ的自相关函数图，当函数的绝对值首次到达最低点时（必须 低于初始值的l-1/e)，所得的τ为重构相空间的时间延迟τ。自相关函数如下：[0037当前第1页1 2 本文档来自技高网...
【技术保护点】
基于混沌优化BP神经网络模型的江河涌潮短期预报方法，其特征在于，包括如下步骤：步骤一：首先读取沿江若干个水文站的历史数据，根据经验模型获取一段时间内每个水文站的到潮时差序列，具体为利用该水文站该段时间内每天的实际到潮时间与该日到潮预测时间相减获得该水文站的到潮时差序列；其中每天的到潮预测时间为前一天的实际到潮时间；步骤二：判断上述到潮时差序列是否具有混沌特性，具体方法如下：a、作出其关于时间τ的自相关函数图，当函数的绝对值低于初始值的1‑1/e且首次到达最低点时，所对应的τ为重构相空间的时间延迟τ；自相关函数如下：C(τ)=Σi=τ+1n(x(i)-x‾)(x(i-τ)-x‾)Σi=1n(x(i)-x‾)2---(1)]]>式中：x(i)为到潮时差序列，其中i＝1,2,…,n，n是序列长度，为序列均值，C(τ)为时间延迟τ的自相关系数；b、利用饱和关联维数法来确定嵌入维数m：设X(i)和X(j)为相空间的一对相点，i和j不相等，相点的表达式如下：X(i)＝(x(i),x(i+τ),…,x(i+(m‑1)τ)) (2)(i＝1,2，…,n‑(m‑1)τ)式中：x(i)为到潮时差序列，其中i＝1,2,…,n，n是序列长度，τ为时间延迟，m为嵌入维数；给定一临界距离r，相空间中距离小于r的点对数目在所有点对中所占的比例即为关联函数：C(r,m)=1n(n-1)Σi≠jnH(r-||X(i)-X(j)||)---(3)]]>式中：n为总相点数，H(·)为Heaviside阶跃函数，||X(i)‑X(j)||为两个相点间的距离，选择无穷范数；可由lnC(r,m)与lnr的关系曲线中线性段的斜率估计出关联维数D的值；随着m值的增加，存在一个m值，当达到此值后，关联维数不再随着m的增加而变化，则表明该事件序列为混沌系统，此时的m为饱和嵌入维数；否则，表明该序列为随机系统，不具有混沌特性；步骤三：对上述判断为混沌系统的序列，根据式(2)建立该到潮时差序列的重构相空间；步骤四：训练BP神经网络模型，确定内部参数；具体方法如下：a、设置网络训练次数、训练目标误差、训练速率和训练算法；b、将重构的相空间相点归一化处理，以每个相点作为神经网络的输入，以每个相点中最大日期的下一个到潮时差值作为网络的期望输出，构造输入矩阵P和目标矩阵T。c、通过调用train函数，对基于混沌优化的人工神经网络进行潮水到潮时差数据训练直至收敛；步骤五：将测试样本带入训练获得的神经网络，并对结果反归一化处理，最终输出测试所需的到潮时差值。...
【技术特征摘要】
【专利技术属性】
技术研发人员：王瑞荣，薛楚，陈浩龙，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。