[发明专利]一种基于LM-BP神经网络模型预测噪声特性的方法

权利要求书

1.一种基于LM-BP神经网络模型预测噪声特性的方法，其特征在于，包括以下步骤：

S1采集数据：海水温度T、海水盐度S、海水深度z、海面风速v、海面降雨率r数据、和海洋环境噪声数据；

S2.创建包括：海水温度T、海水盐度S、海水深度z、海面风速v、海面降雨率r数据、和海洋环境噪声数据的数据集；

S3.以海水温度T、海水盐度S、海水深度z、海面风速v、海面降雨率r，5类数据为输入，设计LM-BP神经网络模型的拓扑结构；

S4.训练LM-BP神经网络模型；

S5.基于LM-BP神经网络模型预测噪声特性：将海面风速，海面降雨率，海水温度、盐度以及深度这5类参数输入S4中生成的模型中，输出噪声特性。

2.如权利要求1所述的一种基于LM-BP神经网络模型预测噪声特性的方法，其特征在于，S1步骤中：

所述海水温度T、海水盐度S、海水深度z的采集方式为：

通过CTD传感器采集得到.xml格式的温度T、盐度S、深度z数据，并转化成.csv文件；

所述海面风速v和海面降雨率r的空间网格分辨率为25km，时间分辨率为1h的ERA5，从中得到海面风速v和海面降雨率r数据；

所述海洋环境噪声数据的采集方式为：

通过水听器所采集的海洋环境噪声数据以.dat文件格式存储，利用Welch法对其进行处理，welch法处理的方式如下：

将长度为N的数据x(n)分为L段，每段有M个数据，第i段数据表示为：000000000

x_i(n)＝x(n+iM-M),0≤n≤M,1≤i≤L

然后对每段数据添加窗函数w(n)，求出每一段的周期图，第i段的功率谱为：

式中，U为归一化因子，

将每一段的周期图之间近似值看作互不相关，最后功率谱估计为：

采用布莱克曼窗对噪声功率谱进行估计，窗函数宽度取采样时间的1/3，数据重叠率取48％，在得到功率谱之后进一步处理得出1/3oct倍频程谱级L_p的数据。

3.如权利要求2所述的一种基于LM-BP神经网络模型预测噪声特性的方法，其特征在于，所述S3步骤中，设计得到的LM-BP神经网络模型的拓扑结构为：

该模型输入层5个节点，分别对应海面风速v，海面降雨率r，海水温度T、盐度S以及深度z，隐藏层有2层，第一层有12个节点数，第二层有8个节点数，输出层为1个神经元，

输入向量为X＝(x₁,x₂,x₃,x₄,x₅)^T，隐层1输入为A＝(a₁,a₂…a₁₂)^T，隐层1输出为B＝(b₁,b₂…b₁₂)^T，隐层2输入为C＝(c₁,c₂,…c₈)^T，隐层2输出为D＝(d₁,d₂,…d₈)^T，输出层输入为e₁，输出层的输出为f₁；

输入层与隐层1的连接权值为W＝(w_i,j)(i＝1,2...5,j＝1,2...12)

隐层1与隐层2的连接权值为Y＝(y_j,k)(j＝1,2...12,k＝1,2...8)

隐层2与输出层的连接权值为V＝(v_k,t)(k＝1,2...8,t＝1)

各层的之间的数学关系为：

对于隐层1有

b_j＝relu(a_j)j＝1,2...12

对于隐层2有

d_k＝relu(c_k)k＝1,2...8

对于输出层有

f_t＝sigmoid(e_t)t＝1

对于输入层与隐藏层1层，以及隐藏层1层和2层之间，传递函数采用relu的函数；对于隐藏层与输出层之间，传递函数采用sigmoid函数。