一种高精度的短期潮汐预报模型.doc

《一种高精度的短期潮汐预报模型.doc》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、一种高精度的短期潮汐预报模型　　摘要：　　为提高潮汐预报的精度，提出一种基于支持向量机的模块化潮汐实时预报模型.将潮汐分为受天体引潮力影响的天文潮和受环境因素和其他因素影响的非天文潮，分别使用调和分析法和改进的SVM对天文潮和非天文潮进行预报，结合两种方法的输出构造最终的潮汐预报结果.在对非天文潮的预测中，将SVM与灰色模型相结合，并利用粒子群优化算法对SVM的参数进行优化以提高预报精度.利用火奴鲁鲁港口的实测潮汐数据进行实时潮汐预报仿真.仿真结果表明该方法具有较高的短期预报精度.　　关键词：　　潮汐预报；模块化方法；调和分析法；支持向量机；灰色模型；粒子群优化　　0引言　

2、　潮汐预报直接关系到船舶航行安全和港口营运效率，对军事、渔业、港口和近岸工程以及其他沿海生产活动都有重要的影响.潮汐一直是船舶航行计划制定和港口作业调度的重要因素：准确的潮汐预报是航行安全的重要保障，并有利于港口水深资源的充分利用；相反，不准确的或误差较大的潮汐预报，则很可能导致船舶搁浅或撞桥等海上交通事故的发生.　　传统的潮汐预报方法是调和分析法.它以潮汐静力学和动力学为基础，经过多年发展，已经能够实现对潮汐进行稳定、长期预报，但需要大量、长期的潮位观测数据才能得出准确的调和分析模型，且其平均预报误差约为20～30cm，在许多场合达不到对潮汐预报精度的要求.潮汐产生的原动

3、力是天体的引潮力，但又受到如风力、风向、海水温度、气压等环境因素的影响，因此潮汐变化展现出强非线性和不确定性，难以对其确立固定的预报模型.为满足现代航海的实际需求，急需一种能够提高潮汐预报精度的方法.　　近些年发展起来的人工智能技术，如神经网络、模糊逻辑推理和进化计算等在航海领域得到了越来越多的应用，其中神经网络已被应用于潮汐预报研究中.PASHOVA等[2]使用时滞分析、径向基函数神经网络的方法对Burgas港的潮位进行了预测；JAIN等[3]　　利用神经网络对印度洋西海岸NewMangalore潮位站的潮汐提前一天进行预报；YIN等[4]提出利用序贯学习算法建立变结构的

4、径向基神经网络的潮汐预报模型以反映系统的时变动态.　　支持向量机是建立在统计学理论[5]和结构风险最小化原理基础上的机器学习方法，它在解决小样本、非线性问题以及高维模式识别中表现出许多特有的优势[6].本文选用一种基于SVM的模块化预报模型对潮汐进行预报.模块化是在解决某个具体问题时，把系统划分为具有不同属性的若干个模块的过程.在本文潮汐预报中首先按潮汐形成原因通过模块化方法把潮汐分为天文潮和非天文潮两部分，将调和分析法用于预报潮汐中天文潮部分，而将SVM用于预测具有较强非线性的非天文潮部分.这种分块方式能有效利用两种方法的优势，即调和分析法能够实现长期、稳定的天文潮预报，

5、而SVM能够以较高的精度实现潮汐的非线性拟合与预报.在本文研究中，将灰色模型预测方法应用于SVM预测中以减小环境要素的不确定性对潮汐预报精度造成的不利影响，同时应用粒子群优化算法对SVM的参数进行优化，使其拥有较快的收敛速度并避免其陷入局部最优解.灰色预测和PSO在SVM预测模型中的应用能提高潮汐预报的精度.最后，选取火奴鲁鲁等港口的实测潮汐数据进行港口潮汐的实时预报仿真.实验结果表明本文提出的方法可以有效地实现潮汐预报，并拥有较高的预报精度和较快的运算速度.　　1基础知识　　1.1SVM　　1.1.1SVM的基本概念　　SVM在1995首次由Vapnik提出，它是结构风险

6、最小化的近似实现.[7]与神经网络相比，SVM具有严格的理论基础和数学基础，不存在局部最小问题，能较好地解决小样本问题.SVM的体系结构见图1.图1中，K为核函数，x为输入值。　　1.1.2SVM回归理论　　对于训练样本集{xi，yi}，SVM的回归[8]是通过寻找一个非线性映射φ，将输入x映射到一个高维特征空间中.　　在特征空间中通过下列估计函数进行线性回归：　　1.2基于灰色系统的SVM　　灰色系统理论是由我国学者邓聚龙教授于1982年提出来的，是用于研究数量少、信息贫瘠的不确定性问题的理论方法.通过对“部分”已知信息的生成、开发，提取有价值的信息，实现对系统运行行为、

7、演化规律的正确描述和有效监控.[9]　　传统的实现序列预测的方法需要大量的数据用于预测，而灰色模型具有有效的算法来处理这些信息不完全和成因不明确的问题.灰色模型处理数据须通过以下3个步骤：通过累加处理原始数据集；利用SVM对累加的数据进行预测；通过反向累加运算进行数据还原.基于灰色模型的SVM的预报流程见图2.　　PSO是由Kennedy和Eberhart在1995年提出的，是一种模拟群体智能的优化算法.[10]本文在使用SVM对潮汐进行预报时，通过PSO算法对SVM的参数c和g进行优化来获得最佳的训练效果，以提高