一种基于数据特征分类和神经网络模型的蒸发波导预测方法技术

本发明专利技术涉及一种基于数据特征分类和神经网络模型的蒸发波导预测方法，按时间

【技术实现步骤摘要】
一种基于数据特征分类和神经网络模型的蒸发波导预测方法


[0001]本专利技术属于近海面蒸发波导
、
海上大气环境
、
海洋物理等
，涉及一种基于数据特征分类和神经网络模型的蒸发波导预测方法，可用于大面积海域的蒸发波导预测，获取海上电磁波传播的环境特性，保障海上电磁系统的超视距工作需求
。

技术介绍

[0002]蒸发波导是经常出现在对流层内的一种较为常见的大气波导现象，蒸发波导的出现与大气中的气象因素之间的相互作用有关
。
由于海水的蒸发，在海面上出现海汽相互作用，蒸汽不断扩散，随着扩散的高度增加，大气环境中的大气折射率不断减小，到达一定高度时，就会出现折射曲率小于地球海面曲率的现象，电磁波就被陷获在这一层面中，从而实现超视距传播
。
[0003]目前，蒸发波导修正折射率剖面的获取方法主要包括直接测量法
、
预测模型法和反演方法等，预测模型法是目前获取蒸发波导高度及其修正折射率的主要方法
。
蒸发波导计算模型采用了长期海上调查所获得的海气通量整体算法，将海上某一高度的空气温度
、
相对湿度
、
风速
、
大气压强和海表温度代入到蒸发波导计算模型的中，结合大气修正折射率的公式，经过数次迭代计算得到大气修正折射剖面
。
但是，这种方法在长时间计算蒸发波导剖面或估计大面积海域的蒸发波导分布时，计算速度缓慢
、
计算效率低
。/>且单个神经网络模型需要大量训练数据，且在不同月份
、
不同海域
、
不同大气层结状态时的适用性存在较大差别
。
[0004]由于目前蒸发波导剖面获取的方法都存在一定的缺陷，从而导致无法长期实时
、
快速准确
、
大范围地获取海上高精度的蒸发波导真实剖面，难以满足蒸发波导的精准预测
、
数据对比
、
反演模型优化等方面的实际需求
。

技术实现思路

[0005]要解决的技术问题
[0006]为了避免现有技术的不足之处，本专利技术提出一种基于数据特征分类和神经网络模型的蒸发波导预测方法，基于数据特征分类的方法，利用神经网络模型，建立了一种全新的非线性映射的蒸发波导剖面估计模型，可以应用于克服现有模型中迭代过程和特征分类过程所产生的弊端
。
[0007]技术方案
[0008]一种基于数据特征分类和神经网络模型的蒸发波导预测方法，其特征在于步骤如下：
[0009]步骤1：选定某一年的再分析气象数据作为训练区域，在训练区域内选取训练点；提取训练点处的
k
项数据；
[0010]步骤2：对步骤1的
k
项数据，按照月份进行第一次数据划分，编号依次为1～
p
；再按照区域网格中
w*j
的经纬度分辨率进行第二次数据划分，得到的区块从左至右
、
自上到下编
号为1～
q
；再按照大气层结稳定性进行第三次数据划分，编号依次为1～
n
，得到
p*q*n
个气象数据集；
[0011]步骤3：将
p*q*n
个气象数据集的气象数据依次代入蒸发波导计算模型中，计算得到0‑
50
米的大气修正折射率值；利用大气折射率得到大气修正折射率剖面，大气修正折射率剖面最低点对应的高度就是蒸发波导高度；对于任一输入或输出数据
Xi
，求数学期望
Ei
和标准差
Si
，根据标准化公式：
[0012]Z
i
＝
(X
i
‑
E
i
)/S
i
[0013]对所有训练数据归一化处理；
[0014]步骤
4、
构建神经网络：神经网络输入层神经元数量为5个；神经网络的隐层神经元数量为
m
个，
m
的取值范围为5＜
m
＜
n
；所述的输出层神经元数量为
n
个，
n
的取值范围为
24≤n
＜
501
；
[0015]步骤5：按不同数据集分别训练深度神经网络，每
1000
个随机数据作为一组抽样样本，输入到深度神经网络中，训练得到总计
p*q*n
个神经网络子模型，若存在某个子模型的误差不收敛，则返回步骤4，重新构建神经网络隐层和输出层数量；反之，则保存训练完成的神经网络模型为长时间
、
大范围海域的蒸发波导预测模型；
[0016]步骤6：以蒸发波导预测模型对大气修正折射率进行预测
。
[0017]所述
k
项数据包括海面压力
、
海面温度
、2m
处空气温度
、2m
处比湿度
、
降雨量
、
潮位
、
蒸发量和
10m
处风速
。
[0018]所述步骤1中
k
项数据
k≥5。
[0019]所述
w*j
的经纬度均大于
0.5
°
。
[0020]所述步骤3所述大气折射率值在0‑
50
米的取点间隔为
0.1
米
。
[0021]所述神经网络模型的验证，验证随机选取训练区域内一点作为测试点，采用步骤3的方法获取测试点全年所有的气象数据及大气修正折射率，验证神经网络方法的准确性
。
[0022]所述大气层结稳定性包括稳定条件
、
中性条件和不稳定条件，分别对应气海温差大于零
、
等于零和小于零的情况，所述气海温差为
2m
处空气温度与海面温度的差值
。
[0023]所述神经网络的学习速率应小于2；激活函数可选择
sigmoid、tanh、ReLU、
阶跃函数等；神经网络结构间采用全链接的形式
。
[0024]所述神经网络结构至少包括激活函数类型
、
学习速率
、
各层间神经元的权值
、
偏置
。
[0025]所述的深度神经网络输出层神经元数量根据工程需要进行设置，不超过
501
个
。
[0026]有益效果
[0027]本专利技术提出的一种基于数据特征分类和神经网络模型的蒸发波导预测方法，按时间
、
空间
、
大气层结状态对训练数据进行预分类，利用再分析气象数据及本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于数据特征分类和神经网络模型的蒸发波导预测方法，其特征在于步骤如下：步骤1：选定某一年的再分析气象数据作为训练区域，在训练区域内选取训练点；提取训练点处的
k
项数据；步骤2：对步骤1的
k
项数据，按照月份进行第一次数据划分，编号依次为1～
p
；再按照区域网格中
w*j
的经纬度分辨率进行第二次数据划分，得到的区块从左至右
、
自上到下编号为1～
q
；再按照大气层结稳定性进行第三次数据划分，编号依次为1～
n
，得到
p*q*n
个气象数据集；步骤3：将
p*q*n
个气象数据集的气象数据依次代入蒸发波导计算模型中，计算得到0‑
50
米的大气修正折射率值；利用大气折射率得到大气修正折射率剖面，大气修正折射率剖面最低点对应的高度就是蒸发波导高度；对于任一输入或输出数据
Xi
，求数学期望
Ei
和标准差
Si
，根据标准化公式：
Z
i
＝
(X
i
‑
E
i
)/S
i
对所有训练数据归一化处理；步骤
4、
构建神经网络：神经网络输入层神经元数量为5个；神经网络的隐层神经元数量为
m
个，
m
的取值范围为5＜
m
＜
n
；所述的输出层神经元数量为
n
个，
n
的取值范围为
24≤n
＜
501
；步骤5：按不同数据集分别训练深度神经网络，每
1000
个随机数据作为一组抽样样本，输入到深度神经网络中，训练得到总计
p*q*n
个神经网络子模型，若存在某个子模型的误差不收敛，则返回步骤4，重新构建神经网络隐层和输出层数量；反之，则保存训练完成的神经网络模型为海域的蒸发波导预测模型；步骤6：以蒸发波导预测模型对大气修正折射率进行预测
。2.
根据权利要求1所述基于数据特征分类和神经网络模型的蒸发波导预测方法，其特征在于：所述
k
项数据包括海面压力
...

【专利技术属性】
技术研发人员：张皓，杨帆，杨坤德，王淑文，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：