CN110852440B - 一种基于动态模糊神经网络的海洋锋预测方法 - Google Patents

一种基于动态模糊神经网络的海洋锋预测方法 Download PDF

Info

Publication number
CN110852440B
CN110852440B CN201911214437.4A CN201911214437A CN110852440B CN 110852440 B CN110852440 B CN 110852440B CN 201911214437 A CN201911214437 A CN 201911214437A CN 110852440 B CN110852440 B CN 110852440B
Authority
CN
China
Prior art keywords
layer
output
input
data
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911214437.4A
Other languages
English (en)
Other versions
CN110852440A (zh
Inventor
毛科峰
陈希
宋新新
杜辉
刘科峰
郭海龙
陈捷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201911214437.4A priority Critical patent/CN110852440B/zh
Publication of CN110852440A publication Critical patent/CN110852440A/zh
Application granted granted Critical
Publication of CN110852440B publication Critical patent/CN110852440B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Hydrology & Water Resources (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Computational Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于动态模糊神经网络的海洋锋探测方法，其特征在于包括以下步骤：样本采集，获取目标海域目标时间段海洋锋样本参数；动态模糊神经网络模型训练；海洋锋探测；本发明提供了一种简便探测海洋锋的方法，只需采集变化后的海洋锋影响参数数据，通过动态模糊神经网络进行探测，就能根据坐标点的经纬度拟合出变化后的海洋锋分布曲线图。

Description

一种基于动态模糊神经网络的海洋锋预测方法
技术领域
本申请涉及海洋锋预测方法的技术领域，尤其涉及一种基于动态模糊神经网络的海洋锋预测方法。
背景技术
海洋锋是海洋中特性明显不同的两种或几种水体之间的有明显水平梯度的狭窄过渡带，是水文要素(如温度、盐度等)水平分布的狭长高梯度带，即在锋面存在的海域，水文要素会显现出剧烈的变化特征。海洋锋可以广泛应用于海洋渔业、海上搜救、环境保护等方面。
现有技术中，分析海洋锋主要通过卫星和常规手段联合观测，然而由于海洋锋存在瞬时演变，涉及多种尺度，因此卫星和常规手段联合观测仅仅只能够观察既有的海洋锋，对于其即将产生的变化，难以有效预测，同时通过卫星和常规手段联合观测，操作较复杂，成本较高，针对相关技术中无法对海洋锋进行预测且成本较高的技术问题，目前尚未提出有效的解决方案。
发明内容
为了解决上述问题，本发明提供了一种基于动态模糊神经网络的海洋锋预测方法，其特征在于包括以下步骤：
S1：样本采集，获取目标海域目标时间段海洋锋样本参数；
S11：获取该目标海域某海洋锋的分布曲线图，将该分布曲线图网格化，选取能够反映该分布曲线的坐标点，确定该坐标点的经纬度；
S12：获取每个坐标点影响参数，即该坐标点的海水温度、盐度、速度、颜色和叶绿素等；
S13：将每个坐标点经纬度和影响参数作为一组数据，筛选数据作为样本，排出明显数据异常的组；
S2：动态模糊神经网络模型训练；
S21:建立网络模型，包括输入层、隶属函数层、范数层、归一化层和输出层；
S22：初始化参数，并输入第一组数据，产生一条模糊规则；
S23：输入第二组数据，开始训练网络，产生新的模糊规则并调整神经元的宽度和权值；
S24：重复S23的步骤，直到所有样本进入网络训练；
S25：动态调整模型，完成训练。
S3：海洋锋预测；
S31：采集变化后的海洋锋影响参数数据；将该数据输入训练成型的动态模糊神经网络模型中，输出坐标点的经纬度；
S32：根据坐标点的经纬度拟合出变化后的海洋锋分布曲线图。
优选地，所述步骤S22中初始化参数包括：输入空间长度、重叠因子、阈值、衰减常数、收敛常数、高斯函数初始宽度、预先定义误差、高斯函数中心调整预定义常数。
优选地，所述输入空间长度包括输入空间最大长度和输入空间最小长度；所述预先定义误差包括预先定义最大误差和预先定义最小误差。
本发明带来的有益效果：动态模糊神经网络有效结合了模糊控制与神经网络，利用每层之间的不断反馈，动态调节网络结构，提高预测精度。
附图说明
为了更清楚的说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明基于动态模糊神经网络的海洋锋预测方法流程图；
图2为本发明动态模糊神经网络结构图。
具体实施方式
下面结合附图1对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
具体参见附图1，一种基于动态模糊神经网络的海洋锋预测方法，其特征在于包括以下步骤：
S1：样本采集，获取目标海域目标时间段海洋锋样本参数；
S11：获取该目标海域某海洋锋的分布曲线图，将该分布曲线图网格化，选取能够反映该分布曲线的坐标点，确定该坐标点的经纬度；
S12：获取每个坐标点影响参数，即该坐标点的海水温度、盐度、速度、颜色和叶绿素等；
S13：将每个坐标点经纬度和影响参数作为一组数据，筛选数据作为样本，排出明显数据异常的组；
S2：动态模糊神经网络模型训练；
S21:建立网络模型，动态模糊神经网络结构的结构如图2所示，
第一层为输入层，其中X1,X2,...,Xr是动态模糊神经网络的输入变量，具体为海水温度、盐度、速度、颜色和叶绿素等。
第二层为隶属函数层，神经元节点分成多个小组，每节点表示一个隶属函数，图中MFij是第i个输入变量的第j个隶属函数，每个神经元节点只连接一个输入变量，输入的连接权值是隶属函数的中心以及宽度，隶属函数是用高斯函数来表示的：
Figure GDA0003699252950000041
式中，σij是xi的第j个高斯隶属函数的宽度，μij是xi的第j个隶属函数，cij是xi的第j个高斯隶属函数的中心，r是输入的变量数，u是系统总的规则数。
其中，高斯函数具有良好平滑的局部特征，能够把输入数据聚拢在一个小的范围，使输出数据以对称轴为中心向两边单调递减，所以选取高斯函数作为隶属函数来划分整个输入空间。
第三层为T—范数层，各个节点的可能的模糊规则中的IF部分，用来和模糊规则的条件进行匹配，反映了整个系统的模糊规则总数，输出是每条规则的激活度，第j个规则Rj的输出为：
Figure GDA0003699252950000042
式中X＝(x1，x2，…xr)∈Rr是第j个RBF单元的中心，该层的每个节点表示了一个RBF单元，即代表模糊规则数。
第四层为归一化层，对上一层的输出做归一化处理，该层的节点数与第三层模糊规则节点数相等，第j个节点Nj的输出为：
Figure GDA0003699252950000043
第五层为输出层，每个神经元节点代表一个输出变量，输出坐标点的经纬度，输出的值是所有输入信号的叠加而成：
Figure GDA0003699252950000044
式中，y是变量的输出，ωk是第k个规则的连接权。
S22：初始化参数，包括：输入空间最大长度、输入空间最小长度、重叠因子、阈值、衰减常数、收敛常数、高斯函数初始宽度、预先定义最大误差、预先定义最小误差、高斯函数中心调整预定义常数；并输入第一组数据，产生一条模糊规则；
S23：输入第二组数据，开始训练网络，产生新的模糊规则并调整神经元的宽度和权值；
S24：重复S23的步骤，直到所有样本进入网络训练；
S25：动态调整模型，完成训练。
其中还包括检测训练模型的步骤，用多组已知的参数输入模型中进行检测，判断模型输出的仿真结果与采集已知数据之间的误差是否在既定误差范围内，若是，则完成训练，若否，调整参数重新训练。
S3：海洋锋预测；
S31：采集变化后的海洋锋影响参数数据；将该数据输入训练成型的动态模糊神经网络模型中，输出坐标点的经纬度；
S32：根据坐标点的经纬度拟合出变化后的海洋锋分布曲线图。
本发明通过利用动态模糊神经网络的模式识别和数据拟合能力，能够自动调整结构参数应对新的输入(海水温度、盐度、速度、颜色和叶绿素等)，并产生期望输出(坐标点的经纬度)，提高海洋锋的预测精度。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (1)

1.一种基于动态模糊神经网络的海洋锋预测方法，其特征在于包括以下步骤：
S1：样本采集，获取目标海域目标时间段海洋锋样本参数；
S11：获取该目标海域某海洋锋的分布曲线图，将该分布曲线图网格化，选取能够反映该分布曲线的坐标点，确定该坐标点的经纬度；
S12：获取每个坐标点影响参数，即该坐标点的海水温度、盐度、速度、颜色和叶绿素；
S13：将每个坐标点经纬度和影响参数作为一组数据，筛选数据作为样本，排出明显数据异常的组；
S2：动态模糊神经网络模型训练；
S21:建立网络模型，包括输入层、隶属函数层、范数层、归一化层和输出层；
第一层为输入层，其中X1,X2,...,Xr是动态模糊神经网络的输入变量，具体为海水温度、盐度、速度、颜色和叶绿素；
第二层为隶属函数层，神经元节点分成多个小组，每节点表示一个隶属函数，图中MFij是第i个输入变量的第j个隶属函数，每个神经元节点只连接一个输入变量，输入的连接权值是隶属函数的中心以及宽度，隶属函数是用高斯函数来表示的：
Figure FDA0003699252940000011
式中，σij是xi的第j个高斯隶属函数的宽度，μij是xi的第j个隶属函数，cij是xi的第j个高斯隶属函数的中心，r是输入的变量数，u是系统总的规则数；
其中，高斯函数具有良好平滑的局部特征，能够把输入数据聚拢在一个小的范围，使输出数据以对称轴为中心向两边单调递减，所以选取高斯函数作为隶属函数来划分整个输入空间；
第三层为T—范数层，各个节点的可能的模糊规则中的IF部分，用来和模糊规则的条件进行匹配，反映了整个系统的模糊规则总数，输出是每条规则的激活度，第j个规则Rj的输出为：
Figure FDA0003699252940000021
式中X＝(x1，x2，…xr)∈Rr是第j个RBF单元的中心，该层的每个节点表示了一个RBF单元，即代表模糊规则数；
第四层为归一化层，对上一层的输出做归一化处理，该层的节点数与第三层模糊规则节点数相等，第j个节点Nj的输出为：
Figure FDA0003699252940000022
第五层为输出层，每个神经元节点代表一个输出变量，输出坐标点的经纬度，输出的值是所有输入信号的叠加而成：
Figure FDA0003699252940000023
式中，y是变量的输出，ωk是第k个规则的连接权；
S22：初始化参数，并输入第一组数据，产生一条模糊规则；
S23：输入第二组数据，开始训练网络，产生新的模糊规则并调整神经元的宽度和权值；
S24：重复S23的步骤，直到所有样本进入网络训练；
S25：动态调整模型，完成训练；其中还包括检测训练模型的步骤，用多组已知的参数输入模型中进行检测，判断模型输出的仿真结果与采集已知数据之间的误差是否在既定误差范围内，若是，则完成训练，若否，调整参数重新训练；
S3：海洋锋预测
S31：采集变化后的海洋锋影响参数数据；将该数据输入训练成型的动态模糊神经网络模型中，输出坐标点的经纬度；
S32：根据坐标点的经纬度拟合出变化后的海洋锋分布曲线图；
步骤S22中初始化参数包括：输入空间长度、重叠因子、阈值、衰减常数、收敛常数、高斯函数初始宽度、预先定义误差、高斯函数中心调整预定义常数；
所述输入空间长度包括输入空间最大长度和输入空间最小长度；所述预先定义误差包括预先定义最大误差和预先定义最小误差。
CN201911214437.4A 2019-12-02 2019-12-02 一种基于动态模糊神经网络的海洋锋预测方法 Active CN110852440B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911214437.4A CN110852440B (zh) 2019-12-02 2019-12-02 一种基于动态模糊神经网络的海洋锋预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911214437.4A CN110852440B (zh) 2019-12-02 2019-12-02 一种基于动态模糊神经网络的海洋锋预测方法

Publications (2)

Publication Number Publication Date
CN110852440A CN110852440A (zh) 2020-02-28
CN110852440B true CN110852440B (zh) 2022-07-26

Family

ID=69607068

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911214437.4A Active CN110852440B (zh) 2019-12-02 2019-12-02 一种基于动态模糊神经网络的海洋锋预测方法

Country Status (1)

Country Link
CN (1) CN110852440B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860146B (zh) * 2020-06-11 2023-06-09 中山大学 海洋锋区域的获取方法、装置、计算机设备和存储介质
CN113063906B (zh) * 2021-02-09 2022-03-25 国家海洋局南海预报中心(国家海洋局广州海洋预报台) 一种叶绿素a锋面的检测方法及装置
CN113705046B (zh) * 2021-09-29 2023-08-15 自然资源部第一海洋研究所 一种提高海洋模式中海水温度计算准确性的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529818A (zh) * 2016-11-16 2017-03-22 河南工程学院 基于模糊小波神经网络的水质评价预测方法
CN108230302A (zh) * 2017-12-21 2018-06-29 岭东核电有限公司 一种核电厂冷源海域入侵海洋生物探测及处置方法
CN108983178A (zh) * 2018-06-28 2018-12-11 浙江大学 一种敏捷自适应的智能雷达海上目标检测系统
CN109086818A (zh) * 2018-07-25 2018-12-25 中国海洋大学 海洋锋面识别方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106529818A (zh) * 2016-11-16 2017-03-22 河南工程学院 基于模糊小波神经网络的水质评价预测方法
CN108230302A (zh) * 2017-12-21 2018-06-29 岭东核电有限公司 一种核电厂冷源海域入侵海洋生物探测及处置方法
CN108983178A (zh) * 2018-06-28 2018-12-11 浙江大学 一种敏捷自适应的智能雷达海上目标检测系统
CN109086818A (zh) * 2018-07-25 2018-12-25 中国海洋大学 海洋锋面识别方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Multiscale Deep Framework for Ocean Fronts Detection and Fine-Grained Location;Xin Sun 等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20190229;第178-182页 *
Application of Geostationary Ocean Color Imager Data to the extraction of ocean fronts;Hyun Yang 等;《REMOTE SENSING LETTERS》;20161231;第1-6节 *
Learning and Transferring Convolutional Neural Network Knowledge to Ocean Front Recognition;Estanislau Lima 等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20170331;第I-V节 *
欠驱动水面无人艇的航迹跟踪控制研究;胡云燕;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20120515;正文第45-64页 *

Also Published As

Publication number Publication date
CN110852440A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
CN110852440B (zh) 一种基于动态模糊神经网络的海洋锋预测方法
CN108764540B (zh) 基于并行lstm串联dnn的供水管网压力预测方法
US5537118A (en) Method for tracking moving objects
CN108444481B (zh) 一种基于辅助决策系统的水下潜器路径规划方法
CN106022954B (zh) 基于灰色关联度的多重bp神经网络负荷预测方法
CN115342814B (zh) 一种基于多传感器数据融合的无人船定位方法
CN109800517B (zh) 一种改进的磁流变阻尼器逆向建模方法
CN111624522A (zh) 基于蚁群优化rbf神经网络控制变压器故障诊断方法
CN111914487B (zh) 一种基于对抗神经网络的无资料地区水文参数率定方法
CN115169439A (zh) 一种基于序列到序列网络的有效波高预测方法和系统
Emamgholizadeh et al. Comparison of artificial neural networks, geographically weighted regression and Cokriging methods for predicting the spatial distribution of soil macronutrients (N, P, and K)
CN112307410A (zh) 基于船载ctd测量数据的海水温盐信息时序预测方法
CN110807510B (zh) 面向工业大数据的并行学习软测量建模方法
CN117312790A (zh) 电压互感器误差预测方法、装置、设备及可读存储介质
CN117405175B (zh) 海洋环境智能监测系统
Lola et al. Improving the performance of ann-arima models for predicting water quality in the offshore area of kuala terengganu, terengganu, malaysia
CN117784250A (zh) 一种基于模型无关元学习算法的海底声学参数反演方法
CN110751201B (zh) 基于纹理特征变换的sar装备任务失效成因推理方法
Liu et al. Estimation and fusion for tracking over long-haul links using artificial neural networks
CN111914488A (zh) 一种基于对抗神经网络的有资料地区水文参数率定方法
CN114861364A (zh) 一种吸气式发动机进气道流场智能感知和抽吸调控方法
CN104200269A (zh) 一种基于在线学习最小嵌入维网络的实时故障诊断方法
CN109521176B (zh) 一种基于改进深度极限学习机的虚拟水质监测方法
Ajmera et al. Artificial neural network application on estimation of aquifer transmissivity
CN112580853A (zh) 基于径向基神经网络的母线短期负荷预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant