CN115752387B - 一种基于种子波群特征的畸形波快速预报方法 - Google Patents
一种基于种子波群特征的畸形波快速预报方法 Download PDFInfo
- Publication number
- CN115752387B CN115752387B CN202211426241.3A CN202211426241A CN115752387B CN 115752387 B CN115752387 B CN 115752387B CN 202211426241 A CN202211426241 A CN 202211426241A CN 115752387 B CN115752387 B CN 115752387B
- Authority
- CN
- China
- Prior art keywords
- wave
- abnormal
- malformed
- time
- seed
- 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
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000003993 interaction Effects 0.000 claims abstract description 17
- 210000002569 neuron Anatomy 0.000 claims abstract description 10
- 238000013277 forecasting method Methods 0.000 claims abstract description 8
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 3
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 206010066054 Dysmorphism Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Classifications
-
- 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
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于种子波群特征的畸形波快速预报方法,涉及海洋水动力学技术领域。本发明包括以下步骤:S1:获取原始实测数据,识别所有畸形波群,构建实测畸形波群数据库;S2:将实测畸形波群数据库中的畸形波完整序列重构;S3:根据重构结果,识别波群间相互作用机制生成的畸形波,记为种子波群;S4:构建LSTM神经元网络,利用种子波群对LSTM神经元网络进行训练,得到畸形波预测模型。本发明提出了识别波群间相互作用的方法,并建立能够生成畸形波的“种子波群”基本特征,从而实现畸形波的快速预报。
Description
技术领域
本发明涉及海洋水动力学技术领域,更具体的说是涉及一种基于种子波群特征的畸形波快速预报方法。
背景技术
畸形波,也称为“疯狗浪”、“海洋怪兽”,一般定义为波高不小于背景波列2倍有效波高的异常大波。畸形波发生突然且能量巨大,严重威胁航行船舶及海上结构物安全,是典型的灾害性海浪。由此可见,揭示畸形波的生成机制,并在此基础上建立快速准确的畸形波预报方法,是避免海洋灾害的关键。
实际海浪由不同频率波浪成分叠加而成,当这些成份在空间某一位置相位重合则会形成极端大波。由于波浪间存在非线性相互作用,导致畸形波波高往往大于各波浪元素振幅线性叠加的结果。调制不稳定反映单波群内各频率成份间的三阶非线性相互作用,目前被认为是生成畸形波的重要机制,但该机制基于窄谱假定。随着波浪长期演化,海浪谱变宽,单波群会分裂为2-3个传播速度不同的波群。此时,波群间非线性相互作用是生成畸形波的主要原因。然而,目前畸形波预报方法主要基于独立波群特征建立,未考虑波群间相互作用,导致在预报宽谱及强非线性波况长期演化生成的畸形波时,误差率高达50%以上,无法满足实际需求。
发明内容
本发明克服现有技术的不足,提出识别波群间相互作用的方法,并建立能够生成畸形波的“种子波群”基本特征,从而实现畸形波的快速预报。
为了实现上述目的,本发明采用如下技术方案:
一种基于种子波群特征的畸形波快速预报方法,包括以下步骤:
S1:获取原始实测数据,识别所有畸形波群,构建实测畸形波群数据库;
S2:将实测畸形波群数据库中的畸形波完整序列重构;
S3:根据重构结果,识别波群间相互作用机制生成的畸形波,记为种子波群;
S4:构建LSTM神经元网络,利用种子波群对LSTM神经元网络进行训练,得到畸形波预测模型。
可选的,所述S1具体包括:对原始实测数据进行预处理,得到实测波面序列;基于小波能量谱识别所有完整波群;根据畸形波定义,识别所有畸形波群,建立实测畸形波群数据库。
可选的,所述畸形波定义:波高不小于背景波列2倍有效波高的异常大波。
可选的,所述S2具体包括:基于完全非线性数值模型,采用时间反演法,重构所有畸形波群生成及演化过程,得到各测点的波面。
可选的,时间反演法的实现包括以下步骤:在原始源x1位置生成波面η(x1,t),经过T时间后,由x2位置接收信号η(x2,t);将接收信号η(x2,t)时间反转为η(x2,T-t);在x2位置处以源的形式发射信号η(x2,T-t),该信号经过时间T后传播至x1位置处得到η(x1,-t);通过迭代修正,保证x1位置处的发射信号与接收信号完全相同。
可选的,识别波群间相互作用机制生成的畸形波具体包括:基于小波能量谱提供的时-频信息,分析所有畸形波生成过程是否有波群间相互作用发生,提取波群间相互作用生成的畸形波,建立波群时空波浪形态及速度剖面数据库。
可选的,还包括:通过敏感性测试,确定LSTM神经网络搭建隐藏层层数、每个隐藏层包含的神经元个数、需要训练的“种子波群”样本数。
可选的,还包括:建立不同特征的“种子波群”与生成畸形波位置、波形及水质点速度的关系。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于种子波群特征的畸形波快速预报方法,
(1)显著提高畸形波预报精度;
(2)实现畸形波波形及水质点速度的快速预报;
(3)本方法为我国海洋防灾减灾提供技术支撑。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明预报方法流程图。
图2为本发明实测包含畸形波序列(上)及对应的小波能量谱(下)。
图3为本发明畸形波群重构及演化波面(左侧)及小波能量谱(右侧)过程。
图4为本发明将“种子波群”作为神经元输入,基于LSTM预报畸形波波面及生成位置过程。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种基于“种子波群”特征的畸形波快速预报方法,步骤如下:
步骤1:构建实测畸形波群数据库:
对原始实测数据进行预处理,得到可靠有效的实测波面序列;基于小波能量谱识别所有完整波群;根据畸形波定义:波高不小于背景波列2倍有效波高的异常大波,识别所有畸形波群,建立实测畸形波群数据库。
对实时接收到的波浪时间序列xn用小波变换处理,见公式(1):
其中:*号表示复共轭,s是尺度参数,x(t)为实测波面序列,τ为与小波对应的局部时间参数,ψ是由母小波ψ0量纲一化所得结果,t为时间;
在波浪分析中,选用Morlet小波,如公式(2)所示:
其中:ω0是母小波的谱峰频率,取6.0。
步骤2:畸形波完整序列重构:
基于完全非线性数值模型,采用时间反演法,重构所有畸形波群生成及演化过程,得到各测点的波面。时间反演法的实现主要分为3个步骤:在原始源x1位置生成波面η(x1,t),经过T时间后,由x2位置接收信号η(x2,t);将接收信号η(x2,t)时间反转为η(x2,T-t);在x2位置处以源的形式发射信号η(x2,T-t),该信号经过时间T后传播至x1位置处得到η(x1,-t)。通过迭代修正,保证x1位置处的发射信号与接收信号完全相同。
步骤3:识别波群间相互作用机制生成的畸形波:
基于小波能量谱提供的时-频信息,分析所有畸形波生成过程是否有波群间相互作用发生,提取波群间相互作用生成的畸形波,建立波群时空波浪形态及速度剖面数据库。
步骤4:基于“种子波群”的畸形波群预报模型建立:
构建LSTM神经元网络,将“种子波群”作为神经元网络输入,演化生成的畸形波群作为神经元网络输出。通过敏感性测试,确定LSTM神经网络搭建隐藏层层数、每个隐藏层包含的神经元个数、需要训练的“种子波群”样本数等参数;通过LSTM神经网络,建立不同特征的“种子波群”与生成畸形波位置、波形及水质点速度的关系;实现畸形波的高效准确预报。
在本实施例中,具体流程图如图1所示,畸形波数据来自海面浮标测得的波面序列,该海况有效波高为2.7m,谱峰周期为7.1s,水深2000m。首先对初始波面信息进行预处理,通过高通滤波(选择截止频率为0.04Hz)、排除长周期波浪的干扰后,根据小波能量谱识别所有完整波群,并提取畸形波群,见图2。
基于完全非线性数值模型,采用时间反演法,重构图2畸形波群生成及演化过程,得到各测点的波面见图3左部分。基于各测点小波能量谱提供的时-频信息(见图3右部分),发现该畸形波生成过程存在波群间相互作用。将x=-10000m的“种子波群”作为神经元网络输入,基于LSTM神经网络,预测是否出现畸形波,及畸形波的发生位置及波形,见图4。该方法可以有效地预报畸形波的发生。对畸形波群及时预报,避免极端海况对生命安全、海上结构物造成的巨大伤害。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (1)
1.一种基于种子波群特征的畸形波快速预报方法,其特征在于,包括以下步骤:
S1:获取原始实测数据,对原始实测数据进行预处理,得到实测波面序列;基于小波能量谱识别所有完整波群;根据畸形波定义:波高不小于背景波列2倍有效波高的异常大波;识别所有畸形波群,建立实测畸形波群数据库;
对实时接收到的波浪时间序列xn用小波变换处理,见公式(1):
其中:*号表示复共轭,s是尺度参数,x(t)为实测波面序列,τ为与小波对应的局部时间参数,ψ是由母小波ψ0量纲一化所得结果,t为时间;
在波浪分析中,选用Morlet小波,如公式(2)所示:
其中:ω0是母小波的谱峰频率;
S2:将实测畸形波群数据库中的畸形波完整序列重构:基于完全非线性数值模型,采用时间反演法,重构所有畸形波群生成及演化过程,得到各测点的波面,时间反演法的实现分为3个步骤:在原始源x1位置生成波面η(x1,t),经过T时间后,由x2位置接收信号η(x2,t);将接收信号η(x2,t)时间反转为η(x2,T-t);在x2位置处以源的形式发射信号η(x2,T-t),发射信号η(x2,T-t)经过时间T后传播至x1位置处得到η(x1,-t),通过迭代修正,用于保证x1位置处的发射信号与接收信号相同;
S3:小波能量谱提供的时-频信息,识别波群间相互作用机制生成的畸形波,提取波群间相互作用生成的畸形波,建立波群时空波浪形态及速度剖面数据库,记为种子波群;
S4:构建LSTM神经元网络,利用种子波群对LSTM神经元网络进行训练,得到畸形波预测模型,具体为:将“种子波群”作为神经元网络输入,演化生成的畸形波群作为神经元网络输出,通过敏感性测试,确定LSTM神经网络搭建隐藏层层数、每个隐藏层包含的神经元个数、需要训练的“种子波群”样本数;通过LSTM神经网络,建立不同特征的“种子波群”与生成畸形波位置、波形及水质点速度的关系,实现畸形波的预报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211426241.3A CN115752387B (zh) | 2022-11-14 | 2022-11-14 | 一种基于种子波群特征的畸形波快速预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211426241.3A CN115752387B (zh) | 2022-11-14 | 2022-11-14 | 一种基于种子波群特征的畸形波快速预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115752387A CN115752387A (zh) | 2023-03-07 |
CN115752387B true CN115752387B (zh) | 2024-01-23 |
Family
ID=85371087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211426241.3A Active CN115752387B (zh) | 2022-11-14 | 2022-11-14 | 一种基于种子波群特征的畸形波快速预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115752387B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109946763A (zh) * | 2019-03-27 | 2019-06-28 | 大连理工大学 | 一种基于波群识别的畸形波短期预报方法 |
-
2022
- 2022-11-14 CN CN202211426241.3A patent/CN115752387B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109946763A (zh) * | 2019-03-27 | 2019-06-28 | 大连理工大学 | 一种基于波群识别的畸形波短期预报方法 |
Non-Patent Citations (2)
Title |
---|
基于LSTM神经网络的畸形波预测;赵勇 等;《哈尔滨工业大学学报》;全文 * |
基于小波神经网络的畸形波预报;赵勇 等;《华中科技大学学报》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115752387A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Otnes et al. | Validation of replay-based underwater acoustic communication channel simulation | |
CN109946763B (zh) | 一种基于波群识别的畸形波短期预报方法 | |
CN108805100B (zh) | 二维海况下基于波群特性的畸形波短期预报方法及应用 | |
CN111582551A (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
Forlini et al. | On the problem of modeling the boat wake climate: The Florida intracoastal waterway | |
CN115752387B (zh) | 一种基于种子波群特征的畸形波快速预报方法 | |
Du et al. | Study on optical fiber gas-holdup meter signal denoising using improved threshold wavelet transform | |
CN107860460A (zh) | 强噪声背景下振动信号的特征提取方法 | |
Bore et al. | Statistical modelling of extreme ocean current velocity profiles | |
Jech et al. | Collecting quality echosounder data in inclement weather | |
CN116792264A (zh) | 一种基于gru的风力发电机多故障诊断方法 | |
Xu et al. | Lamb-Waves-Based Sparse Distributed Penetrating Communication via Phase-Position Modulation for Enclosed Metal Structures | |
Chen et al. | Pipeline leak AE signal denoising based on improved SSA-K-α index-VMD-MD | |
Yang et al. | Causal relations between the loop current penetration and the inflow/outflow conditions inferred with a rigorous quantitative causality analysis | |
Zhang et al. | Machine hearing for industrial acoustic monitoring using cochleagram and spiking neural network | |
Govea et al. | Motion compensation of opean-ocean acoustic Doppler velocimeter measurements for offshore turbulence assessment | |
Ascione et al. | Incidence of parametrized methods for spectral analysis of Ship Motion | |
Das et al. | Realistic ambient noise analysis for passive surveillance algorithm design | |
Xu | A Bayesian blind source separation by embedding Gaussian process prior and applications on structural health monitoring | |
Yu et al. | Prediction model of bearing fault remaining useful life based on weighted variable loss degradation characteristics | |
Ismail | High resolution ADCP, CTD and Fluorometer time series analysis | |
Wu et al. | Failure Detection for Multiple Micro-Punches Outfitted in Progressive Piercing Processes With Artificial Intelligent Model | |
Matthaiou | On robust statistical outlier analysis for damage identification | |
Zhu et al. | Threshold-based earthquake early warning for high-speed railways using deep learning |
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 |