[发明专利]一种基于自适应变异粒子群优化的潮汐智能实时预报方法

说明书

技术领域

本发明涉及一种潮汐的预报技术，特别是一种潮汐智能实时预报方法。

背景技术

BP(Back Propagation)神经网络，即误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。虽然BP网络得到了广泛的应用，但自身也存在一些缺陷和不足:由于学习速率是固定的，因此网络的收敛速度慢，需要较长的训练时间；网络隐含层的层数和单元数的选择尚无理论上的指导；网络的学习和记忆具有不稳定性。

粒子群优化算法(Particle Swarm Optimization，PSO)是一种基于群体智方法的演化计算技术，主要用来求全局最优解。其基本思想是，每个优化问题的潜在解都是搜索空间中的一个粒子，所有的粒子都有一个被优化的函数决定的适应值，每个粒子还有一个速度向量决定它们飞翔的方向和距离，然后粒子们就追随当前的最优粒子在解空间中的搜索。PSO初始化为一群随机粒子，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己，第一个就是粒子本身到当前时刻为止找到的最好解，这个解称为个体最好值，另一个极值就是整个种群到当前时刻找到的最好解，这个值是全局最好值(即最优解)。

PSO-BP粒子群优化算法是一种进化计算技术，PSO同遗传算法类似，是一种基于迭代的优化工具。系统初始化为一组随机解，通过迭代搜寻最优值。但是它没有遗传算法的交叉以及变异，而是粒子在解空间追随最优的粒子进行搜索。PSO优化神经网络包括2个方面：1)优化神经网络的拓扑结构；2)训练神经网络模型，主要是优化神经网络模型各层之间的连接权值与阀值。传统的PSO-BP预测模型利用PSO对神经网络各层之间的连接权值与阀值进行优化，以加快神经网络的训练速度与提高神经网络的训练质量。

调和分析法：潮汐是海平面周期性上升和下降运动。潮汐产生的原动力是天体的引潮力，即天体的引力和地球-天体相对运动所需的惯性离心力的向量和。实际应用中有许多种方法可以观测记录潮汐水位的升降信息，但是最通用的一种方法就是调和分析法，它将复杂的潮汐分解成若干周期性变化的部分，其中每一个部分都是由一个假定的天体引潮力产生的分潮波。根据实际观测的潮位数据进行分析，可以求得潮汐调和模型中的各个常数。然后再根据得到的潮汐调和常数，可以了解分潮波组成的大小，并且可用来推算潮汐并为潮波数值计算提供依据。理论上，潮汐的组成部分是复杂的，潮汐的分潮数量是众多的，但是在工程计算上，当分潮汐的平均振幅相对较小和分潮的格林尼治迟角(分潮天体经过某地子午线上中天到某地发生分潮高潮时所对应的角度值)相对较长时，有相当一部分的潮汐分潮成分是可以忽略的。在实际应用计算中，某地实际潮位高度可表示为：

其中：H₀为分析期间的平均海面高度，n为潮汐分潮数量，h_k为分潮的振幅，ω_k和φ_k分别是分潮的频率和相位，t为任意时刻。

调和分析法是潮汐预报方面最传统的技术，它以潮汐静力学和动力学为基础，经过多年的改进与发展，基本已经实现可对潮汐水位的稳定预报。然而，调和分析法需要大量的长期观测潮位数据分析，才能够得到相对较准确的调和分析模型。但是由于长期的现场数据观测记录花费成本太高，因此一般很难得到这些需要的长期观测数据。而且调和分析模型的平均预报误差约为20-30cm。另外，调和分析模型仅仅考虑了天体引潮力方面的影响，但潮汐的产生受到诸如风力、风向、气压、海水温度等诸多时变因素的影响。因此调和分析模型忽略了潮汐产生的时变部分影响，由于潮汐生成的因素复杂多变，所以潮汐的整体变化表现出一定的非线性和非确定性，传统的静态结构调和分析模型很难进行高精度以及实时的潮汐水位预报。