本发明专利技术提出一种基于径向基神经网络的海浪有效波高反演模型建模方法，包括：步骤1、利用径向基神经网络建立海浪有效波高反演模型基本结构；步骤2、将学习样本数据的野值点剔除；步骤3、确定海浪有效波高反演模型中网络第二层的隐层节点数量H以及选取各隐节点数据中心值；步骤4、利用有效学习样本集合Sn进行网络训练。本发明专利技术利用径向基神经网络这种非线性建模方法进行建模，与传统的线性模型建模方法相比其模型表示能力更强，并且本发明专利技术采用的径向基神经网络具有万能逼近特性，与传统建模方法相比具有更高的建模精度。
An effective inversion model of ocean wave height based on RBF neural network
The invention provides a RBF neural network of significant wave height inversion modeling method, which comprises the following steps: 1, based on radial basis function neural network is used to establish the basic structure of significant wave height inversion model; step 2, will study the outliers of sample data; step 3, determine the number of hidden layer nodes of H network of second layers of waves effective wave height in the inversion model and the selection of the hidden nodes of data center; step 4, the effective sample set of Sn training network. The invention uses the RBF neural network nonlinear modeling method, the model and modeling method of linear model compared with the traditional representation ability, RBF neural network and the approximation property, compared with the traditional modeling method has higher accuracy.
【技术实现步骤摘要】
本专利技术属于海浪参数反演
，具体涉及的是一种基于径向基神经网络的海 浪有效波高反演模型建模方法。
技术介绍
海浪是一种与人类关系最直接、最密切的海洋现象，其波高、波向、波周期等因素 对航运、港口、以及海上石油平台的安全都具有非常重要的意义。船用X波段导航雷达回波 形成的海杂波图像中包含丰富的海浪信息，可以利用雷达的回波强度反演海浪谱和海浪参 数。1985年，Yoimg等人首次提出了根据“海杂波”雷达图像序列提取海浪信息的方法。该 方法一经发现，就引起了人们的极大兴趣。在此后10年间，Zimer, Rosenthal和Gtother 等人也纷纷开展了基于X波段导航雷达的海浪信息反演研究工作。1995年，德国GKSS实验 室研制出了基于导航雷达的海浪监测系统WaMoS(Wave Monitoring System) ； 1996年，挪威 Miros公司也研制出了类似的产品WAVEX。除以上主流研究机构外，目前美国、日本、丹麦、 中国也在积极从事该方面的研究。有效波高是海浪信息的一种。由于海浪成像机制的非线性，利用X波段雷达图像 进行海浪参数反演时，只能获得海浪谱能量的相对值，难以直接获取海浪有效波高。1982 年，Alpers和Hasselmarm提出了利用合成孔径雷达(SAR)信息估计有效波高的方法，该方 法认为有效波高与雷达图像信噪比的平方根存在线性关系，可建立线性模型，通过计算得 到雷达图像信噪比的平方根，进而根据线性模型得到有效波高。1994年，Ziemer和GUnther 将该方法推广到X波段导航雷达图像，计算获取了有效波高。到目前为止，该方法一直被作 为基于X波段导航雷达图像有效波高的标准反演方法而使用。其线性模型如公式(1)和公 式(2)所示Hs = A + B*4SNR⑴SNR = SIG/BGN(2)其中，Hs是有效波高，A和B是待定系数，SNR是雷达图像的信噪比，SIG是海浪波 谱的能量，BGN是背景噪声的能量。在实际使用中发现，由于信噪比的计算方法不同，雷达系统的差异，以及海域的环 境差异等因素，虽然海浪有效波高是随着雷达图像信噪比的增大而增大，但在整个变化范 围内，海浪有效波高与雷达图像信噪比的平方根之间并不是完全线性的。因此，采用线性模 型表达雷达图像信噪比的平方根与海浪有效波高之间的关系是不准确的。针对这一问题，2009年，中国海洋大学的段华敏和王剑提出了分段线性化反演模 型，将有效波高分为低波高和高波高两个区域，每个区域分别采用各自的线性模型表达。这 种分段线性化反演模型的基本思想与线性模型的思想是相同的。虽然分段线性化反演模型 在有效波高反演精度上较线性模型有所改善，但仍然存在一些问题。例如，在整个有效波高 变化范围内是应该分成两段线性化还是多段线性化，在何处进行分段，分段的各线段如何连接等。而且，在两条分段线段的连接区域是折线形式，并不是光滑的，这也会导致有效波 高反演精度的降低。
技术实现思路
针对现有技术中存在的问题，本专利技术提出一种基于径向基神经网络的海浪有效波 高反演模型建模方法。本专利技术公开的方法区别于现有方法的显著特征在于认为海浪有效 波高是随着雷达图像信噪比平方根增加而增加的，但二者之间是非线性的，利用径向基神 经网络的万能逼近特性学习并建立海浪有效波高与雷达图像信噪比平方根之间的关系，从 而得到一个海浪有效波高反演模型，提高海浪有效波高与雷达图像信噪比平方根之间的相 关度，进而提高使用雷达图像信噪比平方根反演海浪有效波高的精度。本专利技术提出，具体包 括以下几个步骤步骤1、利用径向基神经网络建立海浪有效波高反演模型基本结构。根据三层单输入单输出神经网络模型建立海浪有效波高反演模型的基本结构，如 图2所示。所述的海浪有效波高反演模型的基本结构的网络第一层为输入层，网络第二层 为隐层，第三层为输出层。经网络第一层输入χ为雷达图像信噪比的平方根_，网络输出 Y为海浪有效波高Hs，W = τ为输出权矩阵，H为隐节点个数，約(*)为第i个 隐节点的激活函数，采用径向基函数Gaussian函数实现，其具体计算方法如公式(3)、公式 (4)和公式(5)所示权利要求1. ，其特征在于具体包 括以下几个步骤步骤1、利用径向基神经网络建立海浪有效波高反演模型基本结构 根据三层单输入单输出神经网络模型建立海浪有效波高反演模型的基本结构，基本结 构的网络第一层为输入层，网络第二层为隐层，第三层为输出层，经网络第一层输入X为雷 达图像信噪比的平方根源而，网络输出1为海浪有效波高Hs，W = τ为输出 权矩阵，H为隐节点个数，仍_(*)为第i个隐节点的激活函数，采用径向基函数Gaussian函数2....，η且i兴j)为有效样本输入；δ和spread分别为扩展常数和散步常数，用于调整径向基函数的灵敏度，进而海浪有效波高反演模型的基本结构表示为3.根据权利要求2所述的一种基于径向基神经网络的海浪有效波高反演模型建模方 法，其特征在于所述的相关系数的精度要求的指标为小于0.01的正数，标准偏差的精度 要求的指标为小于0.001的正数。全文摘要本专利技术提出，包括步骤1、利用径向基神经网络建立海浪有效波高反演模型基本结构；步骤2、将学习样本数据的野值点剔除；步骤3、确定海浪有效波高反演模型中网络第二层的隐层节点数量H以及选取各隐节点数据中心值；步骤4、利用有效学习样本集合Sn进行网络训练。本专利技术利用径向基神经网络这种非线性建模方法进行建模，与传统的线性模型建模方法相比其模型表示能力更强，并且本专利技术采用的径向基神经网络具有万能逼近特性，与传统建模方法相比具有更高的建模精度。文档编号G06N3/08GK102103708SQ201110031278公开日2011年6月22日 申请日期2011年1月28日 优先权日2011年1月28日专利技术者刘利强, 卢忐忠, 戴运桃, 范志超 申请人:哈尔滨工程大学本文档来自技高网...
【技术保护点】
１．一种基于径向基神经网络的海浪有效波高反演模型建模方法，其特征在于：具体包括以下几个步骤：步骤１、利用径向基神经网络建立海浪有效波高反演模型基本结构：根据三层单输入单输出神经网络模型建立海浪有效波高反演模型的基本结构，基本结构的网络第一层为输入层，网络第二层为隐层，第三层为输出层，经网络第一层输入ｘ为雷达图像信噪比的平方根网络输出ｙ为海浪有效波高Ｈｓ，Ｗ＝［ｗ１，ｗ２，．．．，ｗＨ］Ｔ为输出权矩阵，Ｈ为隐节点个数，为第ｉ个隐节点的激活函数，采用径向基函数Ｇａｕｓｓｉａｎ函数：实现，其中，ｃｉ（ｉ＝１，２，．．．，Ｈ）为第ｉ个隐节点的数据中心值，ｘｉ、ｘｊ（ｉ，ｊ＝１，２，．．．，ｎ且ｉ≠ｊ）为有效样本输入；δ和ｓｐｒｅａｄ分别为扩展常数和散步常数，用于调整径向基函数的灵敏度，进而海浪有效波高反演模型的基本结构表示为：步骤２、将学习样本数据的野值点剔除：将Ｎ个学习样本数据组成样本集合ＳＮ＝｛ｓ１，ｓ１，．．．，ｓＮ｝，样本集合ＳＮ中的任意一个样本点ｓｉ（ｉ＝１，２，．．．，Ｎ）均可表示为二维的坐标形式，通过公式：计算样本集合ＳＮ中任意两个样本点ｓｉ和ｓｊ（ｉ，ｊ＝１，２，．．．，Ｎ且ｉ≠ｊ）间的距离Ｄｉｊ；定义距离阈值λ为λ＝０．０５＋０．０５×Ｈｓ，当样本集合ＳＮ中某一样本点ｓｉ（ｉ＝１，２，．．．，Ｎ）与任何其它样本点的距离均大于阈值λ，则该点为野值点，剔除该样本点；剔除野值数据后形成的集合为有效学习样本集合Ｓｎ，有效学习样本集合中有效学习样本数量为ｎ，在有效学习样本集合Ｓｎ中，所有的有效样本输入用集合Ｘｎ表示；步骤３、确定海浪有效波高反演模型中网络第二层的隐层节点数量Ｈ以及选取各隐节点数据中心值：通过有效学习样本集合Ｓｎ，确定初始数据中心集合表示为：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｏｖｅｒ）?（ｍｉ）Ｃ（／ｍｉ）?（ｍｏ）＆ＯｖｅｒＢａｒ；（／ｍｏ）?（／ｍｏｖｅｒ）?（ｍｏ）＝（／ｍｏ）?（ｍｓｕｐ）?（ｍｒｏｗ）?（ｍｏ）［（／ｍｏ）?（ｍｓｕｂ）?（ｍｏｖｅｒ）?（ｍｉ）ｃ（／ｍｉ）?（ｍｏ）＆ＯｖｅｒＢａｒ；（／ｍｏ）?（／ｍｏｖｅｒ）?（ｍｎ）１（／ｍｎ）?（／ｍｓｕｂ）?（ｍｏ），（／ｍｏ）?（ｍｓｕｂ）?（ｍｏｖｅｒ）?（ｍｉ）ｃ（／ｍｉ）?（ｍｏ）＆ＯｖｅｒＢａｒ；（／ｍｏ）?（／ｍｏｖｅｒ）?（ｍｎ）２（／ｍｎ）?（／ｍｓｕｂ）?（ｍｏ），（／ｍｏ）?（ｍｏ）．（／ｍｏ）?（ｍｏ）．（／ｍｏ）?（ｍｏ）．（／ｍｏ）?（ｍｓｕｂ）?（ｍｏｖｅｒ）?（ｍｉ）ｃ（／ｍｉ）?（ｍｏ）＆ＯｖｅｒＢａｒ；（／ｍｏ）?（／ｍｏｖｅｒ）?（ｍｏｖｅｒ）?（ｍｉ）Ｈ（／ｍｉ）?（ｍｏ）＆ＯｖｅｒＢａｒ；（／ｍｏ）?（／ｍｏｖｅｒ）?（／ｍｓｕｂ）?（ｍｏ）］（／ｍｏ）?（／ｍｒｏｗ）?（ｍｉ）Ｔ（／ｍｉ）?（／ｍｓｕｐ）?（ｍｏ）＝（／ｍｏ）?（ｍｆｅｎｃｅｄｏｐｅｎ＝＇［＇ｃｌｏｓｅ＝＇］＇）?（ｍｔａｂｌｅ）?（ｍｔｒ）?（ｍｔｄ）?（ｍｓｕｂ）?（ｍｉ）Ａ（／ｍｉ）?（ｍｉ）ｍ（／ｍｉ）?（／ｍｓｕｂ）?（／ｍｔｄ）?（／ｍｔｒ）?（ｍｔｒ）?（ｍｔｄ）?（ｍｓｕｂ）?（ｍｉ）Ｘ（／ｍｉ）?（ｍｉ）ｎ（／ｍｉ）?（／ｍｓｕｂ）?（／ｍｔｄ）?（／ｍｔｒ）?（ｍｔｒ）?（ｍｔｄ）?（ｍｓｕｂ）?（ｍｉ）Ｂ（／ｍｉ）?（ｍｉ）ｍ（／ｍｉ）?（／ｍｓｕｂ）?（／ｍｔｄ）?（／ｍｔｒ）?（／ｍｔａｂｌｅ）?（／ｍｆｅｎｃｅｄ）?（／ｍｒｏｗ）?（／ｍａｔｈ）Ｘｎ＝［ｘ１，ｘ２，．．．，ｘｎ］Ｔ（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｓｕｂ）?（ｍｉ）Ａ（／ｍｉ）?（ｍｉ）ｍ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ）＝（／ｍｏ）?（ｍｆｅｎｃｅｄｏｐｅｎ＝＇［＇ｃｌｏｓｅ＝＇］＇）?（ｍｔａｂｌｅ）?（ｍｔｒ）?（ｍｔｄ）?（ｍｉ）ｍｉｎ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｘ（／ｍｉ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）－（／ｍｏ）?（ｍｉ）ｄ（／ｍｉ）?（ｍｏ）＋（／ｍｏ）?（ｍｎ）０（／ｍｎ）?（ｍｏ）＆ｔｉｍｅｓ；（／ｍｏ）?（ｍｉ）ｄ（／ｍｉ）?（ｍｏ）／（／ｍｏ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｍ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｔｄ）?（／ｍｔｒ）?（ｍｔｒ）?（ｍｔｄ）?（ｍｏ）．（／ｍｏ）?（ｍｏ）．（／ｍｏ）?（ｍｏ）．（／ｍｏ）?（ｍｏ）．（／ｍｏ）?（ｍｏ）．（／ｍｏ）?（ｍｏ）．（／ｍｏ）?（／ｍｔｄ）?（／ｍｔｒ）?（ｍｔｒ）?（ｍｔｄ）?（ｍｉ）ｍｉｎ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ｘ（／ｍｉ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）－（／ｍｏ）?（ｍｉ）ｄ（／ｍｉ...
【技术特征摘要】
【专利技术属性】
技术研发人员：刘利强，戴运桃，卢忐忠，范志超，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：93
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。