[发明专利]一种基于径向基神经网络的海浪有效波高反演模型建模方法

摘要

本发明提出一种基于径向基神经网络的海浪有效波高反演模型建模方法，包括：步骤1、利用径向基神经网络建立海浪有效波高反演模型基本结构；步骤2、将学习样本数据的野值点剔除；步骤3、确定海浪有效波高反演模型中网络第二层的隐层节点数量H以及选取各隐节点数据中心值；步骤4、利用有效学习样本集合Sn进行网络训练。本发明利用径向基神经网络这种非线性建模方法进行建模，与传统的线性模型建模方法相比其模型表示能力更强，并且本发明采用的径向基神经网络具有万能逼近特性，与传统建模方法相比具有更高的建模精度。

主权项

1.一种基于径向基神经网络的海浪有效波高反演模型建模方法，其特征在于：具体包括以下几个步骤：步骤1、利用径向基神经网络建立海浪有效波高反演模型基本结构：根据三层单输入单输出神经网络模型建立海浪有效波高反演模型的基本结构，基本结构的网络第一层为输入层，网络第二层为隐层，第三层为输出层，经网络第一层输入x为雷达图像信噪比的平方根网络输出y为海浪有效波高Hs，W＝[w₁，w₂，...，w_H]^T为输出权矩阵，H为隐节点个数，为第i个隐节点的激活函数，采用径向基函数Gaussian函数：实现，其中，c_i(i＝1，2，...，H)为第i个隐节点的数据中心值，x_i、x_j(i，j＝1，2，...，n且i≠j)为有效样本输入；δ和spread分别为扩展常数和散步常数，用于调整径向基函数的灵敏度，进而海浪有效波高反演模型的基本结构表示为：步骤2、将学习样本数据的野值点剔除：将N个学习样本数据组成样本集合S_N＝{s₁，s₁，...，s_N}，样本集合S_N中的任意一个样本点s_i(i＝1，2，...，N)均可表示为二维的坐标形式，通过公式：计算样本集合S_N中任意两个样本点s_i和s_j(i，j＝1，2，...，N且i≠j)间的距离D_ij；定义距离阈值λ为λ＝0.05+0.05×Hs，当样本集合S_N中某一样本点s_i(i＝1，2，...，N)与任何其它样本点的距离均大于阈值λ，则该点为野值点，剔除该样本点；剔除野值数据后形成的集合为有效学习样本集合S_n，有效学习样本集合中有效学习样本数量为n，在有效学习样本集合S_n中，所有的有效样本输入用集合X_n表示；步骤3、确定海浪有效波高反演模型中网络第二层的隐层节点数量H以及选取各隐节点数据中心值：通过有效学习样本集合S_n，确定初始数据中心集合表示为：C‾=[c‾1,c‾2,...c‾H‾]T=AmXnBm]]>X_n＝[x₁，x₂，...，x_n]^TAm=min(x)-d+0×d/(m-1)......min(x)-d+i×d/(m-1)......min(x)]]>Bm=max(x)+0×d/(m-1)......max(x)+i×d/(m-1)......max(x)+d]]>d=0.1+δ-ln(0.1)]]>m=1+dβ1-β]]>其中，初始数据中心集合由A_m、X_n、B_m三个子集合组成，表示初始数据中心集合，初始数据中心集合中数据的个数即为初始选取的隐层节点的数量，集合中数据的数值即为各隐节点的数据中心值；X_n为有效样本输入集合，是由n个有效样本输入x₁、x₂、...、x_n组成；A_m为有效样本输入最小值扩展集合，由m个小于等于有效样本输入最小值的数据组成；B_m为有效样本输入最大值扩展集合，由m个大于等于有效样本输入最大值的数据组成；min(x)为集合X_n中数据的最小值，max(x)为集合X_n中数据的最大值；m和d为正数，分别表示集合A_m、B_m中的数据个数和数据间隔步长，β为相似度阈值；得到初始数据中心集合后，通过公式计算初始数据中心集合中任意两个数据中心且i≠j)的相似度S_ij，设置相似度阈值β，对于所有相似度数值大于β的两个数据中心，选取其中任意一个从集合中舍弃，重复这一过程，直到最后集合中剩余的所有数据中心之间的相似度值均小于β，得到集合C＝{c₁，c₂，...c_H}；集合C中数据的个数即为最终确定的隐层节点数H，各数据的数值即为各隐节点的数据中心值c_i(i＝1，2，...，H)，将H和集合C中的c_i(i＝1，2，...，H)值代入步骤1中海浪有效波高反演模型的基本结构公式中；步骤4、利用有效学习样本集合S_n进行网络训练，确定海浪有效波高反演模型中网络的权值w_i(i＝1，2，...H)，得到最终基于径向基神经网络的海浪有效波高反演模型。