[发明专利]基于多网络融合的海冰等级预测方法及装置

权利要求书

1.一种基于多网络融合的海冰等级预测方法，其特征在于，包括：

接收输入的海冰特征数据；

将所述海冰特征数据分别输入至第一预测模型和第二预测模型以得到第一海冰等级和第二海冰等级；

将所述第一海冰等级和第二海冰等级输入至等级预测公式以得到海冰预测等级；所述等级预测公式包括Y＝w1Y1+w2Y2；其中，Y表示海冰预测等级，Y1表示第一海冰等级，Y2表示第二海冰等级，w1表示第一预测模型的权重系数，w2表示第二预测模型的权重系数。

2.如权利要求1所述的基于多网络融合的海冰等级预测方法，其特征在于，所述将所述海冰特征数据分别输入至第一预测模型和第二预测模型以得到第一海冰等级和第二海冰等级，包括：

将所述海冰特征数据分别输入至第一预测模型、第二预测模型和第三预测模型以得到第一海冰等级、第二海冰等级和第三海冰等级；

对应的，所述将所述第一海冰等级和第二海冰等级输入至等级预测公式以得到海冰预测等级；所述等级预测公式包括Y＝w1Y1+w2Y2，包括：

将所述第一海冰等级和第二海冰等级输入至等级预测公式以得到海冰预测等级；所述等级预测公式包括Y＝w1Y1+w2Y2+w3Y3；其中，Y表示海冰预测等级，Y1表示第一海冰等级，Y2表示第二海冰等级，Y3表示第三海冰等级，w1表示第一预测模型的权重系数，w2表示第二预测模型的权重系数，w3表示第三预测模型的权重系数。

3.如权利要求2所述的基于多网络融合的海冰等级预测方法，其特征在于，所述第一预测模型包括神经网络模型，所述神经网络模型通过如下步骤构建得到：

获取历史海冰数据，所述历史海冰数据包括历史海冰等级和历史海冰特征；

将所述历史海冰特征输入至神经网络模型的输入层、并将所述历史海冰等级作为神经网络模型的输出，对神经网络模型进行迭代训练，得到训练后的神经网络模型。

4.如权利要求3所述的基于多网络融合的海冰等级预测方法，其特征在于，所述神经网络模型包括输入层、第一隐藏层、第二隐藏层和输出层；

所述输入层包括维度为4*5的线性输入层，所述第一隐藏层的隐藏节点数为9，所述第二隐藏层的隐藏节点数为7，所述第一隐藏层和第二隐藏层的激活函数为Sigmiod函数，所述输出层的激活函数为Tanh函数；

所述Sigmiod函数为：

所述Tanh函数为：

5.如权利要求2所述的基于多网络融合的海冰等级预测方法，其特征在于，所述第二预测模型包括支持向量机模型；所述第三预测模型包括决策树模型；所述决策树模型包括C4.5算法；

所述决策树模型通过如下步骤构建得到：

获取历史海冰数据；

将所述历史海冰数据分为训练集和测试集，并将所述训练集输入到决策树模型中进行模型参数训练以对决策树模型中各模型参数进行更新；

将所述测试集输入至模型参数更新后的决策树模型中以判断是否满足预设条件，如果满足，输出更新后的决策树模型。

6.如权利要求3-5中任意一项所述的基于多网络融合的海冰等级预测方法，其特征在于，所述海冰特征数据包括印缅槽强度指数、南方涛动指数、西太平洋副高面积指数和北非-北大西洋-北美副高脊线位置指数；

所述获取历史海冰数据，包括：

通过爬虫程序爬取相应网站的数据，并将得到的数据汇集形成历史海冰数据；

在所述获取历史海冰数据之后，还包括：

采用归一化函数对所述历史海冰数据进行归一化处理，所述归一化函数包括：Di＝(xi-min(X))/(max(X)-min(X))；其中，xi分别代表着x1,x2,…,xn；min(X)表示各个特征样本集中的最小的数据样本，max(X)表示各个特征样本集中的最大的数据样本。