CN113901741A - 海洋-电离层耗散动力学仿真方法、仿真系统、设备及应用 - Google Patents
海洋-电离层耗散动力学仿真方法、仿真系统、设备及应用 Download PDFInfo
- Publication number
- CN113901741A CN113901741A CN202111220601.XA CN202111220601A CN113901741A CN 113901741 A CN113901741 A CN 113901741A CN 202111220601 A CN202111220601 A CN 202111220601A CN 113901741 A CN113901741 A CN 113901741A
- Authority
- CN
- China
- Prior art keywords
- ionosphere
- ocean
- marine
- dissipation
- model
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明属于海洋动力学技术领域,公开了海洋‑电离层耗散动力学仿真方法、仿真系统、设备及应用。构建高频地波雷达海洋‑电离层耗散系统;根据高频地波雷达海洋‑电离层耗散系统中熵的变化特征,分析海洋子系统与电离层子系统的动力学关系,将高频地波雷达海洋‑电离层耗散系统的框架和长短期记忆网络模型的原型中部分参数迁移至真实环境下的海洋‑电离层数据模型;利用录取的海洋‑电离层数据对迁移后的真实环境下的海洋‑电离层数据模型参数进行相应调整,获取海上自然灾害早期预报信息。本发明提高了小样本下的建模准确性,从而有效揭示突变海态与电离层之间动力学关系,为海上自然灾害的早期预报提供技术支撑。
Description
技术领域
本发明属于海洋动力学技术领域,尤其涉及一种用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法、仿真系统、计算机设备及应用。
背景技术
目前,海洋与电离层是人类在探索海洋、经略海洋以及发展海洋经济过程中至关重要的两大组成部分,与人类生活息息相关,长久以来经过众多学者的不懈努力,取得了大量令人瞩目的研究成果。高频地波雷达(HFSWR)凭借其全天时、全天候和超视距探测等方面的能力在获取海洋信息方面得到了十分广泛的应用。
然而在经济全球化的今天,随着人类在海洋中的活动越来越频繁,传统的一维海洋信息获取手段已经远远无法满足人们对探测距离和探测精度的需求。电离层、大气及海洋是强迫耗散的非线性开放系统,在摩擦耗散力驱动下进行非线性旋转流体运动,是与外界频繁进行物质与能量交换的“耗散结构”。电离层、大气及海洋运动的本质特征由旋转力场、外源强迫以及重力场等基本作用构成。通过对海洋-电离层间动力学关系和耗散系统的研究,可以建立突发海态早期预警监测的新理论和方法。
近年,高频地波雷达电离层探测研究领域取得的突破性进展为海洋信息获取手段的进一步扩展提供了新的思路和方向。利用已取得的高频地波雷达研究成果,在此基础之上进行扩展研究,分析海洋和电离层间的联动机制和动力学关系。
再者,高频地波雷达海洋-电离层耗散系统动力学要素关系的研究离不开系统动力学模型。在数学领域,海洋-电离层耗散系统动力学模型需要采用多元非线性微分方程组进行表征。针对方程组的确切表达式和解析解,目前尚未给出明确的定义和结论。
有关研究突发海态激发的电离层扰动下电离层多普勒频移、临界频率、高度以及电子浓度的变化规律中。电离层扰动总是表现为复杂的时空变化过程,其中突变是极为重要的特征信息,海洋-电离层耗散系统中存在着各种尺度的动力学过程,为此还考虑海洋与电离层突变信息的小波变换提取方法。此外建立基于深度神经网络的海洋-电离层耗散系统动力学模型是研究其动力学关系的主要手段之一。但利用深度神经网络建立的耗散系统动力学模型却十分复杂,其复杂性主要表现在以下三个方面:一是隐层数和隐层节点数选取的复杂性。隐层和其节点数的选择不但与动力学关系的非线性度有关,而且还和系统状态变量数有关。海洋-电离层耗散系统动力学内部机理是非常复杂的,人类目前还无法给出该系统的准确描述;二是系统初值选取的时变性,不同海况情况将带来电离层扰动响应的随机变化,并不像传统的模型具有固定或可预知的系统初值;三是小样本条件下的精准建模。前两方面问题尚可通过大量有效数据训练的方法解决,然而突发海态(如台风,海啸等)每年发生的次数十分有限,且不同的台风和海啸等级也将产生不同的电离层扰动,这使得相同类型训练数据更是屈指可数。因此,如何在小样本条件下建立耗散系统动力学模型是需要解决的关键科学问题。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有技术在分析海洋和电离层之间耦合关系中,没有给出不同海况与电离层扰动之间的动力学关系,不能为短波通信和高频雷达频率选择提供数据支撑,使得突发海态-电离层二维特征信息的早期预警监测信息准确性低。
(2)现有技术海洋和电离层分析中,运算过程复杂,比较耗时,而且增加了成本。
解决以上问题及缺陷的意义为:通过分析不同海况与电离层扰动的动力学关系,建立突发海态-电离层二维特征信息耗散系统模型,在给高频雷达提供频率选择功能的同时为还上自然灾害预报提供可靠的数据与技术支持。
本发明依据现有高频地波雷达和电离层垂测仪获取海洋以及电离层数据,设计一种高频雷达海洋-电离层耗散动力学建模方法,实现探索海洋和电离层之间耦合关系的目。揭示不同海况与电离层扰动之间的动力学关系,为短波通信和高频雷达频率选择提供数据支撑,为开创基于突发海态-电离层二维特征信息的早期预警监测方法提供理论基础。
发明内容
为克服相关技术中存在的问题,本发明公开实施例提供了一种用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法、仿真系统、计算机设备及应用。尤其涉及一种可联合海洋以及电离层二维信息的耗散系统动力学建模方法。
所述技术方案如下:一种用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法,所述用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法包括:
将构建高频地波雷达海洋-电离层耗散系统以及基于系统的突变海态-电离层扰动深度神经网络模型,提出基于仿真数据与实测数据相结合的样本迁移深度学习方法。利用录取的海洋-电离层数据对迁移后的真实环境下的海洋-电离层数据模型参数进行相应调整,获取海上自然灾害早期预报信息,为灾害预报提供数据以及技术支持。
在本发明一实施例中,所述用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法具体包括:
步骤一,构建高频地波雷达海洋-电离层耗散系统;
步骤二,根据高频地波雷达海洋-电离层耗散系统中熵的变化特征,分析海洋子系统与电离层子系统的动力学关系,然后引入传播信道模型简化海洋-电离层耗散过程模型,并采用外部环境来表征高频地波雷达海洋-电离层耗散系统的开放性与涨落;
步骤三,利用仿真海洋-电离层数据训练出长短期记忆网络模型的原型;再将高频地波雷达海洋-电离层耗散系统的框架和长短期记忆网络模型的原型中部分参数迁移至真实环境下的海洋-电离层数据模型;
步骤四,利用录取的海洋-电离层数据对迁移后的实际环境下的海洋-电离层数据模型参数进行相应调整,获取海上自然灾害早期预报信息。
在本发明一实施例中,所述步骤一构建高频地波雷达海洋-电离层耗散系统的方法包括:
通过非线性动力学机理,自动从无序状态形成并维持在时间和空间上的有序结构状态,熵值稳定在比平衡态熵值更低的新的有序状态,形成高频地波雷达海洋-电离层耗散结构。
在本发明一实施例中,所述高频地波雷达海洋-电离层耗散系统的总熵变方程为:
式中为不可逆过程引起的熵增,表示外部环境输入的负熵;外部环境输入的因素包括能量、物质;熵增用于趋向于无序混乱,负熵用于抵消熵增,通过涨落远离平衡的非线性区形成稳定的宏观有序结构,演化为高频地波雷达海洋-电离层耗散结构;
在本发明一实施例中,所述步骤二中,高频地波雷达海洋-电离层耗散系统的非线性动力学方程为:
并采用多维非线性微分方程组表征高频地波雷达海洋-电离层耗散系统的演变过程:
式中s1,s2,…,sn表示一组系统状态变量,其中同时涵盖海洋状态、重力波状态、电离层状态以及系统有序程度表征量,Ce为外部环境对耗散大系统输入的控制变量。
在本发明一实施例中,所述步骤三具体包括:
(1)仿真海洋-电离层数据中包含N1组样本,表示为{(Ai,yi),i=1,2,…,N1}。在拟建模的海洋-电离层耗散系统中,矩阵Ai为第i组样本的海态信息,包括T个时刻的D个海态信息,是第i组样本的电离层参数。则矩阵Ai的表达式为
ft=σ(wf·[ht-1,Ut]+bf)
it=σ(wi·[ht-1,Ut]+bi)
Ct=tanh(wc·[ht-1,Ut]+bc)
Ct=ft*Ct-1+it*Ct
ot=σ(wo·[ht-1,Ut]+bo)
ht=ot·tanh(Ct)
上述公式中,wf、wi、wc、wo以及bf、bi、bc、bo是模型原型的权重以及偏置系数,是上一个时刻的隐藏层状态,是ht-1上一时刻的细胞记忆值。符号σ代表Sigmod函数,符号tanh代表hyperbolic tangent函数,符号·代表矩阵乘法,符号*代表元数积;
(2)计算仿真海洋-电离层真实数据标签与预测值y的交叉熵,目标函数的设计目标是交叉熵最小,在这个条件下搜索最优参数;其中交叉熵为
loss=-(y·log(y)+(1-y)·log(1-y))
预测值y=σ(who*hT+bho),who和bho为模型输出层的权重以及偏置系数;
在本发明一实施例中,所述步骤四包括:
根据长短期记忆网络模型原型对真实环境下的海洋-电离层数据模型的LSTM模块参数进行初始化,并初始化模型的Sigmod层,再利用真实海洋-电离层数据调整整个网络模型,包括隐藏层以及Sigmod输出层部分,实现长短期记忆网络模型与真实环境下的海洋-电离层数据模型间的传递。
本发明的另一目的在于提供一种用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真系统包括:
耗散结构构建模块,用于构建高频地波雷达海洋-电离层耗散系统;
海洋与电离层动力学分析模块,用于根据高频地波雷达海洋-电离层耗散系统中熵的变化特征,分析海洋子系统与电离层子系统的动力学关系,然后引入传播信道模型简化海洋-电离层耗散过程模型,并采用外部环境来表征高频地波雷达海洋-电离层耗散系统的开放性与涨落;
模型迁移模块,用于利用仿真海洋-电离层数据训练出长短期记忆网络模型的原型;
再将高频地波雷达海洋-电离层耗散系统的框架和长短期记忆网络模型的原型中部分参数迁移至真实环境下的海洋-电离层数据模型;
迁移模型参数调整模块,用于利用录取的海洋-电离层数据对迁移后的实际环境下的海洋-电离层数据模型参数进行相应调整,获取海上自然灾害早期预报信息。
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述仿真方法。
本发明的另一目的在于提供一种所述用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法在探索海洋、经略海洋以及发展海洋经济过程中获取海洋信息的应用。
结合上述的所有技术方案,本发明所具备的优点及积极效果为:
本发明采用深度学习网络减少高频地波雷达海洋-电离层耗散系统模型中公式计算的复杂度,相较于多元非线性微分方程组参数以及求导次数,深度学习网络只需要控制输入门,遗忘门,输出门以及相关的参数即可实现模型的建立;
本发明采用海洋-电离层二维参数信息进行联合分析并预测提高灾害预警的精确度,一维信息提供的可靠信息有限且很难验证,二维参数信息可以提供更多的数据信息并可以通过两类信息联合分析进行互相校正从而进一步提高参数数据预测的可靠性。
相比于现有技术,本发明的优点进一步包括:
本发明首次建立高频地波雷达海洋-电离层耗散系统突变海态-电离层扰动深度神经网络模型,并提出基于仿真数据与实测数据相结合的样本迁移深度学习方法,提高小样本下的建模准确性,从而有效揭示突变海态与电离层之间动力学关系,为海上自然灾害的早期预报提供技术支撑。
本发明通过建立高频地波雷达海洋-电离层耗散系统突变海态-电离层扰动深度神经网络模型,突破了以下三个方面问题,第一可以获取系统内部的正熵和外部环境输入的负熵的状态,为接下来耗散系统状态判断提供数据支持。第二依据总熵变可以判断海洋-电离层系统当前所处状态(如原始混沌态、过渡态、低有序态以及高有序态),为后期海洋-电离层耗散系统是否发生剧烈变化,是否符合自然灾害特性进行初步预警。第三根据耗散动力学理论,可以更准确的估计处于耗散结构中的各子系统的特征参数。从而反演出海洋以及电离层各个参数(例如波高、径向流速、电离层层高等),为自然灾害避险提供可靠数据信息。
当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明的公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本发明实施例提供的用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法流程图。
图2是本发明实施例提供的用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真系统示意图。
图中:1、耗散结构构建模块;2、海洋与电离层动力学分析模块;3、模型迁移模块;4、迁移模型参数调整模块。
图3是本发明实施例提供的高频地波雷达(HFSWR)海洋-电离层耗散系统示意图。
图4是本发明实施例提供的电离层散射回波功率谱密度随参数变化图。其中,图4(a)为随仰角变化图、图4(b)为随磁倾角变化图、图4(c)为随距离变化图、图4(d)为随不规则体半径变化图、图4(e)为随电子密度波动方差变化图、图4(f)为随雷达频率变化图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施的限制。
需要说明的是,当元件被称为“固定于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本发明所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式。
除非另有定义,本发明所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本发明中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本发明所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本发明中,高频地波雷达海洋-电离层系统通过内部非线性动力学机理,自动从无序状态形成并维持在时间和空间上的有序结构状态,此时系统的熵值持续降低,而有序度不断提高,最后稳定在比平衡态熵值更低的新的有序状态,形成耗散结构。采用系统动力学深度学习建模方案,分析海洋-电离层耗散动力学关系,并且建立基于实测与仿真数据相结合的样本迁移深度学习结构解决建模过程中的样本数据不足问题。
如图1所示,本发明实施例提供的用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法包括:
S101,构建高频地波雷达海洋-电离层耗散系统;
S102,根据高频地波雷达海洋-电离层耗散系统中熵的变化特征,分析海洋子系统与电离层子系统的动力学关系,然后引入传播信道模型简化海洋-电离层耗散过程模型,并采用外部环境来表征高频地波雷达海洋-电离层耗散系统的开放性与涨落;
S103,利用仿真海洋-电离层数据训练出长短期记忆网络模型的原型;
再将高频地波雷达海洋-电离层耗散系统的框架和长短期记忆网络模型的原型中部分参数迁移至真实环境下的海洋-电离层数据模型;
S104,利用录取的海洋-电离层数据对迁移后的实际环境下的海洋-电离层数据模型参数进行相应调整,获取海上自然灾害早期预报信息。
在本发明一实施例中,提供一种用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真系统包括:
耗散结构构建模块1,用于构建高频地波雷达海洋-电离层耗散系统;
海洋与电离层动力学分析模块2,用于根据高频地波雷达海洋-电离层耗散系统中熵的变化特征,分析海洋子系统与电离层子系统的动力学关系,然后引入传播信道模型简化海洋-电离层耗散过程模型,并采用外部环境来表征高频地波雷达海洋-电离层耗散系统的开放性与涨落;
模型迁移模块3,用于利用仿真海洋-电离层数据训练出长短期记忆网络模型的原型;
再将高频地波雷达海洋-电离层耗散系统的框架和长短期记忆网络模型的原型中部分参数迁移至真实环境下的海洋-电离层数据模型;
迁移模型参数调整模块4,用于利用录取的海洋-电离层数据对迁移后的实际环境下的海洋-电离层数据模型参数进行相应调整,获取海上自然灾害早期预报信息。
下面结合具体实施例对本发明的技术方案作进一步描述。
实施例
本发明提供的用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法包括:
根据高频地波雷达海洋-电离层耗散系统中熵的变化特征,分析二者间的动力学关系,系统结构示意图如图3所示。系统模型特点为将海洋与电离层作为大系统中两个子系统,其次简化了海洋-电离层耗散系统动力学模型,然后引入传播信道模型简化海洋-电离层耗散过程模型,最后采用外部环境来表征系统的开放性与涨落。
利用仿真海洋-电离层数据训练出长短期记忆网络模型的原型,再将模型框架和原型中的部分参数迁移至真实环境下的海洋-电离层数据模型,最后利用录取的海洋-电离层数据对迁移后的模型参数进行相应调整。
根据图3所示的系统结构、热力学第二定律以及克劳修斯熵方程,建立海洋-电离层耗散系统的总熵变方程:
式中为系统本身由于不可逆过程引起的熵增,表示外部环境对系统输入的“负熵”。模型中,熵增主要是由海洋和重力波复杂的非线性动力学过程产生,这一过程将动能和通量输送至电离层,引起其特征扰动。外部环境对系统的输入既包含能量也包括物质,如湍流、热能及风等。熵增令系统趋向于无序混乱,而负熵可以抵消熵增,使系统通过涨落(突发海态)远离平衡的非线性区形成稳定的宏观有序结构,即演化为耗散结构。
为了突出耗散系统的非线性动力学特征,本发明采用多维非线性微分方程组表征海洋-电离层耗散系统的演变过程:
式中s1,s2,…,sn表示一组系统状态变量,其中同时涵盖海洋状态(流、风和浪)、重力波状态(传播形式、路径以及强度等)、电离层状态(高度、电子浓度、RCS以及时空分布等)以及系统有序程度表征量,Ce为外部环境对耗散大系统输入的控制变量。
由图3可知,海洋-电离层耗散系统可作为一种广义的贝纳德对流系统,而贝纳德对流则是最著名的耗散结构,其中海洋子系统、电离层子系统及重力波可分别视为对流系统中的上下边界以及能量与动能运输的载体。
假设Pi为耗散力,则耗散系统的动力学方程可以表示为
式中,K表示耗散系统全部动能,qi为耗散系统广义坐标。
当hi>0时,函数Υ为正定函数,其可视为比例系数为hi的质点组的动能。因而,函数Υ的广义坐标公式为
当耗散系统同时包含耗散力和保守力时,其拉格朗日表达式为
则耗散系统拉格朗日表达式为
此时即为耗散系统的非线性动力学方程。
本发明计算机系统处理器型号为Intel(R)Core(TM)i7-8750HCPU@2.20GHz2.21GHz,计算机RAM为16G海力士内存,操作系统为64位Windows系统。
在本发明中,利用仿真海洋-电离层数据训练出长短期记忆网络模型的原型,再将模型框架和原型中的部分参数迁移至真实环境下的海洋-电离层数据模型,最后利用录取的海洋-电离层数据对迁移后的模型参数进行相应调整具体包括:
(1)假设仿真海洋-电离层数据中包含N1组样本,表示为{(Ai,yi),i=1,2,…,N1}。在拟建模的海洋-电离层耗散系统中,矩阵Ai为第i组样本的海态信息(含重力波),包括T个时刻的D个海态信息,是第i组样本的电离层参数。则矩阵Ai的表达式为
基于现有雷达探测设备初步设定8个通道进行数据采集,采集时间为1小时,采集数据后将获得的参数数据按照矩阵Ai形式输入到模型中。
ft=σ(wf·[ht-1,Ut]+bf)
it=σ(wi·[ht-1,Ut]+bi)
Ct=tanh(wc·[ht-1,Ut]+bc)
Ct=ft*Ct-1+it*Ct
ot=σ(wo·[ht-1,Ut]+bo)
ht=ot·tanh(Ct)
上述公式中,wf、wi、wc、wo以及bf、bi、bc、bo是模型原型的权重以及偏置系数,ht-1是上一个时刻的隐藏层状态,Ct-1是ht-1上一时刻的细胞记忆值。符号σ代表Sigmod函数,符号tanh代表hyperbolic tangent函数,符号·代表矩阵乘法,符号*代表元数积,上述公式中,参数初始值wf、wi、wc、wo分别为0.05,0.85,0.1,0.25,初始学习速率设置为0.001,迭代次数设为1000次,bf、bi、bc、bo偏置系数初值分别设定为0.01,0.015,0.01,0.02,中Sigmod函数视情况可选择ReLU等函数。
(2)计算仿真海洋-电离层真实数据标签与预测值y的交叉熵,目标函数的设计目标是交叉熵最小,在这个条件下搜索最优参数。其中交叉熵为
loss=-(y·log(y)+(1-y)·log(1-y))
预测值y=σ(who*hT+bho),who和bho为模型输出层的权重以及偏置系数,数值大小与第一步保持一致分别为0.25及0.02。
(4)根据长短期记忆网络模型原型对真实数据模型的LSTM模块参数进行初始化,并初始化模型的Sigmod层,再利用真实海洋-电离层数据调整整个网络模型,包括隐藏层以及Sigmod输出层部分,通过这种方式实现两个模型间的传递。
下面结合具体仿真数据对本发明的效果作进一步描述。
耗散系统已形成丰富的理论体系,并在物理、化学、生物以及社会经济等多个领域成功应用且取得成果,这为本发明提供了坚实的理论背景和基础。
本发明人所在团队在基于HFSWR对海洋和电离层观测方面开展了近40年的分析与探索,积累了大量的理论成果和实测数据。并在HFSWR海洋和电离层回波特性和机理方面取得了重要成果,可以为本发明提供海洋-电离层回波仿真数据支撑。其中,中维度地区,高频波段的电离层回波功率谱仿真结果如图4电离层散射回波功率谱密度随参数变化,其中,如图4(a)随仰角变化、图4(b)随磁倾角变化、图4(c)随距离变化、图4(d)随不规则体半径变化、图4(e)随电子密度波动方差变化、图4(f)随雷达频率变化所示。
图4(a)为采用3阶空间谱的电离层反射系数(IRC)谱密度函数下HFSWR信号天波路径回波功率谱随不同入射角的仿真图,不规则体空间最小波长为1km。不同不规则体漂移速度不仅有不同的多普勒频移,还有不同的峰值功率,入射角60°与45°对应的电离层回波峰值功率相差约17dB。这与垂直向电离层模型不同入射角只改变多普勒频移不同。图4(b)为不同磁倾角时的回波功率谱密度仿真图,分别为赤道地区(αI=0°)、中纬度地区(αI=π/4)与极区(αI=π/2)。可见从极区到赤道,回波功率呈现递增趋势。
图4(c)为电离层距离分别为100km、200km、300km时的回波功率谱密度仿真图,可见回波功率与电离层距离成正比。图4(d)为不规则体半径分别为0.5km、1.5km、2.5km时的回波功率谱密度仿真图,可见随着不规则体半径减小,电离层回波多普勒单元明显展宽。图4(e)为电子密度波动方差为1016m-6、1018m-6和1020m-6时的回波功率谱密度仿真图,可见电子密度波动幅度越剧烈,电离层回波功率越大。图4(f)为雷达工作频率分别为4.1MHz、7.1MHz、10.1MHz时的回波功率谱密度仿真图,可见低频较高频时的电离层回波强度更高。
综上所述,近距离、低频、小的不规则体半径以及剧烈电子密度波动会产生更强的回波功率,其中以电子密度波动对电离层回波峰值功率影响最大;不规则体半径对多普勒展宽影响最大。最终通过得到的电离层数据结合已有的海洋数据进行分析并建立模型实现对自然灾害的早期预警。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由所附的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围应由所附的权利要求来限制。
Claims (10)
1.一种用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法,其特征在于,所述用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法包括:
构建高频地波雷达海洋-电离层耗散系统模型框架,在此基础建立突变海态-电离层扰动深度神经网络模型,然后将参数迁移至真实环境下的海洋-电离层数据模型,并利用录取的海洋-电离层数据对迁移后的真实环境下的海洋-电离层数据模型参数进行相应调整,获取海上自然灾害早期预报信息。
2.根据权利要求1所述的用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法,其特征在于,所述用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法具体包括:
步骤一,构建高频地波雷达海洋-电离层耗散系统;
步骤二,根据高频地波雷达海洋-电离层耗散系统中熵的变化特征,分析海洋子系统与电离层子系统的动力学关系,然后引入传播信道模型简化海洋-电离层耗散过程模型,并采用外部环境来表征高频地波雷达海洋-电离层耗散系统的开放性与涨落;
步骤三,利用仿真海洋-电离层数据训练出长短期记忆网络模型的原型;再将高频地波雷达海洋-电离层耗散系统的框架和长短期记忆网络模型的原型中部分参数迁移至真实环境下的海洋-电离层数据模型;
步骤四,利用录取的海洋-电离层数据对迁移后的实际环境下的海洋-电离层数据模型参数进行相应调整,获取海上自然灾害早期预报信息。
3.根据权利要求2所述的用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法,其特征在于,所述步骤一中,构建高频地波雷达海洋-电离层耗散系统的方法包括:
通过非线性动力学机理,自动从无序状态形成并维持在时间和空间上的有序结构状态,熵值稳定在比平衡态熵值更低的新的有序状态,形成高频地波雷达海洋-电离层耗散结构。
6.根据权利要求2所述的用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法,其特征在于,所述步骤三具体包括以下步骤:
(1)仿真海洋-电离层数据中包含N1组样本,表示为{(Ai,yi),i=1,2,…,N1},在拟建模的海洋-电离层耗散系统中,矩阵Ai为第i组样本的海态信息,包括T个时刻的D个海态信息,是第i组样本的电离层参数,则矩阵Ai的表达式为
ft=σ(wf·[ht-1,Ut]+bf)
it=σ(wi·[ht-1,Ut]+bi)
Ct=tanh(wc·[ht-1,Ut]+bc)
Ct=ft*Ct-1+it*Ct
ot=σ(wo·[ht-1,Ut]+bo)
ht=ot·tanh(Ct)
上述公式中,wf、wi、wc、wo以及bf、bi、bc、bo是模型原型的权重以及偏置系数,是上一个时刻的隐藏层状态,是ht-1上一时刻的细胞记忆值;符号σ代表Sigmod函数,符号tanh代表hyperbolic tangent函数,符号·代表矩阵乘法,符号*代表元数积;
(2)计算仿真海洋-电离层真实数据标签与预测值y的交叉熵,目标函数的设计目标是交叉熵最小,在这个条件下搜索最优参数;其中交叉熵为:
loss=-(y·log(y)+(1-y)·log(1-y))
预测值y=σ(who*hT+bho),who和bho为模型输出层的权重以及偏置系数;
7.根据权利要求2所述的用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法,其特征在于,所述步骤四中,根据长短期记忆网络模型原型对真实环境下的海洋-电离层数据模型的LSTM模块参数进行初始化,并初始化模型的Sigmod层,再利用真实海洋-电离层数据调整整个网络模型,包括隐藏层以及Sigmod输出层部分,实现长短期记忆网络模型与真实环境下的海洋-电离层数据模型间的传递。
8.一种实施权利要求1~7任意一项所述用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法的仿真系统,其特征在于,所述用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真系统包括:
耗散结构构建模块,用于构建高频地波雷达海洋-电离层耗散系统;
海洋与电离层动力学分析模块,用于根据高频地波雷达海洋-电离层耗散系统中熵的变化特征,分析海洋子系统与电离层子系统的动力学关系,然后引入传播信道模型简化海洋-电离层耗散过程模型,并采用外部环境来表征高频地波雷达海洋-电离层耗散系统的开放性与涨落;
模型迁移模块,用于利用仿真海洋-电离层数据训练出长短期记忆网络模型的原型;再将高频地波雷达海洋-电离层耗散系统的框架和长短期记忆网络模型的原型中部分参数迁移至真实环境下的海洋-电离层数据模型;
迁移模型参数调整模块,用于利用录取的海洋-电离层数据对迁移后的实际环境下的海洋-电离层数据模型参数进行相应调整,获取海上自然灾害早期预报信息。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行利要求1~7任意一项所述用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法。
10.一种如利要求1~7任意一项所述用于海上自然灾害早期预报的海洋-电离层耗散动力学仿真方法在探索海洋、经略海洋以及发展海洋经济过程中获取海洋信息的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111220601.XA CN113901741B (zh) | 2021-10-20 | 2021-10-20 | 海洋-电离层耗散动力学仿真方法、仿真系统、设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111220601.XA CN113901741B (zh) | 2021-10-20 | 2021-10-20 | 海洋-电离层耗散动力学仿真方法、仿真系统、设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113901741A true CN113901741A (zh) | 2022-01-07 |
CN113901741B CN113901741B (zh) | 2023-08-18 |
Family
ID=79193091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111220601.XA Active CN113901741B (zh) | 2021-10-20 | 2021-10-20 | 海洋-电离层耗散动力学仿真方法、仿真系统、设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113901741B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114384512A (zh) * | 2022-01-19 | 2022-04-22 | 哈尔滨工业大学(威海) | 一种重力波-电离层扰动观测方法、系统、设备及终端 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107607936A (zh) * | 2017-08-31 | 2018-01-19 | 武汉大学 | 一种高频天地波雷达海洋表面流反演方法 |
CN109902136A (zh) * | 2019-03-04 | 2019-06-18 | 中国地质大学(武汉) | 一种多个海洋学模型参数的同时率定方法 |
CN110346772A (zh) * | 2019-08-22 | 2019-10-18 | 上海无线电设备研究所 | 一种高频雷达大幅度电离层相径扰动抑制方法 |
CN111308570A (zh) * | 2020-03-04 | 2020-06-19 | 东华理工大学 | 基于载波相位微分速度构建全球重力场的方法 |
CN112882018A (zh) * | 2021-01-13 | 2021-06-01 | 哈尔滨工业大学(威海) | 一种海洋和电离层一体化探测高频雷达系统及其控制方法 |
-
2021
- 2021-10-20 CN CN202111220601.XA patent/CN113901741B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107607936A (zh) * | 2017-08-31 | 2018-01-19 | 武汉大学 | 一种高频天地波雷达海洋表面流反演方法 |
CN109902136A (zh) * | 2019-03-04 | 2019-06-18 | 中国地质大学(武汉) | 一种多个海洋学模型参数的同时率定方法 |
CN110346772A (zh) * | 2019-08-22 | 2019-10-18 | 上海无线电设备研究所 | 一种高频雷达大幅度电离层相径扰动抑制方法 |
CN111308570A (zh) * | 2020-03-04 | 2020-06-19 | 东华理工大学 | 基于载波相位微分速度构建全球重力场的方法 |
CN112882018A (zh) * | 2021-01-13 | 2021-06-01 | 哈尔滨工业大学(威海) | 一种海洋和电离层一体化探测高频雷达系统及其控制方法 |
Non-Patent Citations (6)
Title |
---|
XIAODONG LI 等: "Novel training algorithms for long short-term memory neural network", 《IET SIGNAL PROCESSING》 * |
XUEKUN CHEN 等: "Network Coding-based Relay Selection and Power Distribution for Underwater Cooperative Communication Networks", 《2020 INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS AND SIGNAL PROCESSING (WCSP)》 * |
李晓东: "HFSWR远程多海况下海洋表面动力学要素提取及预测方法研究", 《中国博士学位论文全文数据库基础科学辑》 * |
贺梦珂: "基于机器学习的高频地波雷达复杂杂波识别技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
陈晓明: "生存与电磁能量的熵关联", 《科技创新导报》 * |
高泽 等: "基于一维模型的高频电波加热电离层F层数值研究", 《空间科学学报》, vol. 39, no. 5 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114384512A (zh) * | 2022-01-19 | 2022-04-22 | 哈尔滨工业大学(威海) | 一种重力波-电离层扰动观测方法、系统、设备及终端 |
CN114384512B (zh) * | 2022-01-19 | 2024-01-19 | 哈尔滨工业大学(威海) | 一种重力波-电离层扰动观测方法、系统、设备及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN113901741B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | Large‐eddy simulation of a diurnal cycle of the atmospheric boundary layer: Atmospheric stability and scaling issues | |
Levy | Multiple criteria decision making and decision support systems for flood risk management | |
Girard et al. | Evaluation of high‐resolution sea ice models on the basis of statistical and scaling properties of Arctic sea ice drift and deformation | |
Botta et al. | Millimeter wave scattering from ice crystals and their aggregates: Comparing cloud model simulations with X‐and Ka‐band radar measurements | |
Chen et al. | Space-time covariance structures and models | |
Lin et al. | Kriging based sequence interpolation and probability distribution correction for gaussian wind field data reconstruction | |
Nolan et al. | Finite-time Lyapunov exponents in the instantaneous limit and material transport | |
Wang et al. | Data-driven CFD modeling of turbulent flows through complex structures | |
Ailliot et al. | Space–time models for moving fields with an application to significant wave height fields | |
CN114330163B (zh) | 高频地波超视距雷达台风-电离层扰动动力学模型建模方法 | |
Perlin et al. | A study of mesoscale air–sea interaction in the Southern Ocean with a regional coupled model | |
Vaghefi et al. | Application of artificial neural networks to predict flow velocity in a 180 sharp bend with and without a spur dike | |
Mai et al. | Using improved XGBoost algorithm to obtain modified atmospheric refractive index | |
CN113901741A (zh) | 海洋-电离层耗散动力学仿真方法、仿真系统、设备及应用 | |
Song et al. | Prediction of significant wave height based on EEMD and deep learning | |
Bessac et al. | Scale‐Aware Space‐Time Stochastic Parameterization of Subgrid‐Scale Velocity Enhancement of Sea Surface Fluxes | |
Potter et al. | Pier‐based measurements of air‐sea momentum fluxes over shoaling waves during dunex | |
Li et al. | A level-set-based image assimilation method: Potential applications for predicting the movement of oil spills | |
Chrit et al. | Improving wind speed forecasting for urban air mobility using coupled simulations | |
Yu et al. | Sound velocity profile prediction method based on rbf neural network | |
Mai et al. | A new short-term prediction method for estimation of the evaporation duct height | |
Eusebi et al. | Realistic tropical cyclone wind and pressure fields can be reconstructed from sparse data using deep learning | |
Masoumi-Verki et al. | Improving the performance of a CAE-based reduced-order model for predicting turbulent airflow field around an isolated high-rise building | |
How et al. | Radar detector performance analysis using EM simulations of targets' RCS | |
CN112241122A (zh) | 一种基于集值辨识算法的自适应无拖曳控制方法 |
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 |