【技術實現步驟摘要】
本專利技術屬于海洋信息預測，具體是一種基于長短期記憶神經網絡的波浪預測方法。
技術介紹
1、在傳統波浪預測領域，專家學者長期依賴物理模型預測方法，如booij等人開發的近岸波浪模擬(swan)方法和波浪模型開發國際組(wamdi)建立的波浪模型。物理模型基于對海洋動力學過程的物理原理和方程建立，通過模擬計算來預測海浪的有效波高。其中一種常用的物理模型是數值模擬模型，它利用空間分辨率較高的模式，把海浪的海流、海浪等物理量進行模擬，從而預測未來海浪的變化情況。
2、然而，這類方法預測過程復雜、計算時間長、預測精度不夠，不適用于需要快速響應的實時預測工作。
技術實現思路
1、本專利技術的目的在于提供一種基于長短期記憶神經網絡的波浪預測方法及系統，能夠滿足快速響應的實時預測工作需求。
2、本專利技術的目的可以通過以下技術方案實現：
3、一種基于長短期記憶神經網絡的波浪預測方法，包括以下步驟：
4、步驟一、采集波浪數據：采集波浪的波高和波峰周期數據；
5、步驟二、對采集的波浪數據進行數據預處理：將采集的波浪數據歸一化處理；
6、步驟三、構建lstm網絡模型：所述lstm模型包括輸入層、輸出層以及若干連接于所述輸入層和輸出層之間的lstm層；
7、步驟四、對lstm網絡模型進行訓練：針對同一海況，輸入不同序列長度的數據，通過預測結果選擇輸入數據的最佳序列長度，利用輸入數據的最佳序列長度依次對不同的海況進行預測；
8、步驟五、通過對訓練完成的lstm網絡模型進行預測效果評估：通過計算樣本的決定系數、均方值誤差和平均誤差來驗證預測效果，獲得訓練完成的lstm網絡模型。
9、進一步地，在上述基于長短期記憶神經網絡的波浪預測方法中，所述步驟二中，將采集的波浪數據歸一化到區間[0,1]中，歸一化的公式如下：
10、
11、其中，xn為歸一化后的特征值，x是輸入的數據值，min(x)為數據最小值，max(x)為數據的最大值。
12、進一步地，在上述基于長短期記憶神經網絡的波浪預測方法中，每個所述lstm層包括若干lstm單元，所述lstm單元之間循環連接。
13、進一步地，在上述基于長短期記憶神經網絡的波浪預測方法中，所述lstm單元包括輸入門it、輸出門ot和遺忘門ft，上一個單元的輸出為yt-1,當前單元狀態稱為ct；所述lstm單元的運行過程如下：首先，網絡接收到輸入信息xt，并通過式(2)創建候選值zt；然后按照式(3)，候選值zt與輸入門it相乘，決定輸入信息部分被送到ct；接著按照式(4)，遺忘門ft決定刪除前一單元狀態ct-1信息中的部分，根據式(5)我們就可以得到當前單元狀態ct；最后由式(6)得到輸出門的輸出，根據式(7)將它和當前單元狀態結合，得到最終這一單元的輸出yt；
14、zt＝g(wc[xt,yt-1]+bc)????(2)
15、it＝σ(wi[xt,yt-1]+bi)????(3)
16、ft＝σ(wf[xt,yt-1]+bf)????(4)
17、ct＝itzt+ct-1ft????(5)
18、ot＝σ(wo[xt,yt-1]+bo)????(6)
19、yt＝g(ct)ot????(7)
20、其中，w、b分別指不同的權重和偏置向量，σ是指sigmoid激活函數，g指tanh激活函數。
21、進一步地，在上述基于長短期記憶神經網絡的波浪預測方法中，所述樣本的決定系數、均方值誤差和平均誤差的計算公式分別為：
22、
23、其中，表示原始數據的平均值。
24、一種基于長短期記憶神經網絡的波浪預測系統，其特征在于，包括與上述技術方案中任一技術方案的步驟對應的程序模塊，運行時執行上述的基于長短期記憶神經網絡的波浪預測方法中的步驟。
25、一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序配置為由處理器調用時實現上述技術方案中任一技術方案所述的基于長短期記憶神經網絡的波浪預測方法的步驟。
26、本專利技術具備下述有益效果：
27、本專利技術的訓練過程涵蓋了廣泛的極端海況數據，因此能夠準確預測各種極端海況；每組實驗對波高數據的決定系數高達0.99，顯著提升了預測精度；該方法能夠簡便地實現多種海況數據的訓練和預測，操作便捷。
本文檔來自技高網...【技術保護點】
1.一種基于長短期記憶神經網絡的波浪預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于長短期記憶神經網絡的波浪預測方法，其特征在于，所述步驟二中，將采集的波浪數據歸一化到區間[0,1]中，歸一化的公式如下：
3.根據權利要求1所述的一種基于長短期記憶神經網絡的波浪預測方法，其特征在于，每個所述LSTM層包括若干LSTM單元，所述LSTM單元之間循環連接。
4.根據權利要求3所述的一種基于長短期記憶神經網絡的波浪預測方法，其特征在于，所述LSTM單元包括輸入門it、輸出門ot和遺忘門ft，上一個單元的輸出為yt-1,當前單元狀態稱為ct；所述LSTM單元的運行過程如下：首先，網絡接收到輸入信息xt，并通過式(2)創建候選值zt；然后按照式(3)，候選值zt與輸入門it相乘，決定輸入信息部分被送到ct；接著按照式(4)，遺忘門ft決定刪除前一單元狀態ct-1信息中的部分，根據式(5)我們就可以得到當前單元狀態ct；最后由式(6)得到輸出門的輸出，根據式(7)將它和當前單元狀態結合，得到最終這一單元的輸出yt；
5.根
6.一種基于長短期記憶神經網絡的波浪預測系統，其特征在于，包括與上述權利要求1～5任一項權利要求的步驟對應的程序模塊，運行時執行上述的基于長短期記憶神經網絡的波浪預測方法中的步驟。
7.一種計算機可讀存儲介質，其特征在于：所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序配置為由處理器調用時實現權利要求1～5中任一項所述的基于長短期記憶神經網絡的波浪預測方法的步驟。
...【技術特征摘要】
1.一種基于長短期記憶神經網絡的波浪預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于長短期記憶神經網絡的波浪預測方法，其特征在于，所述步驟二中，將采集的波浪數據歸一化到區間[0,1]中，歸一化的公式如下：
3.根據權利要求1所述的一種基于長短期記憶神經網絡的波浪預測方法，其特征在于，每個所述lstm層包括若干lstm單元，所述lstm單元之間循環連接。
4.根據權利要求3所述的一種基于長短期記憶神經網絡的波浪預測方法，其特征在于，所述lstm單元包括輸入門it、輸出門ot和遺忘門ft，上一個單元的輸出為yt-1,當前單元狀態稱為ct；所述lstm單元的運行過程如下：首先，網絡接收到輸入信息xt，并通過式(2)創建候選值zt；然后按照式(3)，候選值zt與輸入門it相乘，決定輸入信息部分被送到ct...
【專利技術屬性】
技術研發人員：金思雅，張緣，孟凡泰，楊坤德，
申請(專利權)人：西北工業大學太倉長三角研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。