[发明专利]一种基于月尺度的潮位资料一致性修正方法

摘要

本发明涉及一种基于月尺度的潮位资料一致性修正方法，建立了实测潮位系列与趋势项、周期项和随机因子项之间的关系，通过对比不同尺度小波检验的残差以及计算两个小波尺度下小波分解系数的模的期望，确定异常点和突变点出现的位置，运用平均值代替该异常值消除随机因子项的干扰。通过滑动平均处理消除周期项的干扰。对趋势项、消除周期项后的潮位资料以及实测资料建立相关关系，选取近5年月潮位资料训练BP神经网络，运用训练得到的网络计算得到修正值。解决了月尺度的潮位资料一致性修正的问题，在修正过程中消除了随机因子项的干扰，通过训练的BP神经网络模型计算修正后的潮位资料，提高了修正的可靠性和精度。

主权项

一种基于月尺度的潮位资料一致性修正方法，包括以下步骤：步骤1、将某一站点的月潮位资料按时间顺序排列成潮位系列；所述潮位资料是实测月最高潮位资料或者实测月最低潮位资料；步骤2、消除潮位系列中的突变点和异常点；步骤3、消除潮位系列中的周期项因素：步骤3.1、对消除随机因子项的潮位系列进行小波分析，得到小波方差图，分析小波方差图所示系列的主能量周期，从而确定潮位系列的主周期n，n为自然数；步骤3.2、对潮位系列从n/2项开始进行滑动平均处理，每次滑动平均涉及n项，得到消除周期项后的结果W(t)；若n/2为非整数，则取n加1为n/2；步骤4、近N年的潮位资料可以认为是在现状条件下产生的，N为≥5的自然数，计算近一年的月潮位资料求平均值A，平均值A代表现状条件下的趋势项，计算现状条件下实测项与平均值A之差，但最近一年的数据不参与计算，仅仅计算N‑1年的实测项与平均值A之差；步骤5、对现状条件下近N年的计算资料进行汇总统计,但不包括最近1年的月资料，统计项包括现状条件下各时间点消除异常点和突变点的潮位值X(t)、消除周期项后的结果W(t)、实测项与平均值A之差α(t)；其中，α(t)＝A‑X(t)；步骤6、选取BP神经网络求取修正值，选取近N年的月资料，不包括最近1年的资料；共(N‑1)*12个样本作为训练集，输入项为消除周期项后的结果和实测项与平均值A之差，输出项为消除异常点和突变点的潮位值，并得训练后的神经网络；步骤7、通过步骤6训练得到的神经网络计算各时间点的修正值，输入项为消除周期项后的结果和实测项与平均值A之差α(t)，输出即为各年的修正值；步骤8、最近一年的潮位资料采用实测值为修正值，历史资料起始n/2年前的修正值均用n/2年修正值代替，n是自然数，若n/2为非整数，则取n加1为n/2。