[发明专利]一种基于深度信念网络的上层海洋热结构预测方法

摘要

本发明公开了一种基于深度信念网络的上层海洋热结构预测方法，步骤如下：1)确定合适的环境参数作为热结构预测模型的输入因子和预测值；2)建立上层海洋热结构样本数据集，将样本数据分为训练数据和测试数据，并进行统一的数据预处理；3)建立深度信念网络，对样本数据进行逐层无监督预训练，初步获取模型的较优参数；4)基于反向传播算法，根据训练样本的标记对模型的参数进行微调，确定最优参数；5)将建立好的上层海洋热结构预测模型应用到测试数据，输出层即可得到预测的上层海洋特定深度处的温度值。本发明提出了基于深度信念网络的上层海洋热结构预测方法，克服了传统方法的单一拟合和过拟合问题，有效提取出海洋表层环境参数与上层海洋热结构之间的特征关系，提高了上层海洋热结构预测的准确性。

主权项

1.一种基于深度信念网络的上层海洋热结构预测方法，其特征在于它的步骤如下：1)预设环境参数作为热结构预测模型的输入因子和预测值；本步骤具体为：选择环境参数海表面温度SST、海面高度异常SSHA、海表风速SSW以及上层海洋距海表面深度Depth作为模型的输入影响因子，将上层海洋该深度处的温度作为模型的输出参数；2)建立上层海洋热结构样本数据集，将样本数据分为训练数据和测试数据，并进行统一的数据预处理；本步骤具体为：3.1)选择某一特定海域，获取该海域范围内热结构相关的数据集，包括海表面温度SST、海面高度异常SSHA、海表风速SSW以及Argo资料，建立上层海洋热结构样本数据集；3.2)将样本数据进行随机划分，80％作为训练数据，20％作为测试数据；3.3)对样本数据进行标准化处理，按公式(1)将输入参数归一化到[0.1，0.9]范围，其中x′_i表示归一化后的数据，x_i为原始的数据样本参数值，x_min和x_max分别表示归一化前该参数集的最小值和最大值；3)建立深度信念网络，对样本数据进行逐层无监督预训练，初步获取模型的较优参数；本步骤具体为：4.1)将样本数据中的影响因子向量作为输入数据，开始进行无监督的预训练，依据公式(2)所示的能量函数E(v,h)来判断受限玻尔兹曼机是否稳定，其中v_i和h_j是输入样本数据i和其特征j的二进制状态，b_i和b_j分别是它们的偏置量；n是输入样本总数，m是输入样本的特征总数；w_ij是连接权重，设定为(0，1)范围里的任意值；若能量函数E(v,h)达到收敛，则第一个RBM通过对比散度快速学习算法得到合适的网络参数，网络参数更新公式为：Δw_ij＝ε(<v_ih_j>_data‑<v_ih_j>_recon)    (3)其中Δw_ij为模型参数的权重，ε为网络的学习速率，<.>_data为模型输入的原始数据，<.>_recon为网络训练后的期望值，v_i为RBM的可视层节点值，h_j为RBM的隐含层层节点值；4.2)将第一个RBM隐含层的输出数据作为第二个RMB可视层输入数据，继续通过对比散度算法训练第二个RBM，依次类推直至训练完所有的RBM网络；4)基于反向传播算法，根据训练样本的标记对模型的参数进行调整，确定最优参数；本步骤具体为：5.1)根据样本数据中Argo资料实际观测到的该深度处的温度值T^(d)和预训练得到的粗略预测值T(d)，计算出它们的均方差MSE；5.2)基于反向传播算法，对网络模型的参数进行微调，当获得的均方差MSE小于一定的阈值时，停止训练，其收敛公式为：其中β是一个预设阈值，N表示BP算法用于微调的循环次数；5)将建立好的上层海洋热结构预测模型应用到测试数据，输出层即可得到预测的上层海洋特定深度处的温度值；本步骤具体为：将测试数据的输入影响因子输入到确定好各项参数的模型，模型的输出层即可预测输出上层海洋该深度处的温度值。