CN116432518B - 一种畸形波发生概率的快速预报方法、系统、设备和介质 - Google Patents

一种畸形波发生概率的快速预报方法、系统、设备和介质 Download PDF

Info

Publication number
CN116432518B
CN116432518B CN202310194580.1A CN202310194580A CN116432518B CN 116432518 B CN116432518 B CN 116432518B CN 202310194580 A CN202310194580 A CN 202310194580A CN 116432518 B CN116432518 B CN 116432518B
Authority
CN
China
Prior art keywords
training
malformed
output
value
probability
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
CN202310194580.1A
Other languages
English (en)
Other versions
CN116432518A (zh
Inventor
周斌珍
王家豪
丁康礼玺
王磊
金鹏
张恒铭
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202310194580.1A priority Critical patent/CN116432518B/zh
Publication of CN116432518A publication Critical patent/CN116432518A/zh
Application granted granted Critical
Publication of CN116432518B publication Critical patent/CN116432518B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M10/00—Hydrodynamic testing; Arrangements in or on ship-testing tanks or water tunnels
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fluid Mechanics (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种畸形波发生概率的快速预报方法、系统、设备和介质，该预报方法包括以下步骤，从海况数据中获取训练样本，训练样本表征海况参数与畸形波发生概率的对应关系；将训练样本中的海况参数与畸形波发生概率的对应关系输入到BP神经网络模型中训练，得到训练结果；基于训练结果和训练样本，调整BP神经网络模型的权值和偏置，得到训练好后的预测模型；将待预测海况参数输入到预测模型，获得待预测海况参数下的畸形波发生概率。该方法对畸形波概率的预测同时兼顾了准确性和计算效率，相较于传统数值方法无需数值模拟过程，适用的海况范围较广，仅需小范围的波浪场信息，即可快速准确预测该场中畸形波的发生概率。

Description

一种畸形波发生概率的快速预报方法、系统、设备和介质
技术领域
本发明涉及船舶与海洋工程的极端波浪研究技术领域，具体为一种畸形波发生概率的快速预报方法、系统、设备和介质。
背景技术
随着海洋开发活动的增多，海上结构物和海上作业船舶遭遇恶劣海洋环境的情况日益凸显，具有大波高和强非线性的畸形波是海洋中一种极其危险的灾害性波浪，异于周围其它波浪，畸形波的波高极大、破坏力极强，对海上结构物、船舶以及海上人员的安全构成严重威胁。因此，研究对畸形波的发生概率的预测，对规避极端海况，具有十分重要的工程指导意义。
现有的对畸形波发生概率预测的理论模型有Rayleigh分布模型、改进的Edgeworth-Rayleigh(MER)模型等，这些模型可以通过已知的B-F不稳定系数值(BFI)快速求出畸形波发生概率。而随着畸形波事件的增多，对极端海况和极限波浪的预测和预警也引起学者们越来越多的关注和重视。由于海况的随机性和复杂性，现有的Rayleigh分布、MER分布等线性或者弱非线性的波高分布理论模型难以满足实际需求，无法对畸形波发生概率准确地预测。而传统的数值模拟计算并加以统计后处理的方法需要消耗大量的时间，难以基于给定的海况条件快速预测波浪场中畸形波的发生概率。
因此，寻求一种快速准确预测畸形波发生概率的方法，从而为海洋活动提供安全保障，具有十分重要的现实意义。
发明内容
本发明的目的之一是：提供一种畸形波发生概率的快速预报方法，该方法对畸形波概率的预测同时兼顾了准确性和计算效率，相较于传统数值方法无需数值模拟过程，适用的海况范围较广，仅需小范围的波浪场信息，即可快速准确预测该场中畸形波的发生概率。
本发明的目的之二是：提供一种畸形波发生概率的快速预报系统。
本发明的目的之三是：提供一种计算机设备。
本发明的目的之四是：提供一种存储介质。
为了达到上述目的，本发明采用如下技术方案：
一种畸形波发生概率的快速预报方法，包括以下步骤，
从海况数据中获取训练样本，训练样本表征海况参数与畸形波发生概率的对应关系；
将训练样本中的海况参数与畸形波发生概率的对应关系输入到BP神经网络模型中训练，得到训练结果；
基于训练结果和训练样本，调整BP神经网络模型的权值和偏置，得到训练好后的预测模型；
将待预测海况参数输入到预测模型，获得待预测海况参数下的畸形波发生概率。
进一步，BP神经网络模型包括信号正向传播过程和误差反向传播过程，信号正向传播过程如下：
隐藏层节点k处的输入值yk：
式中，xi是输入层第i个神经元的海况参数，包括输入的相对水深kph、B-F不稳定系数值BFI值以及谱峰频率间距参数值ID值；wik是输入层第i个神经元与隐藏层第k个神经元之间的权值，ak为输入层到隐藏层第k个神经元的偏置；
隐藏层节点k处的输出值Yk：
Yk＝sigmoid(yk)；
输出层节点处的输入值zt：
式中，qkt是隐藏层第k个神经元和输出层第t个神经元之间的权值，bt为隐藏层到输出层第t个神经元的偏置；
输出层节点处的输出值Zt与zt的关系：
Zt＝sigmoid(zt)；
激活函数sigmoid关系式：
当网络输出与期望输出不相等时，存在输出误差E：
式中，dt为期望输出值；
当E小于等于期望误差T或学习次数达到预定的次数时，结束训练，否则，将进行误差反向传播计算。
进一步，误差反向传播过程如下：
误差反向传播过程目的是调整权值和偏置，调整权值和偏置的原则是使误差不断地减小，因此应沿着权值的负梯度方向进行调整，也就是使权值及偏置的调整量与误差的梯度下降成正比，即
式中，η为学习率，取0<η<1，为给定的常数；
假定在推导过程中，均有i＝0,1,2,…,n；k＝0,1,2,…,j；t＝0,1,2,…,m，且设：
对于输出层：
对于输入层：
进一步，调整BP神经网络模型的权值和偏置时，权值与偏置的调整量的定义为：
式中，dt为期望输出值，η为学习率(取0<η<1，为给定的常数)，E为输出误差；
网络的权值及偏置更新公式为：
qkt(s+1)＝qkt(s)+Δqkt ；
wik(s+1)＝wik(s)+Δwik ；
bt(s+1)＝bt(s)+Δbt ；
ak(s+1)＝ak(s)+Δak 。
进一步，待预测海况参数下的畸形波发生概率的公式为
一种畸形波发生概率的快速预报系统，包括
数据获取模块，用于从海况数据中获取训练样本，训练样本表征海况数据的海况参数与畸形波发生概率的对应关系；
训练模块，用于将训练样本输入到BP神经网络模型进行训练，得到训练结果，基于训练结果和训练样本，调整BP神经网络模型的权值和偏置，训练好后得到预测模型；
输出模块，用于加载预测模型，并将待预测海况参数输入到预测模型，输出得到待预测海况参数下的畸形波发生概率。
计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，处理器执行存储器存储的程序时，实现畸形波发生概率的快速预报方法。
存储介质，存储有程序，程序被处理器执行时，实现畸形波发生概率的快速预报方法。
总的说来，本发明具有如下优点：
(1)畸形波发生概率的快速预报方法对畸形波概率的预测同时兼顾了准确性和计算效率，相较于传统的预测模型如Rayleigh分布和MER分布，其准确率更高，且相较于传统数值方法无需数值模拟过程，快速直接、耗时少。
(2)适用的海况范围比较广，能同时考虑多种海况参数(适用于实际海况80-90％的单峰谱海况以及双峰谱海况均可)对畸形波发生概率的影响，而且仅需小范围(时间和空间)的波浪场信息，即可快速准确预测该场中畸形波的发生概率。
附图说明
图1是本发明提出的畸形波发生概率的快速预报方法具体流程图。
图2是本发明提出的BP神经网络模型结构图。
图3是130组数据对应的相对水深与BFI关系图。
图4是30组数据对应的相对水深与BFI关系图。
图5是100组数据对应的相对水深与BFI关系图。
图6a是本发明实施例中当ID＝0.02时，畸形波概率预测相对误差与Rayleigh、MER模型预测结果的对比。
图6b是本发明实施例中当ID＝0.04时，畸形波概率预测相对误差与Rayleigh、MER模型预测结果的对比。
图6c是本发明实施例中当ID＝0.06时，畸形波概率预测相对误差与Rayleigh、MER模型预测结果的对比。
图6d是本发明实施例中当ID＝0.08时，畸形波概率预测相对误差与Rayleigh、MER模型预测结果的对比。
图6e是本发明实施例中当ID＝0.1时，畸形波概率预测相对误差与Rayleigh、MER模型预测结果的对比。
图6f是本发明实施例中当ID＝0.15时，畸形波概率预测相对误差与Rayleigh、MER模型预测结果的对比。
图6g是本发明实施例中当ID＝0.2时，畸形波概率预测相对误差与Rayleigh、MER模型预测结果的对比。
图6h是本发明实施例中当ID＝0.25时，畸形波概率预测相对误差与Rayleigh、MER模型预测结果的对比。
图6i是本发明实施例中当ID＝0.3时，畸形波概率预测相对误差与Rayleigh、MER模型预测结果的对比。
图6j是本发明实施例中当ID＝0.35时，畸形波概率预测相对误差与Rayleigh、MER模型预测结果的对比。
图7为本发明实施例的畸形波发生概率的快速预报系统结构框图。
图8为本发明实施例的计算机设备结构框图。
具体实施方式
下面来对本发明做进一步详细的说明。
实施例1：
如图1所示，一种畸形波发生概率的快速预报方法，包括以下步骤，
从海况数据中获取训练样本，训练样本表征海况参数与畸形波发生概率的对应关系；本实施例的海况数据可以通过互联网收集的方式获取，也可以从数据库查找获取。
将训练样本中的海况参数与畸形波发生概率的对应关系输入到BP神经网络模型中训练，得到训练结果；
基于训练结果和训练样本，调整BP神经网络模型的权值和偏置，得到训练好后的预测模型；
将待预测海况参数输入到预测模型，获得待预测海况参数下的畸形波发生概率。
具体地，我们将一部分海况数据分成训练组数据和测试组数据。训练组数据用于训练BP神经网络模型，训练好后获得畸形波发生概率的预测模型，测试组数据用于验证该预测模型求出的畸形波概率的相对误差。其中，这些海况数据的B-F不稳定系数值(BFI)与相对水深(kph)关系如图3所示，训练组数据BFI值与kph值关系如图4所示，测试组数据BFI值与kph值关系如图5所示。
如图2所示，BP神经网络模型包括输入层、隐藏层和输出层。首先初始化BP神经网络模型，随机生成初始权值及偏置值，然后输入训练组数据的海况参数B-F不稳定系数值(BFI)、相对水深(kph)以及谱峰频率间距参数值(ID)作为xi到该BP神经网络模型中训练。该BP神经网络模型包括信号正向传播过程和误差反向传播过程。
信号正向传播过程如下：
隐藏层节点k处的输入值yk：
式中，xi是输入层第i个神经元的参数,即输入的相对水深kph、BFI值以及ID值；wik是输入层第i个神经元与隐藏层第k个神经元之间的权值，ak为输入层到隐藏层第k个神经元的偏置。
隐藏层节点k处的输出值Yk：
Yk＝sigmoid(yk) (2)
输出层节点处的输入值zt：
式中，qkt是隐藏层第k个神经元和输出层第t个神经元之间的权值，b1为隐藏层到输出层第t个神经元的偏置。
输出层节点处的输出值Zt与zt的关系：
Zt＝sigmoid(zt) (4)
激活函数sigmoid关系式：
当网络输出与期望输出不相等时，存在输出误差E：
式中，dt为期望输出值。
当E小于等于期望误差T或学习次数达到预定的次数时，结束训练；否则，将进行误差反向传播计算。
误差反向传播过程如下:
误差反向传播过程目的是调整权值和偏置，调整权值及偏置的原则是使误差不断地减小，因此应沿着权值及偏置的负梯度方向进行调整，也就是使权值及偏置的调整量与误差的梯度下降成正比，即
式中，η为学习率，取0<η<1，为给定的常数。
假定在推导过程中，均有i＝0,1,2,…,n；k＝0,1,2,…,j；t＝0,1,2,…,m。对于隐藏层，式(7)可写为：
设：
而：
于是有：
式(8)可写为：
对于输入层，式(9)可写为：
设：
而：
于是有：
式(10)可写为：
于是有：
根据上述求得的各层神经元连接权值及偏置变化值来迭代更新用于下一轮网络学习与训练的神经元连接权值及偏置，网络的权值和偏置更新公式为：
qkt(s+1)＝qkt(s)+Δqkt (23)
wik(s+1)＝wik(s)+Δwik (24)
bt(s+1)＝bt(s)+Δbt (25)
ak(s+1)＝ak(s)+Δak (26)
当求出各层新的权值及偏置后再转向信号正向传播过程。最终训练得到一个将误差值控制在可接受范围之内的预测模型，保留该预测模型的权值wik和qkt以及偏置ak和bt，将该权值及偏置代入到公式(27)中，输入测试组的海况参数xi(即BFI值、kph值、ID值)，即可快速求出畸形波发生概率：
对比该方法与Rayleigh模型、MER模型求出的畸形波发生概率的相对误差对比如图6所示。
实施例2：
如图7所示，本实施例提供了一种畸形波发生概率的预报系统，包括：
数据获取模块501，用于从海况数据中获取训练样本，训练样本表征海况数据的海况参数与畸形波发生概率的对应关系；
训练模块502，用于将训练样本输入到BP神经网络模型进行训练，得到训练结果，基于训练结果和训练样本，调整BP神经网络模型的权值和偏置，训练好后得到预测模型；
输出模块503，用于加载预测模型，并将待预测海况参数输入到预测模型，输出得到待预测海况参数下的畸形波发生概率。
本实施例中各个模块的具体实现可以参见上述实施例1，在此不再一一赘述；需要说明的是，本实施例提供的系统仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3：
如图8所示，本实施例提供了一种计算机设备，包括通过系统总线601连接的处理器602、存储器、输入装置603、显示器604和网络接口605。其中，处理器602用于提供计算和控制能力，存储器包括非易失性存储介质606和内存储器607，该非易失性存储介质606存储有操作系统、计算机程序和数据库，该内存储器607为非易失性存储介质606中的操作系统和计算机程序的运行提供环境，计算机程序被处理器602执行时，实现上述实施例1的畸形波发生概率的快速预报方法。
本实施例中的计算机设备可以是服务器、计算机、移动终端(如智能手机、掌上电脑、平板电脑)等。
实施例4：
本实施例提供一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的畸形波发生概率的快速预报方法。
本实施例所述的存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.一种畸形波发生概率的快速预报方法，其特征在于，包括以下步骤，
从海况数据中获取训练样本，训练样本表征海况参数与畸形波发生概率的对应关系；
将训练样本中的海况参数与畸形波发生概率的对应关系输入到BP神经网络模型中训练，得到训练结果；
基于训练结果和训练样本，调整BP神经网络模型的权值和偏置，得到训练好后的预测模型；
将待预测海况参数输入到预测模型，获得待预测海况参数下的畸形波发生概率；
BP神经网络模型包括信号正向传播过程和误差反向传播过程，信号正向传播过程如下：
隐藏层节点k处的输入值yk：
式中，xi是输入层第i个神经元的海况参数，包括输入的相对水深kph、B-F不稳定系数值BFI值以及谱峰频率间距参数值ID值；wik是输入层第i个神经元与隐藏层第k个神经元之间的权值，ak为输入层到隐藏层第k个神经元的偏置；
隐藏层节点k处的输出值Yk：
Yk＝sigmoid(yk)；
输出层节点处的输入值zt：
式中，qkt是隐藏层第k个神经元和输出层第t个神经元之间的权值，bt为隐藏层到输出层第t个神经元的偏置；
输出层节点处的输出值Zt与zt的关系：
Zt＝sigmoid(zt)；
激活函数sigmoid关系式：
当网络输出与期望输出不相等时，存在输出误差E：
式中，dt为期望输出值；
当E小于等于期望误差T或学习次数达到预定的次数时，结束训练，否则，将进行误差反向传播计算。
2.根据权利要求1所述的一种畸形波发生概率的快速预报方法，其特征在于，误差反向传播过程如下：
误差反向传播过程目的是调整权值和偏置，调整权值和偏置的原则是使误差不断地减小，因此应沿着权值的负梯度方向进行调整，也就是使权值及偏置的调整量与误差的梯度下降成正比，即
式中，η为学习率，取0<η<1，为给定的常数；
假定在推导过程中，均有i＝0,1,2,…,n；k＝0,1,2,…,j；t＝0,1,2,…,m，且设：
对于输出层：
对于输入层：
3.根据权利要求2所述的一种畸形波发生概率的快速预报方法，其特征在于，调整BP神经网络模型的权值和偏置时，权值与偏置的调整量的定义为：
式中，dt为期望输出值，η为学习率，取0<η<1，为给定的常数，E为输出误差；
网络的权值及偏置更新公式为：
qkt(s+1)＝qkt(s)+Δqkt；
wik(s+1)＝wik(s)+Δwik；
bt(s+1)＝bt(s)+Δbt；
ak(s+1)＝ak(s)+Δak。
4.根据权利要求1所述的一种畸形波发生概率的快速预报方法，其特征在于，待预测海况参数下的畸形波发生概率的公式为
5.一种畸形波发生概率的快速预报系统，其特征在于，包括
数据获取模块，用于从海况数据中获取训练样本，训练样本表征海况数据的海况参数与畸形波发生概率的对应关系；
训练模块，用于将训练样本输入到BP神经网络模型进行训练，得到训练结果，基于训练结果和训练样本，调整BP神经网络模型的权值和偏置，训练好后得到预测模型；
输出模块，用于加载预测模型，并将待预测海况参数输入到预测模型，输出得到待预测海况参数下的畸形波发生概率；
BP神经网络模型包括信号正向传播过程和误差反向传播过程，信号正向传播过程如下：
隐藏层节点k处的输入值yk：
式中，xi是输入层第i个神经元的海况参数，包括输入的相对水深kph、B-F不稳定系数值BFI值以及谱峰频率间距参数值ID值；wik是输入层第i个神经元与隐藏层第k个神经元之间的权值，ak为输入层到隐藏层第k个神经元的偏置；
隐藏层节点k处的输出值Yk：
Yk＝sigmoid(yk)；
输出层节点处的输入值zt：
式中，qkt是隐藏层第k个神经元和输出层第t个神经元之间的权值，bt为隐藏层到输出层第t个神经元的偏置；
输出层节点处的输出值Zt与zt的关系：
Zt＝sigmoid(zt)；
激活函数sigmoid关系式：
当网络输出与期望输出不相等时，存在输出误差E：
式中，dt为期望输出值；
当E小于等于期望误差T或学习次数达到预定的次数时，结束训练，否则，将进行误差反向传播计算。
6.计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，处理器执行存储器存储的程序时，实现权利要求1-4任一项所述的畸形波发生概率的快速预报方法。
7.存储介质，存储有程序，其特征在于，程序被处理器执行时，实现权利要求1-4中任一项所述的畸形波发生概率的快速预报方法。
CN202310194580.1A 2023-03-02 2023-03-02 一种畸形波发生概率的快速预报方法、系统、设备和介质 Active CN116432518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310194580.1A CN116432518B (zh) 2023-03-02 2023-03-02 一种畸形波发生概率的快速预报方法、系统、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310194580.1A CN116432518B (zh) 2023-03-02 2023-03-02 一种畸形波发生概率的快速预报方法、系统、设备和介质

Publications (2)

Publication Number Publication Date
CN116432518A CN116432518A (zh) 2023-07-14
CN116432518B true CN116432518B (zh) 2024-01-05

Family

ID=87080458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310194580.1A Active CN116432518B (zh) 2023-03-02 2023-03-02 一种畸形波发生概率的快速预报方法、系统、设备和介质

Country Status (1)

Country Link
CN (1) CN116432518B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805100A (zh) * 2018-06-25 2018-11-13 大连理工大学 二维海况下基于波群特性的畸形波短期预报方法及应用
CN109117951A (zh) * 2018-01-15 2019-01-01 重庆大学 基于bp神经网络的概率潮流在线计算方法
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
CN110222844A (zh) * 2019-05-30 2019-09-10 西安交通大学 一种基于人工神经网络的压缩机性能预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117951A (zh) * 2018-01-15 2019-01-01 重庆大学 基于bp神经网络的概率潮流在线计算方法
CN108805100A (zh) * 2018-06-25 2018-11-13 大连理工大学 二维海况下基于波群特性的畸形波短期预报方法及应用
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
CN110222844A (zh) * 2019-05-30 2019-09-10 西安交通大学 一种基于人工神经网络的压缩机性能预测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"基于机器学习的畸形波预测研究";苏丹;万方数据服务平台，"基于机器学习的畸形波预测研究";正文第1-58页 *
不同波况下畸形波发生概率的模拟研究;王磊;《中国优秀硕士学位论文全文数据库 基础科学辑》，"不同波况下畸形波发生概率的模拟研究";正文第44-65页 *
基于4种长短时记忆神经网络组合模型的畸形波预报;赵勇，苏丹;《上海交通大学学报》，基于4种长短时记忆神经网络组合模型的畸形波预报;正文第516-521页 *
非线性非平稳波浪极短期预测的复合优化模型;张茴栋，张德康，史宏达;《哈尔滨工程大学学报》，非线性非平稳波浪极短期预测的复合优化模型;正文第509-515页 *

Also Published As

Publication number Publication date
CN116432518A (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
Al Kajbaf et al. Application of surrogate models in estimation of storm surge: A comparative assessment
CN108985335B (zh) 核反应堆包壳材料辐照肿胀的集成学习预测方法
CN113657661A (zh) 一种企业碳排放预测方法、装置、计算机设备和存储介质
CN111753461B (zh) 潮汐水位修正方法、目标余水位获取方法、装置和设备
CN113505490B (zh) 基于gmm的电力系统数字孪生体参数校正方法及装置
CN108256693B (zh) 一种光伏发电功率预测方法、装置及系统
CN115587543A (zh) 基于联邦学习和lstm的刀具剩余寿命预测方法及系统
Caires A comparative simulation study of the annual maxima and the peaks-over-threshold methods
Thakker et al. Pushing the limits of rnn compression
CN115496144A (zh) 配电网运行场景确定方法、装置、计算机设备和存储介质
CN104239598A (zh) 一种面向动态系统模型验证的多元数据分析方法
CN115952724A (zh) 航空发动机剩余寿命预测方法、系统、设备及介质
CN114545270A (zh) 一种考虑健康因子延迟的锂电池健康状态估计方法
Nguyen et al. Uncertainty quantification in low-probability response estimation using sliced inverse regression and polynomial chaos expansion
Guo et al. Data mining and application of ship impact spectrum acceleration based on PNN neural network
CN116432518B (zh) 一种畸形波发生概率的快速预报方法、系统、设备和介质
CN117037450A (zh) 一种智能化打桩船的环境预警方法、装置、设备及介质
CN117371303A (zh) 一种海浪下有效波高的预测方法
CN111736127A (zh) 面向未知海域海杂波的源域生成和分布参数泛化方法
CN116628442A (zh) 一种基于人工神经网络的地下水储量变化空间降尺度方法
CN114692529B (zh) 一种cfd高维响应的不确定度量化方法、装置、计算机设备
CN116522594A (zh) 基于卷积神经网络的时间自适应暂态稳定预测方法及装置
Zhang et al. Experimental study and numerical model adequacy assessment of hull structure dynamic response subject to underwater explosion
Eckert-Gallup et al. Modified Inverse First Order Reliability Method (I-FORM) for Predicting Extreme Sea States.
CN113159419A (zh) 一种群体特征画像分析方法、装置、设备及可读存储介质

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