海洋浪高预测方法、系统、计算机设备、存储介质、终端技术方案

本发明专利技术属于海洋浪高预测技术领域，公开了一种海洋浪高预测方法、系统、计算机设备、存储介质、终端，选取相关系数高的特征作为预测海浪高度的输入特征；按照粒子群行为特征建立混沌模型，解决粒子群过早收敛问题；CDW为BP模型进行初始化阶段的优化；在CPSO

【技术实现步骤摘要】
海洋浪高预测方法、系统、计算机设备、存储介质、终端


[0001]本专利技术属于海洋浪高预测
，尤其涉及一种海洋浪高预测方法、系统、计算机设备、存储介质、终端。

技术介绍

[0002]海浪预测是海洋工程建设、海上运输、环境保护和军事行动等活动的重要保障。在港口建造方面，海浪影响着海岸的形状，关系着港口、航道以及各种海上建筑的设计和建造。异常的海洋波动会对海岸、港口及海上建筑造成难以估量的损失，但海浪成因复杂，海浪高度预测难度很大。海浪成因复杂，波浪的出现和产生具有很高的随机性。除了海上风浪，海浪还可能和海面物体接触产生新的波动，这使海洋浪高预测的难度进一步增加。
[0003]传统的浪高预测方法使用物理模型对海浪进行建模，传统模型的建立一般以Navier
‑
Stokes方程组为基础。传统模型包括：使用几何模型、海浪谱数值模拟和物理模型对海浪生成进行模拟。这些方法通过足够多的环境数据对海浪产生的现实环境进行模拟，需要大量计算资源来对海洋环境进行建模。
[0004]不同于资源消耗巨大的传统物理模型预测方法，近年来本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种海洋浪高预测方法，其特征在于，所述海洋浪高预测方法包括以下步骤：选取相关系数高的特征作为预测海浪高度的输入特征；按照粒子群行为特征建立混沌模型，解决粒子群过早收敛问题；CDW为BP模型进行初始化阶段的优化；在CPSO
‑
BP模型中，混沌粒子群优化算法CPSO在解空间中寻找最优的粒子对BP网络的初始权值和阈值进行优化；使用CPSO算法优化过的参数作为ELM网络的初始权值和阈值传入ELM网络；利用CPSO
‑
BP模型进行海洋预警领域浪高预测。2.如权利要求1所述的海洋浪高预测方法，其特征在于，在选择输入特征时，确定每个特征与海浪高度的相关性，每个输入参数与海浪高度之间的相关系数进行分析，选取相关系数高的特征作为预测海浪高度的输入特征；其中，备选的神经网络输入特征，包括平均海平面MSL、10米风速U分量U10、10米风速V分量V10、平均海波方向MWD、平均海波周期MWP五项特征；通过皮尔逊相关系数r
x，y
计算各个变量与海浪高度SWH的相关性，以相关性作为参考选取神经网络的输入特征；皮尔逊相关系数r
x，y
用来定量分析变量间的相关性，r
x，y
∈[
‑
1，1]，当|r
x，y
|接近于1，两者相关性高，当|r
x，y
|接近于0，两者相关性低；r
x，y
的正负代表两个变量的相关性正负，根据以下公式进行计算：其中，|r
x，y
|＞0.8时，两个变量高度相关；当|r
x，y
|∈[0.3，0.5))时，两个变量低度相关；当|r
x，y
|＜0.3时，两个变量弱相关；U10和V10分别为精度和纬度上的风速分量，其相关性不适合单独拿出来作为海浪高度预测的参数；通过特征融合，计算观测点风速值UV用作网络的输入，UV可由以下公式进行计算：特征融合后的新特征UV与SWH具有最高的相关性，且与MWP不同，UV不具有后验性，可以作为输入特征；选用P值Pvalue来分析各参数的显著性；P值可通过计算chi
‑
square后查询卡方分布表得出，用于判断H0假设是否成立的依据。chi
‑
square计算公式为：其中O
i
为实际值，E
i
为理论值.当原假设成立时，P值代表极端情况的发生几率。3.如权利要求1所述的海洋浪高预测方法，其特征在于，对粒子群进行位置初始化，第i个粒子的初始位置表示为：X
i
＝(X
i，1
，X
i，2
，...X
i，N
)，i∈[1，m]；在生成初始向量之后，使用混沌算法对生成的初始向量进行混沌初始化；利用混沌算法的特性对于初始向量的每一个X
i
分别赋予N个初始值，生成混沌变量通过如下公式可以将初始值从问题空间映射到混沌空间：
找到当前最优解和整个粒子群中的最优解来决定更新速率，当前适应度最高的解记作P
i
，整个粒子群中的最优解记作P
g
；第i个粒子的当前最优解表示为：P
i
＝(P
i1
，P
i2
，...P
iN
)，i∈[1，m]；全局最优解表示为：PSO通过在不同轮次改变每个粒子的速度，使解朝向趋于P
i
和P
g
的方向更新从而得到最优解；第i个粒子通过以下等式对速度进行更新：其中，c1是局部加速系数，c2是整体加速系数，ω∈R，被称之为惯性权重系数r1和r2为(0，1)区间内的随机实数；小值c1和大值c2能使粒子在优化的后期收敛到全局最优解；局部加速系数由以下公式计算：整体加速系数由以下公式计算：其中，c
1i
和c
2i
是加速系数c1和c2的初始值，且c
1f
和c
2f
是加速系数的最终值；自适应惯性权重系数可由以下公式计算：其中，ω
max
和ω
min
分别为权重系数ω的最大值和最小值，随着进化过程推进，ω逐渐减小；f是当前粒子的适应度，f
av
为粒子群整体的适应度平均值，f
min
为粒子群中的最小适应度；第i个粒子通过以下等式对速度进行更新：其中，X
i
是粒子i的位置，V
i
代表粒子i的速率，V
i
∈(V
min
，V
max
)，V
min
和V
max
在[0，1]之内；λ∈R被称为限制因子，用于调整ω∈R，限制速率；当达到最大轮次或收敛至符合适应度要求时，计算终止。4.如权利要求1所述的海洋浪高预测方法，其特征在于，所述CPSO
‑
BP模型的实现方法包括：(1)确定BP网络模型结构；通过特征选取，选择UV和MSL作为输入特征值；确定网络输入节点数S
i
为2，隐藏层节点数S
o
为1，将隐藏层节点数S
l
设置为5；其中，每个粒子的维数N可通过以下公式计算：N＝S
i
×
S
l
+S
l
×
S
o
+S
l
+S
o
+q，q＝1；其中，q为每个粒子的适应度值，将其放在每个粒子的最后一维构成一个22维的粒子X
i
；S
i
×
S
l
为输入层到隐藏层的权值的数量，S
l
为隐藏层的阈值的数量，粒子的维数N＝22；
(2)设置CPSO初始参数；设置限制因子λ＝0.92，自适应惯性权重因子的最大值ω
max
＝0.9和最小值ω
min
＝0.4，设置加速系数初始值c
1i
＝c
2i
＝0.5，设置加速系数最终值c
1f
＝c
2f
＝2.5；(3)根据BP网络模型的结构，生成CPSO算法中的初始向量和混沌向量；将输入层到隐藏层的权值和隐藏层的阈值作为CPSO矩阵中的元素，CPSO中的每一个粒子都表示BP网络的初始参数；对种群X初始化，模型随机产生一个大小m为2000的粒子群，初始种群的第i个粒子由以下公式计算：X
i
＝(x
i，1
，x
i，2
，...x
i，m
)，i＝1，2，...，22；为X
i
中每一个参数加入一个微小的扰动，由此生成初始混沌向量，第i个初始混沌向量由以下公式计算：(4)通过适应度的大小来对种群中的每一个粒子进行打分；每一个粒子的适应度为均方差的倒数，通过适应度的大小来对种群中的每一个粒子进行打分，将各个粒子的得分设为向量的最后一项，适应度与BP网络模型的权值和阈值一起作为该粒子的参数，以确定一个粒子的结构；其中，第i个粒子的适应度由以下公式计算：通过得到的适应度值对每个粒子进行排序，排名前五的粒子作为优胜粒子，排名次五的粒子作为临时粒子；(5)为粒子群按照适应度值进行排序，再对粒子群进行寻优，生成新的粒子群；按照适应度得分，排序最靠前的5个粒子作为优胜粒子，记作在这五个粒子之后排名次五粒子作为临时粒子，记作以这十个被选出来的优胜粒子和临时粒子作为新的中心，与随机矩阵相加19次，分别生成19个新的粒子；表示为随机生成一个22维矩阵Y＝[y
1 y
2 ... y
22
]；其中，将分别与矩阵Y相加，将相加后的新矩阵归一化到与Y相同的区间，相加后的新矩阵可由以下公式计算：其中，l
manx
由以下公式计算：l
max
＝{max||x

【专利技术属性】
技术研发人员：唐瑞春，邹远晨，刘培顺，王学芳，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：