[发明专利]一种基于CGBP算法的深度基准面拟合方法

说明书

本发明公开了一种基于CGBP算法的深度基准面拟合方法，包括以下步骤：步骤A，确定网络结构，确定网络层数、节点数与传递函数；步骤B，采用基于Fletcher‑Reeves共轭梯度算法对网络进行训练；步骤C，对网络性能进行测试。本发明基于CGBP算法构建BP神经网络模型对深度基准面进行拟合，用于提高网络训练速度与拟合精度，相比于传统的深度基准面拟合方法，具有更好的拟合精度，且基于CGBP算法的BP网络所具有的泛化能力使该方法在海洋无缝深度基准面构建中，对不同海域的验潮站数据都具有较好的适用性。

技术领域

本发明涉及海洋无缝垂直基准面构建，特别涉及一种基于CGBP算法的深度基准面拟合方法。

背景技术

深度基准面是相对于当地长期平均海平面垂线方向以下L的基准面，根据验潮站的验潮资料，采用模型算法或传递算法可计算得到各验潮站的深度基准面。此外，在一般情况下，验潮站的平面位置(x,y)也可获得，所以根据验潮站已知平面位置和深度基准面高，则可采用几何插值或拟合的方法来构建某一区域连续无缝深度基准面。由于验潮站的布设成离散、点状分布特征，从而导致深度基准面也为离散非连续，所以进行深度基准面的高精度拟合对海洋无缝垂直基准面的建立具有重要意义。神经网络算法一直是国内外研究的热点，BP神经网络具有更小的模型误差而被广泛应用。传统的BP网络算法存在自身的限制与不足，主要表现在训练过程的不确定上，例如训练时间过长、陷入局部极小值、学习过程常常发生震荡等。BP网络训练的实质是一个非线性函数目标的优化问题，基于数值优化的训练算法除了利用目标样本的一阶梯度信息，往往还利用目标样本的二阶梯度信息，处理一些问题时在收敛速度上都存在着一定问题。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于CGBP算法的深度基准面拟合方法，应用于海洋无缝垂直基准面的构建。本发明针对深度基准面的特点及应用需求，采用基于变梯度算法(CGBP)对BP网络进行训练，不仅能够提高收敛速度、减小计算的复杂度，从而提高深度基准面的拟合精度，还可以消除梯度幅度的不利影响。运用变梯度算法训练的神经网络具有很好的泛化能力，可以广泛应用于深度基准面的拟合。

本发明所采用的技术方案是：一种基于CGBP算法的深度基准面拟合方法，包括以下步骤：

步骤A，确定网络结构，确定网络层数、节点数与传递函数；

步骤B，采用基于Fletcher-Reeves共轭梯度算法对网络进行训练；

步骤C，对网络性能进行测试。

进一步的，步骤A具体包括：

步骤A1，提取验潮站的平面坐标(x,y)作为输入因子，深度基准面值为输出因子，为了实现基于神经网络的深度基准面拟合的数学模型表达为：

L＝f(x,y) (1)

神经网络结构模型的输入层取两个神经元，输出层取一个神经元，则神经网络结构模型为2×M×1，其中M的经验取值为：

式中M为隐层节点数；n_i为输入节点数；n₀为输出节点数；a为1～10之间的常数；

步骤A2，隐层激活函数采用双曲正切S型函数作为传递函数，传递函数的数学表达式为：

式中，net1为隐层神经元的输入加权和；

输出层采用线性传递函数，线性传递函数的数学表达式为：

S₂(net2)＝net2 (4)

式中，net2为输出层的输入加权和。

进一步的，步骤B具体包括：