[发明专利]基于机器学习的密跃层预测方法

权利要求书

1.一种基于机器学习的密跃层预测方法，方法包括以下步骤：

(1)选定数据源，确定密度跃层，将数据格式化存储：选取包括海洋温度、盐度数据的海洋数据集，从中选取0-500m深度范围内的数据作为训练集与测试集，根据海洋密度算法计算所需要的密度数据，将密度梯度定义为G，根据G与密度D、深度d以及层数n之间的关系求出密度梯度G，设立一个标记号flag，用来记录在某层密度是否有较大变化，如果有则将该列设为1，从而根据设立的标记号flag确定密度跃层，形成包含深度，压力，温度，盐度，密度，经度，纬度，日期，密度梯度G，标记号flag的数据集进行存储。

(2)确定训练集的选取比例，利用三次样条插值平滑温度、盐度数据：训练集的选取比例确定为0.45，采用三次样条曲线插值方法对盐度和温度数据进行插值平滑预处理，从而获得均匀分布的盐度、温度数据；

(3)利用特征缩放加快梯度收敛；

(4)优化SVM算法参数及进行特征排序：利用基于变步长网格搜索算法来确定SVM模型的超参数C和gamma，在作为第一次搜索的粗搜步骤下得到的最优解满足局部最优解的超参数C和gamma；从第二次搜索开始，将寻优起始点设定为上一次得到的最优解处，步长设定为上一次步长的百分之20。如此往复，直至找到满足全局最优解的超参数C和gamma；采取高斯核RBF作为核函数，针对每个单独的特征和响应变量结合得到的超参数建立预测模型，分别让每个特征与响应变量做模型分析并得到误差率，最后对每个特征的分数进行排序，从而能够的到对密度跃层影响最大的特征数据。