[发明专利]一种基于遗传算法关键参数寻优的LIESN洋面风速预测方法

说明书

本发明公开了一种基于遗传算法关键参数寻优的LIESN洋面风速预测方法，包括以下步骤：S1，构建气象特征，搭建LIESN模型，包括：结合气象站测得的基本物理量以及风速形成条件，计算常用的物理量参数和天气分析预报中常用的组合物理量参数；求出基本物理量和组合物理量之间的相关程度，得到基本物理量与风速的相关程度和组合物理量与风速的相关程度，挑选有效性较高的几维特征；搭建LIESN模型；计算LIESN的输出权值矩阵W^out；S2，通过遗传算法，对影响LIESN效果的关键参数进行寻优；S3，利用RLS在线学习算法对训练样本进行训练后，得到基于遗传算法关键参数寻优的LIESN洋面风速预测模型，利用该模型对测试样本进行预测。该方法预测精度及预测曲线的拟合程度较高。

技术领域

本发明涉及洋面风速预报技术领域，特别是涉及一种基于遗传算法关键参数寻优的泄漏 积分型回声状态网络(LIESN)洋面风速预测方法。

背景技术

风是由空气流动产生的一种自然现象，洋面的大风经常会引起海浪甚至是风暴潮，对船 只、海港、工程建筑、海上运输等经济活动都会有较大影响。风速作为衡量风运动速度的表 征，研究风速预测方法具有十分重要的现实意义。

目前海上观测资料主要来源于以下途径：卫星反演资料、船舶浮标资料、石油平台和海 岛资料。卫星反演资料由于受遥感仪器和反演算法误差的影响，资料质量往往较差。船舶受 航行速度和方向以及自身的不稳定等因素的影响，质量参差不齐。浮标是一种有效收集气象 资料的手段，但我国投入浮标测站的时间较晚，数量也较少，观测资料不全。我国平台站建 设时间较长，在现有条件下探讨平台站风速的预报有利于在附近海域推广，具有重要的现实 意义。

机器学习的方法在现代社会的各个学科和领域中均获得了广泛的应用，例如，在图像处 理、语音识别、自然语言处理等领域都取得了良好的效果。回声状态网络可以提取出数据的 高维特征，并且能有效地构建鲁棒性较高的机器学习模型，在机器学习领域应用广泛。回声 状态网络属于机器学习的重要分支，将机器学习的方法应用到气象研究中，有利于提高气象 预报业务的信息化、智能化水平，对气象研究有着重要的意义。改进的泄漏积分型回声状态 网络在风速预测中具有较好的效果，其中的网络参数在模型训练中有着十分重要的作用，因 此急需提出有效的网络参数寻优方法以解决泄漏积分型回声状态网络(LIESN)风速预测的 问题。

发明内容

为克服现有技术的不足，本发明旨在提出一种基于遗传算法关键参数寻优的泄漏积分型 回声状态网络(LIESN)洋面风速预测方法，根据原始气象物理量构建气象特征，进行特征 选择，利用泄漏积分型回声状态网络在线学习算法，通过遗传算法对网络参数寻优，最终实 现基于遗传算法关键参数寻优的泄漏积分型回声状态网络风速预测。

为此，本发明采用以下技术方案：

一种基于遗传算法关键参数寻优的LIESN洋面风速预测方法，包括以下步骤：

S1，构建气象特征，搭建LIESN模型，包括以下步骤：

(1)结合气象站测得的基本物理量以及风速形成条件，计算常用的物理量参数和天气分 析预报中常用的组合物理量参数；

(2)根据斯皮尔曼相关系数定量地求出所述基本物理量和组合物理量之间的相关程度， 得到所述基本物理量与风速的相关程度和组合物理量与风速的相关程度，挑选有效性较高的 几维特征；

(3)搭建LIESN模型，其计算公式如下：

y(n)＝g(W^out[x(n)；u(δn)]) (8-2)

其中：

u(n),x(n),y(n)分别为网络在n时刻的输入、n时刻的状态和n时刻的输出；

c0，为LIESN的时间常数；