[发明专利]一种基于数据分析的海灾智能监测系统及方法

权利要求书

1.一种基于数据分析的海灾智能监测方法，其特征在于：灾害实时监测的具体步骤包括：

步骤一：收集监测地区历史海洋监测数据，所述历史海洋监测数据包括海浪发生的具体时间、海浪有效波高、海浪的朝向、监测地区历史风速、风向、海上温度、陆地温度、洋流温差、潮汐和天气；

步骤二：将历史海洋监测数据结构化，同时将监测数据归一化处理；

步骤三：基于LSTM构建海浪预测模型，加深网络结构，改进算法，输入历史海洋监测数据进行反复迭代训练，输出mAP值最大的预测模型；

步骤四：基于评估模型计算预测模型的精确度；

步骤五：基于预测模型的输出判断海浪可能造成的灾害损失。

2.根据权利要求1所述的一种基于数据分析的海灾智能监测方法，其特征在于：所述步骤二将历史海洋监测数据结构化具体内容包括：

将监测地区历史风速、海上温度、陆地温度、洋流温差归一化处理：

其中，N^′表示归一化的数据，N表示原始数据，N_MIN表示同一批次输入数据中的最小值，N_MAX表示同一批次输入数据中的最大值。

3.根据权利要求1所述的一种基于数据分析的海灾智能监测方法，其特征在于：所述海浪预测模型网络结构包括全连接层和两层LSTM层；

所述海浪预测模型具体内容包括：所述全连接层包括第一全连接层和第二全连接层，输入与第一全连接层连接，输出经过第二全连接层再输出；

输入Q年的历史海洋监测数据，输出未来P个月的海浪有效波高和海浪的朝向。

4.根据权利要求3所述的一种基于数据分析的海灾智能监测方法，其特征在于：LSTM层包括遗忘门、记忆门和输出门，通过sigmod神经网络层构建遗忘门f，表达式为：

f＝σ(y_t-1×W_f+X_t×U_f+b_f)

其中,σ表示sigmod神经网络，y_t-1是上一层输出的隐藏状态，W_f为y_t-1的遗忘门权重,X_t是差值的特征向量，U_f是连接输入层与遗忘层偏重矩阵，b_f是遗忘门的偏置项；

通过sigmod神经网络层构建记忆门i，表达式为：

i＝σ(y_t-1×W_i+X_t×U_i+b_i)

其中，W_i为y_t-1的记忆门权重,U_i是连接输入层与记忆门偏重矩阵,b_i是记忆门的偏置项；

通过tanh神经网络层构建新的状态候选量C₁，表达式为：

C₁＝tanh(ε_t-1×W_c+X_t×U_c+b_c)

C_t＝C_t-1×f+C₁×i

其中，W_c是新的状态候选量权重,U_c是连接输入层与新的状态候选量偏重矩阵,b_c是新的状态候选量偏置项；

通过sigmod神经网络层构建输出门，表达式为：

v＝σ(y_t-1×W_v+X_t×U_v+b_v)

其中，W_v为h_t-1的输出门权重,U_v是连接输入层与输出门偏重矩阵,b_v是输出门的偏置项；

得到最终的输出信号海浪有效波高和海浪的朝向预测值：

yt＝o×tanh(C_t)

其中，yt表示最终的输出信号海浪有效波高和海浪的朝向预测值。