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：大连理工大学

摘要：本发明属于时间序列预测领域，涉及一种基于深度学习的海浪有效波高时间序列预测方法。对于进行了离差标准化后的输入序列，采用小波分解对海浪有效波高时间序列进行消噪和特征提取，将分解得到的序列输入深层残差卷积神经网络，最后将网络的输出转换为一维序列，通过两层的线性层汇集成一维的预测结果，作为海浪有效波高的预测值。最后通过对比实验证明，本发明提出的模型具有较高的精度。

主权项：1.一种基于深度学习的海浪有效波高时间序列预测方法，其特征在于，具体步骤如下：1对于海浪浮标站采集到的数据，包括海浪有效波高、阵风风速、平均风速、平均波周期、主波波周期和空气温度，采用离差标准化对海洋浮标站采集到的海浪相关原始数据进行预处理，将数据线性映射到[0,1]范围内，转化方式如下： 2对于预处理后的数据，将其进行小波分解，并将小波分解系数序列重构得到各级分解子序列，以将噪声、短期变化和长期趋势分隔开；具体为：将海浪相关变量的时间序列信号进行小波变换，得到原始尺度信号和各级小波信号的系数： 其中，xt为原始的海浪相关变量时间序列信号，为原始尺度函数信号向右平移k的距离得到的信号，c0[k]为该平移得到的信号的对应系数，ψj,kt为小波信号经过横向拉伸为2j倍后向右平移k的距离得到的信号，dj[k]为该平移和展缩得到的信号的对应系数；通过c0[k]和dj[k]根据选择的小波种类，对原信号进行复原；采用db2小波对原始海浪相关变量时间序列信号进行3级小波分解，并将得到的多个小波系数复原为与输入等长度的序列；3对于海浪各变量的小波分解结果，将其输入带残差的卷积神经网络，通过卷积神经网络具有的权重共享和局部连接的特点，提取小波分解得到的各级子序列的表征信息；具体如下：假设卷积核为w，输入为x，偏置为b，*代表卷积运算，f·代表激活函数，h表示计算生成的结果，那么卷积运算表示成：h＝fw*x+b3对于小波分解得到的多个海浪相关变量分解子小波序列，将不同输入海浪相关变量的同一级小波分解结果，作为同一组网络输入的不同通道；对每个经过小波变换得到的每一维子序列，将其进行等长度分割，然后分别拼成二维的矩阵，作为一组输入的某一个通道的输入；在构建卷积残差神经网络的过程中，采用先提升卷积层的通道数，对小波变换后重构的小波子序列进行充分的特征提取，再通过降低卷积层的通道数进行特征融合并降低后续的线性层神经网络的连接数，以降低计算压力；4最后将卷积残差网络的输出，转换成为一维的序列，通过两层的线性层，将输出归结到一个点，作为预测的海浪有效波高的结果；其中，在训练过程中，在第一层的线性层后引入dropout层，使得部分网络输出的结果为0；并设置权重值，避免单个参数的数值过大而对网络造成主要影响，以提高网络的泛化能力。

全文数据：

权利要求：

百度查询： 大连理工大学 一种基于深度学习的海浪有效波高时间序列预测方法