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

摘要：本发明属于海洋浪高预测技术领域，公开了一种海洋浪高预测方法、系统、计算机设备、存储介质、终端，选取相关系数高的特征作为预测海浪高度的输入特征；按照粒子群行为特征建立混沌模型，解决粒子群过早收敛问题；CDW为BP模型进行初始化阶段的优化；在CPSO‑BP模型中，混沌粒子群优化算法CPSO在解空间中寻找最优的粒子对BP网络的初始权值和阈值进行优化；使用CPSO算法优化过的参数作为ELM网络的初始权值和阈值传入ELM网络；利用CPSO‑BP模型或CPSO‑ELM模型进行海洋预警领域浪高预测。本发明使用深度学习方法进行浪高预测具有准确性高、成本低、运行速度快的优点。

主权项：1.一种海洋浪高预测方法，其特征在于，所述海洋浪高预测方法包括以下步骤：选取相关系数高的特征作为预测海浪高度的输入特征；按照粒子群行为特征建立混沌模型，解决粒子群过早收敛问题；CDW为BP模型进行初始化阶段的优化；在CPSO-BP模型中，混沌粒子群优化算法CPSO在解空间中寻找最优的粒子对BP网络的初始权值和阈值进行优化；在CPSO-ELM模型中，使用CPSO算法优化过的参数作为ELM网络的初始权值和阈值传入ELM网络；利用CPSO-BP模型进行海洋预警领域浪高预测；在选择输入特征时，确定每个特征与海浪高度的相关性，每个输入参数与海浪高度之间的相关系数进行分析，选取相关系数高的特征作为预测海浪高度的输入特征；其中，备选的神经网络输入特征，包括平均海平面MSL、10米风速U分量U10、10米风速V分量V10、平均海波方向MWD、平均海波周期MWP五项特征；通过皮尔逊相关系数rx，y计算各个变量与海浪高度SWH的相关性，以相关性作为参考选取神经网络的输入特征；皮尔逊相关系数rx，y用来定量分析变量间的相关性，rx，y∈[-1，1]，当|rx，y|接近于1，两者相关性高，当|rx，y|接近于0，两者相关性低；rx，y的正负代表两个变量的相关性正负，根据以下公式进行计算： 其中，|rx，y|＞0.8时，两个变量高度相关；当|rx，y|∈[0.3，0.5时，两个变量低度相关；当|rx，y|＜0.3时，两个变量弱相关；U10和V10分别为精度和纬度上的风速分量，其相关性不适合单独拿出来作为海浪高度预测的参数；通过特征融合，计算观测点风速值UV用作网络的输入，UV可由以下公式进行计算： 特征融合后的新特征UV与SWH具有最高的相关性，且与MWP不同，UV不具有后验性，可以作为输入特征；选用P值Pvalue来分析各参数的显著性；P值可通过计算chi-square后查询卡方分布表得出，用于判断H0假设是否成立的依据，chi-square计算公式为： 其中Oi为实际值，Ei为理论值；当原假设成立时，P值代表极端情况的发生几率；所述CPSO-BP模型的实现方法包括：1确定BP网络模型结构；通过特征选取，选择UV和MSL作为输入特征值；确定网络输入节点数Si为2，隐藏层节点数So为1，将隐藏层节点数Sl设置为5；其中，每个粒子的维数N可通过以下公式计算：N＝Si×Sl+Sl×So+Sl+So+q，q＝1；其中，q为每个粒子的适应度值，将其放在每个粒子的最后一维构成一个22维的粒子Xi；Si×Sl为输入层到隐藏层的权值的数量，Sl为隐藏层的阈值的数量，粒子的维数N＝22；2设置CPSO初始参数；设置限制因子λ＝0.92，自适应惯性权重因子的最大值ωmax＝0.9和最小值ωmin＝0.4，设置加速系数初始值c1i＝c2i＝0.5，设置加速系数最终值c1f＝c2f＝2.5；3根据BP网络模型的结构，生成CPSO算法中的初始向量和混沌向量；将输入层到隐藏层的权值和隐藏层的阈值作为CPSO矩阵中的元素，CPSO中的每一个粒子都表示BP网络的初始参数；对种群X初始化，模型随机产生一个大小m为2000的粒子群，初始种群的第i个粒子由以下公式计算：Xi＝xi，1，xi，2，xi，m，＝1，2，...，22；为Xi中每一个参数加入一个微小的扰动，由此生成初始混沌向量，第i个初始混沌向量由以下公式计算： 4通过适应度的大小来对种群中的每一个粒子进行打分；每一个粒子的适应度为均方差的倒数，通过适应度的大小来对种群中的每一个粒子进行打分，将各个粒子的得分设为向量的最后一项，适应度与BP网络模型的权值和阈值一起作为该粒子的参数，以确定一个粒子的结构；其中，第i个粒子的适应度由以下公式计算： 当前适应度最高的解记作Pi，通过得到的适应度值对每个粒子进行排序，排名前五的粒子作为优胜粒子，排名次五的粒子作为临时粒子；5为粒子群按照适应度值进行排序，再对粒子群进行寻优，生成新的粒子群；按照适应度得分，排序最靠前的5个粒子作为优胜粒子，记作i＝1，2，....，5在这五个粒子之后排名次五粒子作为临时粒子，记作i＝1，2，...，5以这十个被选出来的优胜粒子和临时粒子作为新的中心，与随机矩阵相加19次，分别生成19个新的粒子；表示为随机生成一个22维矩阵Y＝[y1y2...y22]；其中，将分别与矩阵Y相加，将相加后的新矩阵归一化到与Y相同的区间，相加后的新矩阵可由以下公式计算： 其中，lmanx由以下公式计算：lmax＝{max||xi+yi|i＝1，2，...，22}，n＝1，2，...，19；每一个优胜粒子和临时粒子与之后生成的19个Zn组成一个新的粒子群；从而产生5个新的优胜粒子群，记作以及5个新的临时粒子群，记作6混沌趋同和混沌异化操作；将五个优胜粒子和五个临时粒子分别作为中心，生成10个新的粒子群，将新生成的粒子按照适应度值进行重新排序；混沌趋同：当子群体进行趋同操作时，种群会以自己内部得分最高的个体为中心，生成新的子群体，如果新的子群体中有比自己得分高的，那么则以新的优胜个体为中心继续趋同操作；更新计算粒子的适应度f的平均值fav和适应度f的最小值fmin，更新权重系数ω；混沌异化：更新自适应惯性权重系数ω、局部加速系数c1和整体加速系数c2，计算出粒子进行混沌化后的速度和粒子新位置；根据粒子的新位置重新计算粒子坐标和适应度f，当出现f值更高的粒子，就用这一粒子生成新的粒子群，将适应度值低的粒子淘汰，直到粒子群成熟，所有个体收敛；如果异化后的粒子群仍未收敛，则重复该步骤直至网络收敛；7将适应度最高的个体Xbest＝[x1x2...x22]作为BP神经网络的输入；将Xbest中x1，x2，...，x10作为网络输入层到隐藏层的连接权值，记作将Xbest中x11，x12，...，x15作为神经隐藏层到输出层的连接权值，记作W2＝[x11，x12，...，x15]T；将Xbest中x16x17，...，x20作为隐藏层中各个节点的阈值，记作B1＝[x16，x17，...，x20]T将Xbest中x21作为输出层中各个节点的阈值，记作B2＝[x21]T；将W＝[W1，W2]T和B＝[B1，B2]T分别作为BP网络的初始权值和阈值，形成初始CPSO-BP模型；8训练预测模型，进行仿真预测。

全文数据：

权利要求：

百度查询： 中国海洋大学 海洋浪高预测方法、系统、计算机设备、存储介质、终端