[发明专利]基于BP神经网络的涡核水下最大温度异常反演方法

权利要求书

1.一种基于BP神经网络的涡核水下最大温度异常反演方法，其特征在于，包括以下步骤：

S1：根据全球Argo浮标剖面数据集与气候态数据，求取每条温度剖面相对应的温度异常剖面；

S2：定义涡旋内涡核的水平范围；

S3：在所述水平范围内进行卫星高度计采集涡旋识别数据集的筛选，将筛选得到的涡旋识别数据集与Argo浮标剖面数据集进行时空匹配分析，得到涡旋和水下涡核相对应的数据，生成Argo-in-Eddy匹配数据集；

S4：提取所述Argo-in-Eddy 匹配数据集中每条Argo所测得温度异常剖面及其对应的涡旋表面参数；

S5：对温度异常剖面进行滤波处理，提取每条温度异常剖面上的最大温度异常值；

S6：搭建EBPN模型；以BP神经网络为基础模型，将涡核的表面参数及水下温度异常作为特征值和标签值，构建出基于涡旋参数的EBPN模型；所述EBPN模型包括一个输入层、一个隐藏层和一个输出层；正向传播和反向传播过程分别用于初始化和更新隐藏层中的参数；

S7：将涡旋表面参数与涡核最大温度异常值导入模型进行训练与验证；

S8：基于EBPN模型对涡核最大温度异常值进行反演。

2.如权利要求1所述的基于BP神经网络的涡核水下最大温度异常反演方法，其特征在于，所述S1中，全球Argo浮标数据中包括实时剖面数据和延时剖面数据。

3.如权利要求1所述的基于BP神经网络的涡核水下最大温度异常反演方法，其特征在于，所述S2具体为：稳定状态下的海洋环流，称为地转流，其公式如下所示：

，

；

其中，g 为重力加速度，为地转参数，为地球自转角速度，为海表高度，x/y 分别为沿纬/经线的距离，为数学意义上的求导符号，和分别代表地转流的纬向和经向分量；涡核中心到最大地转速度对应的边界所围成的拟合圆的区域即为涡核的水平范围。

4.如权利要求1所述的基于BP神经网络的涡核水下最大温度异常反演方法，其特征在于，所述S3具体为：利用卫星高度计获取涡旋识别数据集，确定涡旋识别数据集中涡核的水平范围；在涡旋识别数据集中遍历每条涡旋信息，提取出当日位于该涡旋涡核内的Argo剖面，将所有匹配成功的数据集存储并命名为Argo-In-Eddy数据集。

5.如权利要求1所述的基于BP神经网络的涡核水下最大温度异常反演方法，其特征在于，所述S6具体为：

S6-1： EBPN中相邻两层之间的权重值设置如下：

；

其中，是EBPN反演的每10°×10°网格内涡核垂直方向上的水下最大温度异常值，n和m是网络中相邻两层的神经元数量，k表示隐藏层中全连接层的数量，是隐藏层中第k层神经元与下一层神经元的连接权重，表示通过隐藏层中第k个全连接层后的输出结果，是第k层的偏置，在k=0的情况下，表示输入层和隐藏层的第一个全连接层之间的权重；最后一个全连接层的神经元与输出层之间的权重用W表示，B是输出层神经元的偏置；

S6-2：利用Relu作为激活函数，其中；

S6-3：在EBPN网络模型的后向传播过程中，w和b根据误差进行自我更新：

；

其中L是损失函数，和分别是损失函数L关于w和b的偏微分，η表示学习率；更新后的权重和偏差也用w'和b'表示。

6.如权利要求1所述的基于BP神经网络的涡核水下最大温度异常反演方法，其特征在于，所述S6中，在EBPN模型中加入断点续传训练功能。

7.如权利要求1所述的基于BP神经网络的涡核水下最大温度异常反演方法，其特征在于，所述S7具体为：

（1）在数据训练之前，将数据集进行划分为独立的训练集、验证集和测试集；对每个输入特征进行标准归一化来消除涡旋特征值之间的维度差异的影响，其归一化的公式如下：

；

其中，为涡度特征的原始数据，和S分别代表特征数据的平均值和标准方差，E为标准归一化后的涡旋特征数据；

（2）以涡旋的表面参数为输入数据，以涡核的最大温度异常为输出数据，构建一种基于涡旋数据的反向传播神经网络，该反向传播神经网络的内部的超参数不断实验和训练，通过观察loss曲线来对网络结构进行调整，以确定符合反演预期效果的各项参数；所述表面参数包括：半径、动能、振幅、Argo浮标的地理坐标、涡心与Argo浮标的归一化距离a。