买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国海洋大学三亚海洋研究院

摘要：一种基于深度学习的区域海浪预报方法，包括采用EOF法对有效波高数据进行时空分离，再通过CEEMDAN法对时间系数进行分离，得到时间子模态IMF，最后得到海浪多时空模态数据集；采用LSTM神经网络对数据集中的时间子模态IMF进行训练和预报，得到预报时效为1h、6h、12h、24h的时间子模态IMF；结合空间特征矩阵V与时间子模态IMF的预报结果得到预报时效为1h、6h、12h、24h的区域海浪有效波高。本发明首次采用EOF分解结合CEEMDAN分解的方式，完成基于区域化海浪预报，采用分解法将数据进行分解能够简化数据，降低神经网络训练难度，该思路也对神经网络的应用具有启示作用。

主权项：1.一种基于深度学习的区域海浪预报方法，其特征是包括以下步骤：（0）选用ERA5数据库中的有效波高数据集，获取指定海域的有效波高数据，时间分辨率为1h，空间分辨率为0.5°×0.5°，时间范围为2年；（1）将有效波高数据分解为海浪多时空模态数据集H：采用EOF法对有效波高数据进行时空分离，得到各模态的空间特征矩阵V与时间系数T1，T2，…，Tm，m为测量点个数，再通过CEEMDAN法对时间系数T1，T2，…，Tm进行分离，得到时间子模态IMF，最后得到海浪多时空模态数据集H，该数据集包含时间与空间两个部分，空间部分为空间特征矩阵V，不随时间变化；而时间部分为时间子模态IMF，随时间变化，以运动频率分为不同的时间子模态IMF1，IMF2，…，IMFs，s为子模态总数；（2）采用具有记忆长期依赖信息、善于处理存在时间依赖性的LSTM神经网络对数据集H中的时间子模态IMF进行训练和预报，然后利用训练好的网络得到预报时效为1h、6h、12h、24h的时间子模态IMF；（3）结合空间特征矩阵V与时间子模态IMF的预报结果得到预报时效为1h、6h、12h、24h的区域海浪有效波高；步骤（1）中EOF分解步骤为：1）设数据集H存在m个测量点，n为其时间序列长度，数据集H的矩阵形式为： （1）2）将数据集H乘以其转置，得方阵D （2）计算方阵D的特征值并进行排序：λ1，λ2，…，λm，其对应的特征向量为V1，V2，…，Vm，特征值λi对应的特征向量Vi为第i模态的空间特征，而将空间特征投影到数据集中，得到对应的时间系数Ti： （3）3）计算各模态的方差贡献率，计算公式为： （4）至此，数据集H完成了EOF分解，得到了各个模态的空间特征V1，V2，…，Vm与对应的时间系数T1，T2，…，Tm，同时将方差贡献率小于0.1%的模态剔除，选取剩余的分解后的模态用于后续流程；步骤（1）中CEEMDAN分解步骤为：a）时间系数序列添加d次白噪声后表示为 （5）其中，Tt为时间系数序列，a0为噪声幅度，vdt为添加的白噪声，d=1,2,…,k，k为添加白噪声的次数；将添加d次白噪声的时间系数序列Tdt进行EMD分解，获得EMD分解对应的模态分量C1dt与EMD分解对应的残差r1dt； （6）对产生的k个模态分量进行总体平均就得到CEEMDAN分解的第1个时间子模态： （7）计算去除第一个模态分量后的CEEMDAN的残差： （8）b）采用EMD对白噪声vdt分解k次，得到k个子模态，然后利用白噪声分解后的k组子模态将残差r1t分解k次，进行以下计算： （9）其中E1vdt为分解后白噪声vdt的第1子模态，a1为噪声幅度，C2dt为EMD分解的第2个模态分量，r2dt为EMD分解的残差，由此得到CEEMDAN分解的第2个时间子模态： （10）c）对于剩下的每一阶段，即i=2，3，…，s，s为IMF的总数，第i个残差计算如下： （11）d）利用白噪声分解后的k个子模态将残差rit分解k次，如下所示： （12）重复步骤c）和步骤d）直到i=s时为止，最后的残差是Rt，原始数据被分解为： （13）；步骤（2）中选取LSTM神经网络构建有效波高预报模型，采用以下步骤：取数据集H中的时间子模态IMF前90%的作为训练集建立监督学习序列，后10%的数据作为验证集；采用训练集训练LSTM神经网络预报模型，并进行验证集的预报；统合步骤（1）中第2步预报的各时间系数，将数据集中的空间特征矩阵与这些时间系数相乘得到各格网点的有效波高预测值。

全文数据：

权利要求：

百度查询： 中国海洋大学三亚海洋研究院 一种基于深度学习的区域海浪预报方法