[发明专利]一种海洋浮标运动特性的域适应迁移建模与预测方法

权利要求书

1.一种海洋浮标运动特性的域适应迁移建模与预测方法，其特征在于，包括以下步骤：

1)确定预测模型的输入和输出变量，收集建模样本集式中K表示样本总数；其中选择波高h、波向β、风速v、风向α、流速u、流向θ为输入变量，即x_i＝[h_i,β_i,v_i,α_i,u_i,θ_i]^T，i＝1…K；选择航向Ψ_h、纵摇Ψ_r、横摇Ψ_p为输出变量，即y_i＝[ψ_hi,ψ_ri,ψ_pi]^T；

2)建立浮标运动特性的域适应迁移学习DATL模型；

2.1)自动将样本集S分成2个样本子集，即正常工况的S_N和极端工况的S_E；

第i个输入变量式中L表示输入变量的个数；利用下述公式：

式中Δx_i,l和分别表示x_i,l的残差和均值，权重系数ξ_l≥0，代表均方差；如果Δx_i,l≥ξ_lσ_l,则分至对应极端工况模型的建模样本，P表示极端工况样本数；否则,s_i分至对应正常工况模型的建模样本，M表示正常工况样本数；

2.2)基于极限学习机回归算法，建立DATL模型；

DATL模型可表示为：

Y_NUE＝H_NUEW (2)

式中，Y_NUE＝[y_N1,…,y_NM|y_E1,…,y_EP]^T表示合并样本集{S_N∪S_E}的输出；H_NUE＝{H_N∪H_E}为{S_N∪S_E}隐藏层的输出；H_N＝[h_N1,…,h_NM]^T和H_E＝[h_E1,…,h_EP]^T分别为S_N和S_E隐藏层的输出；W为输出权重；根据经验最小化原则，将S_N和S_E的训练误差函数引入到极限学习机的目标损失函数中，得DATL模型的优化目标函数如下：

式中,||w||²/2为正则化项；λ_N≥0和λ_E≥0分别为S_N和S_E训练样本的预测误差惩罚系数；利用拉格朗日数乘法求解式(3)，可得：

W＝(I+λ_NH_N^TH_N+λ_EH_E^TH_E)^-1(λ_NH_N^TY_N+λ_EH_E^TY_E) (4)

式中，I为单位阵；

2.3)求取合适的DATL模型参数值；

为了提高DATL模型的精度和泛化性能，采用快速留一交叉验证法FLOO-CO在线求取合适的模型参数R，R是隐藏层节点个数；λ_N,λ_E，即当：

取得最小值时，可获取最合适的R,λ_N,λ_E；式中，和分别为S_N和S_E的第i次FLOO-CO预测误差；

3)利用DATL模型计算每个新测试样本x_t，t＝1,…,T的预测输出，T是测试样本数；

基于公式(2)-(5)，可计算每个新测试样本x_t的预测输出值，即：

式中，h_t＝[h(a₁,x_t+b₁),h(a₂,x_t+b₂),…,h(a_R,x_t+b_R)]表示输出隐藏层相对于测试样本x_t的输出值；h是隐藏层激活函数，采用sigmoid函数；a_R和b_R是第R个隐藏层节点的输入权重和偏置。