[发明专利]预测与诊断在线海流监测数据的方法和装置

说明书

技术领域

本发明涉及海洋数据监测领域，具体而言，涉及预测与诊断在线海流监测数据的方法和装置。

背景技术

目前，对于海流监测数据的数据预测、诊断与评价算法主要有自回归移动平均模型和神经网络模型，而用于预测的神经网络模型主要有线性神经网络、BP（Back Propagation，反向传播）神经网络、RBF（Radical Basis Function，径向基函数）神经网络和Elman神经网络。

上述自回归移动平均模型和神经网络模型大多针对既有数据进行处理，未考虑在线监测过程中数据的实时更新，无法有效地判断在线海流监测数据是否异常。

针对上述无法有效地判断在线海流监测数据是否异常的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例的目的在于提供一种预测与诊断在线海流监测数据的方法和装置，用以解决上述问题。

根据本发明实施例的一方面，提供了一种预测与诊断在线海流监测数据的方法，包括：对预设样本数量的海流监测数据样本进行基于（梯度的最小均方）LMS迭代训练；根据LMS迭代训练的结果确定初始神经网络模型；使用初始神经网络模型对测试数据进行动态预测计算，其中，该测试数据中的样本数至少为预设样本数量的2倍；根据上述测试数据动态预测计算的结果确定动态学习权值；根据动态学习权值调整海流监测数据样本的样本数量；从海流监测数据样本中选取样本数量调整后的样本作为新样本；对新样本进行LMS迭代训练，得到更新的神经网络模型；使用更新的神经网络模型对后续海流监测数据进行预测与诊断。

根据本发明实施例的另一方面，提供了一种预测与诊断在线海流监测数据的装置，包括：初始神经网络模型确定模块，用于对预设样本数量的海流监测数据样本进行基于LMS迭代训练；根据LMS迭代训练的结果确定初始神经网络模型；初始预测模块，用于使用初始神经网络模型对测试数据进行动态预测计算，其中，测试数据中的样本数至少为预设样本数量的2倍；样本数量确定模块，用于根据上述测试数据动态预测计算的结果确定动态学习权值；根据动态学习权值调整海流监测数据样本的样本数量；神经网络模型更新模块，用于从海流监测数据样本中选取样本数量调整后的样本作为新样本；对新样本进行LMS迭代训练，得到更新的神经网络模型；后续数据预测与诊断模块，用于使用更新的神经网络模型对后续海流监测数据进行预测与诊断。

本发明实施例通过在训练阶段增加测试性的动态预测计算，并根据测试性计算结果确定动态学习的权值，进而确定神经网络模型所需要的实际样本数量，进行最终的迭代训练确定更新的神经网络模型，采用更新的神经网络模型进行后续海流监测数据的预测和诊断，使诊断结果更客观化，提升了在线海流监测数据是否异常判断的有效性，具有较强的实用性。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例提供的预测与诊断在线海流监测数据的方法流程图；

图2是本发明实施例提供的预测与诊断在线海流监测数据的具体方法流程图；

图3是本发明实施例提供的预测与诊断在线海流监测数据的装置的结构框图。

具体实施方式

下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

针对相关技术对海上运行的海流监测数据，只进行简单的通讯过程的发送与接收，无法有效校验判断通讯环节是否会有数据错误等问题，本实施例提供了一种预测与诊断在线海流监测数据的方法和装置。下面通过以下实施例进行描述。

参见图1所示的预测与诊断在线海流监测数据的方法流程图，该方法包括以下步骤：

步骤S102，对预设样本数量的海流监测数据样本进行基于LMS（梯度的最小均方）迭代训练；

步骤S104，根据LMS迭代训练的结果确定初始神经网络模型；

步骤S106，使用初始神经网络模型对测试数据进行动态预测计算，其中，测试数据中的样本数至少为预设样本数量的2倍；该测试数据可以是后续接收到的海流监测数据；

步骤S108，根据上述测试数据动态预测计算的结果确定动态学习权值；

步骤S110，根据上述动态学习权值调整海流监测数据样本的样本数量；

步骤S112，从上述海流监测数据样本中选取样本数量调整后的样本作为新样本；