[发明专利]一种基于动态模糊神经网络的海洋锋预测方法

权利要求书

1.一种基于动态模糊神经网络的海洋锋预测方法，其特征在于包括以下步骤：

S1：样本采集，获取目标海域目标时间段海洋锋样本参数；

S11：获取该目标海域某海洋锋的分布曲线图，将该分布曲线图网格化，选取能够反映该分布曲线的坐标点，确定该坐标点的经纬度；

S12：获取每个坐标点影响参数，即该坐标点的海水温度、盐度、速度、颜色和叶绿素；

S13：将每个坐标点经纬度和影响参数作为一组数据，筛选数据作为样本，排出明显数据异常的组；

S2：动态模糊神经网络模型训练；

S21:建立网络模型，包括输入层、隶属函数层、范数层、归一化层和输出层；

第一层为输入层，其中X₁,X₂,...,X_r是动态模糊神经网络的输入变量，具体为海水温度、盐度、速度、颜色和叶绿素；

第二层为隶属函数层，神经元节点分成多个小组，每节点表示一个隶属函数，图中MF_ij是第i个输入变量的第j个隶属函数，每个神经元节点只连接一个输入变量，输入的连接权值是隶属函数的中心以及宽度，隶属函数是用高斯函数来表示的：

式中，σ_ij是x_i的第j个高斯隶属函数的宽度，μ_ij是x_i的第j个隶属函数，c_ij是x_i的第j个高斯隶属函数的中心，r是输入的变量数，u是系统总的规则数；

其中，高斯函数具有良好平滑的局部特征，能够把输入数据聚拢在一个小的范围，使输出数据以对称轴为中心向两边单调递减，所以选取高斯函数作为隶属函数来划分整个输入空间；

第三层为T—范数层，各个节点的可能的模糊规则中的IF部分，用来和模糊规则的条件进行匹配，反映了整个系统的模糊规则总数，输出是每条规则的激活度，第j个规则R_j的输出为：

式中X＝(x₁，x₂，…x_r)∈Rr是第j个RBF单元的中心，该层的每个节点表示了一个RBF单元，即代表模糊规则数；

第四层为归一化层，对上一层的输出做归一化处理，该层的节点数与第三层模糊规则节点数相等，第j个节点N_j的输出为：

第五层为输出层，每个神经元节点代表一个输出变量，输出坐标点的经纬度，输出的值是所有输入信号的叠加而成：

式中，y是变量的输出，ω_k是第k个规则的连接权；

S22：初始化参数，并输入第一组数据，产生一条模糊规则；

S23：输入第二组数据，开始训练网络，产生新的模糊规则并调整神经元的宽度和权值；

S24：重复S23的步骤，直到所有样本进入网络训练；

S25：动态调整模型，完成训练；其中还包括检测训练模型的步骤，用多组已知的参数输入模型中进行检测，判断模型输出的仿真结果与采集已知数据之间的误差是否在既定误差范围内，若是，则完成训练，若否，调整参数重新训练；

S3：海洋锋预测

S31：采集变化后的海洋锋影响参数数据；将该数据输入训练成型的动态模糊神经网络模型中，输出坐标点的经纬度；

S32：根据坐标点的经纬度拟合出变化后的海洋锋分布曲线图；

步骤S22中初始化参数包括：输入空间长度、重叠因子、阈值、衰减常数、收敛常数、高斯函数初始宽度、预先定义误差、高斯函数中心调整预定义常数；

所述输入空间长度包括输入空间最大长度和输入空间最小长度；所述预先定义误差包括预先定义最大误差和预先定义最小误差。