【技术实现步骤摘要】
本专利技术涉及一种基于径向基神经网络的水下噪声与降雨量反演风速方法，属于反演风速方法。
技术介绍
1、目前认为风关海面噪声和远处航船是海洋环境噪声最重要的噪声源，其能量分布在10hz-20khz频段，数百赫兹至2万赫兹频段是风关噪声起主要作用，所以海洋环境噪声级与海面风速具有高度相关的特点，可以通过海洋环境噪声反演海面风速。
2、1988年，broomhead、lowe以及moody和darken最早将径向基函数用于神经网络设计。径向基函数神经网络(radial basis function neural network，rbf神经网络)是一类常用的三层前馈网络，既可用于函数逼近，也可用于模式分类。与其他类型的人工神经网络相比，rbf网络有生理学基础，结构简单，学习速度快，优良的逼近性能和泛化能力等特点。
3、为了在反演方法上做出改变突破，本专利技术运用径向基神经网络进行函数逼近反演方法来替换传统最小二乘回归法，更利于缩小误差与提供速度和使用便利方面的优点。
技术实现思路
1、针对如何缩小误差的问题，本专利技术引入降雨噪声来剔除海洋环境噪声级中的与风关噪声不相关的声源级。降雨属于间歇源，降雨噪声往往出现在风关噪声频段上，会降低环境噪声级与风速的相关系数，通过径向基神经网络引入降雨噪声来实现水下噪声反演风速的误差小和速度快及便利的效果。
2、因此，本领域的研究人员致力于开发一种基于径向基神经网络的水下噪声与降雨量反演风速方法
3、有鉴于
4、步骤一，读取通过水听器采集的水下固定深度的海洋环境噪声数据、每小时的风速数据与降雨量数据，对海洋环境噪声数据进行傅里叶变换得到1秒的噪声频率0～32khz的频谱，并进行小时平均得到噪声频谱；
5、海洋中的环境噪声源很多，不同频段、不同海域环境噪声源有很大的差异，一般来说，20hz-1khz频段，远处行船是引起噪声的主要原因；500hz-20khz频段，噪声主要来源是测量点附近的海面风关噪声；而100khz以上，主要是海水分子运动产生的热噪声。这些噪声源的所在频段往往有部分重叠，并不是严格地分段，此外，还包括一些间歇声源和局部噪声源，例如生物噪声、雨噪声、冰下噪声及冰雹噪声等，它们的频谱一般是宽带的，雨噪声起主要影响在500hz-25khz频段。
6、步骤二，对上述噪声频谱与同时刻的风速数据，通过皮尔逊公式计算相关系数，得到相关性r超过0.5的上述噪声频谱上的频率点，组成频率集合a；
7、相关性r的取值在0～1之间：
8、|r|≥0.8时，可认为两变量间高度相关；
9、0.5≤|r|<0.8，可认为两变量中度相关；
10、0.3≤|r|<0.5，可认为两变量低度相关；
11、|r|<0.3，可认为两变量基本不相关。
12、对上述噪声频谱与同时间的降雨量数据，通过皮尔逊公式计算相关系数，得到相关性r超过0.3的上述噪声频谱上的频率点，组成频率集合b；
13、挑选得到同时出现在频率集合a和频率集合b中的频率点，组成频率范围，所述频率范围包括的频率点的数量大于等于2个；
14、步骤三，将步骤二得到的频率范围内的海洋环境噪声数据、与所述海洋环境噪声数据同一时刻的风速数据与降雨量数据，做成数据集并输入径向基神经网络进行训练，使用训练好的径向基神经网络进行风速反演。
15、优选的，所述步骤一中，所述海洋环境噪声数据和每小时的风速与降雨量数据是通过设置在水下20米范围以内的水听器采集得到的；所述海洋环境噪声数据的采样率不小于20khz。
16、优选的，所述步骤二中，所述对上述噪声频谱与同时刻的风速数据，通过皮尔逊公式计算相关系数，包括：
17、得到每小时的海洋环境噪声数据和风速与降雨量数据。在上述基础上，通过matlab自带的平均函数与标准差函数分别计算海洋环境噪声数据和风速数据的均值与标准差以及海洋环境噪声数据和降雨量数据的均值与标准差，均值与标准差来带入皮尔逊公式：
18、
19、式中ex,ey为均值，σxσy为标准差。
20、从而得出各频段上的相关系数，进行分析得到相关系数最高的频率范围。
21、优选的，所述步骤三中，所述基于径向基神经网络包括3层前馈网络，分别是由感知单元组成的输入层、计算节点的隐含层和输出层；
22、所述输入层与所述隐含层之间不需要权值连接，直接将输入向量映射到隐含层，这种映射属于非线性，即隐含层的变换函数为一个非线性函数；
23、所述隐含层与所述输出层之间有连接权值，从隐含层到输出层的映射是线性的，即整个网络的输出是隐含层输出结果的线性加权之和；
24、所述隐含层激活函数为gaussian函数。
25、优选的，所述3层前馈网络中的第一层为输入层，设有n个样本：
26、x＝(x1,x2,…,xn)t
27、第二层为隐含层，设隐含层的节点数为j，隐含层则是通过映射将i维输入矢量映射到j维空间内；隐含层第j个神经元的输出为
28、
29、式中：cj为第j个神经元的中心，cj的维度与输入中心的个数是相同的，也是一个i维向量；σj为第j个神经元的宽度，反映了径向基函数的衰减速度；隐含层激活函数为gaussian函数；
30、第三层为输出层，其输出结果表达式为
31、
32、式中：ωjk为第j个隐含节点到第k个输出节点的连接权值。
33、本专利技术的有益效果：
34、本专利技术基于径向基神经网络的水下噪声与降雨量反演风速方法，从实际场景和误差及快速便利方面出发，提出了一种基于径向基神经网络的水下噪声与降雨量反演风速方法，可以解决目前实际应用中误差大的问题，可以满足实际应用中使用便捷的需求。
本文档来自技高网...【技术保护点】
1.一种基于径向基神经网络的水下噪声与降雨量反演风速的方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于径向基神经网络的水下噪声与降雨量反演风速的方法，其特征在于，所述步骤一中，所述海洋环境噪声数据和每小时的风速与降雨量数据是通过设置在水下20米范围以内的水听器采集得到的；所述海洋环境噪声数据的采样率不小于20kHz。
3.如权利要求1所述的一种基于径向基神经网络的水下噪声与降雨量反演风速的方法，其特征在于，所述步骤三中，所述基于径向基神经网络包括3层前馈网络，分别是由感知单元组成的输入层、计算节点的隐含层和输出层；
4.如权利要求3所述的一种基于径向基神经网络的水下噪声与降雨量反演风速的方法，其特征在于，所述3层前馈网络中的第一层为输入层，设有N个样本：
【技术特征摘要】
1.一种基于径向基神经网络的水下噪声与降雨量反演风速的方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于径向基神经网络的水下噪声与降雨量反演风速的方法，其特征在于，所述步骤一中，所述海洋环境噪声数据和每小时的风速与降雨量数据是通过设置在水下20米范围以内的水听器采集得到的；所述海洋环境噪声数据的采样率不小于20khz。
【专利技术属性】
技术研发人员：王茂法，黎振飞，朱振经，尚光涛，仇宝春，赵佳宝，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：
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。