[发明专利]一种基于动态模糊神经网络的海洋锋预测方法

说明书

本发明提供了一种基于动态模糊神经网络的海洋锋探测方法，其特征在于包括以下步骤：样本采集，获取目标海域目标时间段海洋锋样本参数；动态模糊神经网络模型训练；海洋锋探测；本发明提供了一种简便探测海洋锋的方法，只需采集变化后的海洋锋影响参数数据，通过动态模糊神经网络进行探测，就能根据坐标点的经纬度拟合出变化后的海洋锋分布曲线图。

技术领域

本申请涉及海洋锋预测方法的技术领域，尤其涉及一种基于动态模糊神经网络的海洋锋预测方法。

背景技术

海洋锋是海洋中特性明显不同的两种或几种水体之间的有明显水平梯度的狭窄过渡带，是水文要素(如温度、盐度等)水平分布的狭长高梯度带，即在锋面存在的海域，水文要素会显现出剧烈的变化特征。海洋锋可以广泛应用于海洋渔业、海上搜救、环境保护等方面。

现有技术中，分析海洋锋主要通过卫星和常规手段联合观测，然而由于海洋锋存在瞬时演变，涉及多种尺度，因此卫星和常规手段联合观测仅仅只能够观察既有的海洋锋，对于其即将产生的变化，难以有效预测，同时通过卫星和常规手段联合观测，操作较复杂，成本较高，针对相关技术中无法对海洋锋进行预测且成本较高的技术问题，目前尚未提出有效的解决方案。

发明内容

为了解决上述问题，本发明提供了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、颜色和叶绿素等；

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；

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。

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。

优选地，所述步骤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。

优选地，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。

本发明带来的有益效果：动态模糊神经网络有效结合了模糊控制与神经网络，利用每层之间的不断反馈，动态调节网络结构，提高预测精度。

附图说明

为了更清楚的说明本发明的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明基于动态模糊神经网络的海洋锋预测方法流程图；