[发明专利]一种多站位在线波周期数据的预测诊断方法

权利要求书

1.一种多站位在线波周期数据的预测诊断方法，其特征在于，包括时空样本测试训练阶段和时空模型动态计算调整阶段，所述时空样本测试训练阶段包括时间模型测试训练阶段和空间模型测试训练阶段两个过程；所述时空模型动态计算调整阶段包括时间模型与空间模型混合计算诊断、时空模型权值调整、时间模型动态调整、空间模型动态调整四个过程；所述时间模型采用RBF神经网络模型，所述空间模型采用线性神经网络模型；

所述预测诊断方法具体包括如下过程：

(1)利用时间样本进行训练得到RBF神经网络初始时间模型，利用空间样本进行训练得到线性神经网络初始空间模型；

(2)加载已经训练好的RBF神经网络初始时间模型和线性神经网络初始空间模型，根据多站位波浪传感器获得的实时海洋波浪最新的时间序列输入和空间序列输入，逐一进行实际预测计算，分别得到时间预测结果和空间预测结果，时间预测结果和空间预测结果根据加权计算得到时空综合预测结果；

(3)将得到的时空综合预测结果与下一时刻的实测结果判断数据是否异常，若当前时刻数据缺测或者数据异常，则用预测值补充作为当前值；对判断为有效值的实测值，作为最新数据形成新时间样本和新空间样本，分别用于RBF神经网络动态时间模型的再训练调整和线性神经网络动态空间模型的再训练调整，在模型的不断训练调整中进行数据的动态预测诊断；

所述步骤(1)中，线性神经网络初始空间模型的训练包括如下过程：

1)选取N个空间监测站位，对各站位波周期数据进行归一处理，得到空间样本集；

2)选取1个站位P作为空间模型计算的对象，其余N-1个站位数据作为线性神经网络的输入；

3)用不同数量的训练样本进行测试性训练，确定使训练精度最高的空间模型Ms；

4)Ms对应的样本数量为Np，Np为空间模型动态调整时的训练样本数量。

2.根据权利要求1所述的一种多站位在线波周期数据的预测诊断方法，其特征在于，所述步骤(1)中，RBF神经网络初始时间模型的训练包括如下过程：

选取单个站位的波周期数据作为处理训练样本集，设置RBF神经网络时间模型的训练参数，包括初始输入层数量、隐含层节点数量和迭代精度；测试性训练确定输入层数量、训练样本数量和隐含层中心节点数量；训练得到RBF神经网络初始时间模型。