海洋环境预报方法、装置、系统及存储介质与流程

allin2022-09-03  199



1.本发明属于海洋环境监测技术领域,具体涉及一种海洋环境预报方法、海洋环境预报装置、海洋环境预报系统及计算机可读存储介质。


背景技术:

2.海洋平台是一种海洋工程结构物,它为开发和利用海洋资源提供了海上作业与生活的场所。随着海洋开发事业的迅速发展,海洋平台得到了广泛的应用。海洋平台结构复杂、体积庞大且造价昂贵,其所处的海洋环境极为复杂和恶劣,风、海浪、海流、海冰和潮汐时刻对海洋平台产生影响。
3.海洋环境主要由水文信息、气象信息和地理信息构成,其中气象信息和水文信息对海洋平台运行状态的影响最大,其可统称为海洋水文气象信息。海洋水文气象信息中对海洋平台运行状态影响较大的主要有海风、潮流、海流、风浪、涌浪等,风、浪、流通过对海洋平台产生海洋环境力和力矩来影响海洋平台的运行状态。
4.针对海洋环境监测,目前的主要手段包括现场人工采样、通过专用监测船进行监测或采用浮标原位监测的方式,上述监测方式存在劳动力消耗量极大、监测效率低和监测成本高等缺点,且监测系统的智能化和网络化程度不高,无法实现对海洋环境的远程实时监测,难以将监测到的数据用于短期环境预报,从而导致海洋环境发生污染或出现灾害时难以及时发现。


技术实现要素:

5.为了克服现有技术的上述缺点,本发明的目的在于提供一种海洋环境预报方法,旨在解决目前的海洋环境监测方式效率低、成本高且智能化程度低,无法进行短期环境预报的技术问题。
6.本发明为达到其目的,所采用的技术方案如下:
7.一种海洋环境预报方法,所述海洋环境预报方法包括以下步骤:
8.通过海洋环境监测子系统获取海洋环境数据,并将获取到的所述海洋环境数据传输至海洋数据处理子系统;
9.通过所述海洋数据处理子系统对所述海洋环境数据进行模态分解,以得到多个环境数据本征模态函数,并将所述环境数据本征模态函数传输至海洋环境预报子系统;
10.通过所述海洋环境预报子系统的神经网络算法对所述环境数据本征模态函数进行预测训练,以建立预测模型,并基于所述预测模型输出海洋环境预测结果。
11.进一步地,所述通过所述海洋环境预报子系统的神经网络算法对所述环境数据本征模态函数进行预测训练的步骤,包括:
12.通过bp神经网络算法对所述环境数据本征模态函数进行预测测试。
13.进一步地,所述通过bp神经网络算法对所述环境数据本征模态函数进行预测测试的步骤,包括:
14.利用遗传算法对bp神经网络进行优化,以建立ga-bpnn预测模型;
15.通过所述ga-bpnn预测模型对所述环境数据本征模态函数进行预测测试。
16.进一步地,所述通过所述ga-bpnn预测模型对所述环境数据本征模态函数进行预测测试的步骤,包括:
17.在所述ga-bpnn预测模型中引入lstm长短期记忆神经网络,以建立lstm-ga-bpnn预测模型;
18.通过所述lstm-ga-bpnn预测模型对所述环境数据本征模态函数进行预测测试。
19.进一步地,所述通过所述海洋数据处理子系统对所述海洋环境数据进行模态分解的步骤,包括:
20.通过emd经验模态分解方法对所述海洋环境数据进行模态分解。
21.进一步地,所述通过emd经验模态分解方法对所述海洋环境数据进行模态分解的步骤之前,包括:
22.在所述海洋环境数据对应的原始信号中加入高斯白噪声,以使所述原始信号投影到由所述高斯白噪声建立的参考系上;
23.所述通过所述lstm-ga-bpnn预测模型对所述环境数据本征模态函数进行预测测试的步骤,包括:
24.将所述本征模态函数的各个分量按对应的信号频段分为高频信号组、低频信号组和余项组;
25.通过所述lstm-ga-bpnn预测模型中的lstm预测模块对所述高频信号组的测试样本数据进行预测测试,以得到第一预测结果;
26.通过所述lstm-ga-bpnn预测模型中的ga-bpnn预测模块对所述低频信号组和所述余项组的测试样本数据进行预测测试,以得到第二预测结果。
27.进一步地,所述基于所述预测模型输出海洋环境预测结果的步骤,包括:
28.将所述第一预测结果和所述第二预测结果进行累加,以得到目标预测值并输出。
29.对应地,本发明还提出一种海洋环境预报装置,所述海洋环境预报装置包括:
30.监测模块,用于通过海洋环境监测子系统获取海洋环境数据,并将获取到的所述海洋环境数据传输至海洋数据处理子系统;
31.数据处理模块,用于通过所述海洋数据处理子系统对所述海洋环境数据进行模态分解,以得到多个环境数据本征模态函数,并将所述环境数据本征模态函数传输至海洋环境预报子系统;
32.预测模块,用于通过所述海洋环境预报子系统的神经网络算法对所述环境数据本征模态函数进行预测训练,以建立预测模型,并基于所述预测模型输出海洋环境预测结果。
33.对应地,本发明还提出一种海洋环境预报系统,所述海洋环境预报系统包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如前述的海洋环境预报方法的步骤。
34.对应地,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有海洋环境预报程序,所述海洋环境预报程序被处理器执行时实现如前述的海洋环境预报方法的步骤。
35.与现有技术相比,本发明的有益效果是:
36.本发明提出的海洋环境预报方法,通过海洋环境监测子系统、海洋数据处理子系统和海洋环境预报子系统构建起了一套海洋环境实时监测、处理及预报系统,利用海洋数据处理子系统对海洋环境监测子系统获取到的海洋环境数据进行模态分解并得到稳定的本征模态函数,再利用海洋环境预报子系统的神经网络算法对本征模态函数进行预测训练并建立起预测模型,当往预测模型中输入新的海洋环境数据时,预测模型即可输出对应的海洋环境预测结果,从而通过人工智能方式帮助监测人员实时掌握海洋环境信息的变化并对可能发生的海洋污染或灾害进行预判,以提前做好应对措施,有效避免了海洋平台的正常运行受到干扰。
附图说明
37.为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
38.图1为本发明海洋环境预报方法一实施例的流程示意图;
39.图2为本发明海洋环境预报方法另一实施例的流程示意图;
40.图3为本发明实施例方案涉及的装置结构示意图;
41.图4为本发明实施例方案涉及的硬件运行环境的系统结构示意图。
42.本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
43.下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
44.如图4所示,图4是本发明实施例方案涉及的海洋环境预报系统的结构示意图。
45.如图4所示,该海洋环境预报系统可以包括:处理器1001,例如cpu,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如wi-fi接口)。存储器1005可以是高速ram存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
46.可选地,该海洋环境预报系统还可以包括摄像头、rf(radio frequency,射频)电路,传感器、音频电路、wifi模块等等。其中,传感器可包括光传感器、运动传感器、红外线传感器以及其他传感器,在此不再赘述。
47.本领域技术人员可以理解,图4中示出的具体结构并不构成对该海洋环境预报系统的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
48.如图4所示,作为一种计算机可读存储介质的存储器1005中可以包括操作系统、网
络通信模块、用户接口模块以及海洋环境预报程序。
49.在图4所示的海洋环境预报系统中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的海洋环境预报程序,并执行以下操作:
50.通过海洋环境监测子系统获取海洋环境数据,并将获取到的海洋环境数据传输至海洋数据处理子系统;
51.通过海洋数据处理子系统对海洋环境数据进行模态分解,以得到多个环境数据本征模态函数,并将环境数据本征模态函数传输至海洋环境预报子系统;
52.通过海洋环境预报子系统的神经网络算法对环境数据本征模态函数进行预测训练,以建立预测模型,并基于预测模型输出海洋环境预测结果。
53.进一步地,处理器1001可以调用存储器1005中存储的海洋环境预报程序,还执行以下操作:
54.通过bp神经网络算法对环境数据本征模态函数进行预测测试。
55.进一步地,处理器1001可以调用存储器1005中存储的海洋环境预报程序,还执行以下操作:
56.利用遗传算法对bp神经网络进行优化,以建立ga-bpnn预测模型;
57.通过ga-bpnn预测模型对环境数据本征模态函数进行预测测试。
58.进一步地,处理器1001可以调用存储器1005中存储的海洋环境预报程序,还执行以下操作:
59.在ga-bpnn预测模型中引入lstm长短期记忆神经网络,以建立lstm-ga-bpnn预测模型;
60.通过lstm-ga-bpnn预测模型对环境数据本征模态函数进行预测测试。
61.进一步地,处理器1001可以调用存储器1005中存储的海洋环境预报程序,还执行以下操作:
62.通过emd经验模态分解方法对海洋环境数据进行模态分解。
63.进一步地,处理器1001可以调用存储器1005中存储的海洋环境预报程序,还执行以下操作:
64.在海洋环境数据对应的原始信号中加入高斯白噪声,以使原始信号投影到由高斯白噪声建立的参考系上。
65.进一步地,处理器1001可以调用存储器1005中存储的海洋环境预报程序,还执行以下操作:
66.将本征模态函数的各个分量按对应的信号频段分为高频信号组、低频信号组和余项组;
67.通过lstm-ga-bpnn预测模型中的lstm预测模块对高频信号组的测试样本数据进行预测测试,以得到第一预测结果;
68.通过lstm-ga-bpnn预测模型中的ga-bpnn预测模块对低频信号组和余项组的测试样本数据进行预测测试,以得到第二预测结果。
69.进一步地,处理器1001可以调用存储器1005中存储的海洋环境预报程序,还执行
以下操作:
70.将第一预测结果和第二预测结果进行累加,以得到目标预测值并输出。
71.参照图1,本发明一实施例提供一种海洋环境预报方法,该海洋环境预报方法包括:
72.s1,通过海洋环境监测子系统获取海洋环境数据,并将获取到的海洋环境数据传输至海洋数据处理子系统;
73.s2,通过海洋数据处理子系统对海洋环境数据进行模态分解,以得到多个环境数据本征模态函数,并将环境数据本征模态函数传输至海洋环境预报子系统;
74.s3,通过海洋环境预报子系统的神经网络算法对环境数据本征模态函数进行预测训练,以建立预测模型,并基于预测模型输出海洋环境预测结果。
75.在本实施例中,海洋环境监测子系统可包括用于采集各类气象信息(如海洋平台所处海域的风向、风速、温度、湿度等)和水文信息(如海洋平台所处海域的海水温度、盐度、密度、海流、潮汐、潮流、波浪等物理、化学及生物参数)的传感装置。
76.海洋数据处理子系统、海洋环境预报子系统可以是与上述传感装置通信连接的计算机中央控制及处理系统,其用于接收传感装置实时传输的监测数据并作进一步分析处理。由于传感装置采集到的海洋环境数据信号多为非线性非平稳信号,因此需要对其进行模态分解,以得到确定的本征模态函数,该本征模态函数对应的信号满足以下两个条件:1、所有信号的极值点的个数和过零点的个数相同或至多相差一个;2、极大值和极小值之间的包络线的平均值为零。
77.得到本征模态函数之后,可通过神经网络算法构造神经网络模型,并将本征模态函数的各个分量导入神经网络模型,然后通过训练神经网络基于导入的数据进行深度学习,待神经网络训练完毕后,即建立起了预测模型;在将获取到的海洋环境数据输入该训练完毕的预测模型时,预测模型即可针对未来短期内的海洋环境状况输出预测数据,从而可帮助监测人员及时掌握海洋环境信息的变化并对可能发生的污染或灾害进行预判,以提前做好应对措施,避免海洋平台的正常运行受到影响。
78.由此可见,本实施例提供的海洋环境预报方法,通过海洋环境监测子系统、海洋数据处理子系统和海洋环境预报子系统构建起了一套海洋环境实时监测、处理及预报系统,利用海洋数据处理子系统对海洋环境监测子系统获取到的海洋环境数据进行模态分解并得到稳定的本征模态函数,再利用海洋环境预报子系统的神经网络算法对本征模态函数进行预测训练并建立起预测模型,当往预测模型中输入新的海洋环境数据时,预测模型即可输出对应的海洋环境预测结果,从而通过人工智能方式帮助监测人员实时掌握海洋环境信息的变化并对可能发生的海洋污染或灾害进行预判,以提前做好应对措施,有效避免了海洋平台的正常运行受到干扰。
79.具体地,参照图1和图2,步骤s3包括:
80.s31,通过bp神经网络算法对环境数据本征模态函数进行预测测试。
81.bp神经网络是一种按误差反向传播训练的多层前馈网络,bp神经网络算法主要利用梯度搜索技术,以使神经网络的实际输出值和期望输出值的误差均方差达到最小。
82.bp神经网络算法包括信号的前向传播和误差的反向传播两个过程。正向传播时,输入信号通过隐含层作用于输出节点,经过非线性变换,产生输出信号,若实际输出与期望
输出不相符,则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传,并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度、隐层节点与输出节点的联接强度及阈值,使误差沿梯度方向下降。经过反复学习训练,可确定与最小误差相对应的权值和阈值,此时经过训练的神经网络即能对类似样本的输入信息,自行处理输出误差最小的经过非线形转换的信息。
83.具体地,参照图1和图2,步骤s31包括:
84.s311,利用遗传算法对bp神经网络进行优化,以建立ga-bpnn预测模型;
85.s312,通过ga-bpnn预测模型对环境数据本征模态函数进行预测测试。
86.bp神经网络算法在应用中存在收敛速度慢、易陷入局部极小等缺点,为克服上述不足,可利用遗传算法全局搜索最优解的能力来优化bp神经网络的权值,以建立起ga-bpnn预测模型。其中,ga-bpnn预测模型的建立和预测分为以下三个步骤:
87.1、bp神经网络结构确定:根据拟合函数输入/输出参数个数确定bp神经网络的结构,即可确定遗传算法的优化参数个数,进而得到遗传算法个体的编码长度;
88.2、遗传算法优化:根据bp神经网络的结构,可得到权值和阈值的个数;
89.3、bp神经网络预测:利用遗传算法得到最优个体对bp神经网络进行初始权值和阈值的赋值,使得bp神经网络经训练后即可输出预测样本。
90.具体地,参照图1和图2,步骤s312包括:
91.s3121,在ga-bpnn预测模型中引入lstm长短期记忆神经网络,以建立lstm-ga-bpnn预测模型;
92.s3122,通过lstm-ga-bpnn预测模型对环境数据本征模态函数进行预测测试。
93.随着预测周期的增大,ga-bpnn预测模型的预测效果会变差,因此在ga-bpnn预测模型中引入lstm长短期记忆神经网络。lstm是一种特殊的rnn(循环神经网络),可用于避免长期依赖性问题。lstm在普通rnn的基础上,在隐藏层的各神经单元中增加记忆单元,从而使得时间序列上的记忆信息可控,每次在隐藏层各神经单元间传递时通过若干个可控门(遗忘门、输入门、候选门、输出门),可以控制之前信息和当前信息的记忆和遗忘程度,从而使rnn神经网络具备长期记忆功能。
94.lstm-ga-bpnn预测模型包括lstm预测模块和ga-bpnn预测模块,两个模块可针对本征模态函数不同频率的分量分别进行预测测试,以分别得到海洋环境预测结果。
95.具体地,参照图1和图2,步骤s2包括:
96.s21,通过emd经验模态分解方法对海洋环境数据进行模态分解。
97.经验模态分解(empirical mode decomposition)方法可将复杂的海洋环境数据信号分解为有限个本征模态函数(intrinsic mode function),所分解出来的本征模态函数的各个分量包含了原信号在不同时间尺度的局部特征信号。emd经验模态分解方法是基于以下假设条件:
98.1、数据至少有两个极值,即一个最大值和一个最小值;
99.2、数据的局部时域特性由极值点间的时间尺度唯一确定;
100.3、如果数据不存在极值点但存在拐点,则可通过对数据进行一次或多次微分以求得极值,然后再通过积分来获得分解结果。
101.emd经验模态分解方法适用于分析和处理非平稳非线性信号,且克服了基函数无自适应性的问题。
102.进一步地,参照图1和图2,在一个示例性的实施例中,步骤s21之前,包括:
103.s2101,在海洋环境数据对应的原始信号中加入高斯白噪声,以使原始信号投影到由高斯白噪声建立的参考系上;
104.步骤s3122,包括:
105.s31221,将本征模态函数的各个分量按对应的信号频段分为高频信号组、低频信号组和余项组;
106.s31222,通过lstm-ga-bpnn预测模型中的lstm预测模块对高频信号组的测试样本数据进行预测测试,以得到第一预测结果;
107.s31223,通过lstm-ga-bpnn预测模型中的ga-bpnn预测模块对低频信号组和余项组的测试样本数据进行预测测试,以得到第二预测结果。
108.具体地,参照图1和图2,s3中根据训练结果输出海洋环境预测结果的步骤,包括:
109.s32,将第一预测结果和第二预测结果进行累加,以得到目标预测值并输出。
110.emd经验模态分解方法存在以下问题:
111.1、通过emd经验模态分解方法分解得到的本征模态函数存在模态混叠现象;
112.2、末端效应影响分解效果。
113.为抑制emd经验模态分解方法的模态混叠现象,可在海洋环境数据对应的原始信号中加入有限振幅的白噪声,白噪声在整个时频空间上均匀分布。基于这一背景,海洋环境数据对应的原始信号会在不同尺度下自动投影到由白噪声建立的参考尺度上,如此便在emd经验模态分解方法基础上得到eemd集合经验模态分解(ensemble empirical mode decomposition)方法。通过eemd集合经验模态分解方法可将本征模态函数的各个分量按信号频段进行分组,以通过lstm-ga-bpnn预测模型针对不同组别的分量分别进行预测测试,以得到更准确的海洋环境预测结果。
114.具体处理过程如下:
115.海洋环境预报子系统将海洋环境数据经eemd集合经验模态分解方法分解得到的本征模态函数中各个分量输入lstm-ga-bpnn预测模型,并初始化输入层、隐含层和输出层的数目,初始化权值和学习速率;然后将各个分量按波动频率分为高频信号组(对应高频信号)、低频信号组(对应高频信号)和余项组;同时将各个分量的数据分为训练样本和预测样本,并对输入/输出样本进行归一化;最后将高频信号组各个分量的训练样本数据代入lstm预测模块(ga-bpnn预测模块针对高频信号的预测效果较差),将低频信号组和余项组各个分量的训练样本数据代入ga-bpnn预测模块,以完成针对各个分量的预测测试,最终将每一个分量的预测结果进行累加,即可得到原始时间序列的目标预测值。如此,通过将本征模态函数的各个分量分类进行预测,可提高海洋环境短期预报的准确度。
116.对应地,参照图3,本发明实施例还提供一种海洋环境预报装置,该海洋环境预报装置包括:
117.监测模块10,用于通过海洋环境监测子系统获取海洋环境数据,并将获取到的海洋环境数据传输至海洋数据处理子系统;
118.数据处理模块20,用于通过海洋数据处理子系统对海洋环境数据进行模态分解,
以得到多个环境数据本征模态函数,并将环境数据本征模态函数传输至海洋环境预报子系统;
119.预测模块30,用于通过海洋环境预报子系统的神经网络算法对环境数据本征模态函数进行预测训练,以建立预测模型,并基于预测模型输出海洋环境预测结果。
120.本实施例的海洋环境预报装置用于实现前述的海洋环境预报方法,因此该海洋环境预报装置中的具体实施方式可见前文中的海洋环境预报方法的实施例部分,例如,监测模块10用于实现上述海洋环境预报方法中的步骤s1,数据处理模块20用于实现上述海洋环境预报方法中的步骤s2,预测模块30用于实现上述海洋环境预报方法中的步骤s3。所以,其具体实施方式可以参照上述实施例的描述,在此不再赘述。
121.对应地,本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有海洋环境预报程序,该海洋环境预报程序被处理器执行时实现上述任一实施例中的海洋环境预报方法的步骤。
122.在本实施例中,上述计算机可读存储介质可以包括但不限于任何类型的盘(包括软盘、硬盘、光盘、cd-rom、和磁光盘)、rom(read-only memory,只读存储器)、ram(random accessmemory,随机存储器)、eprom(erasable programmable read-only memory,可擦写可编程只读存储器)、eeprom(electrically erasable programmable read-only memory,电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片等各种可以存储程序代码的介质。
123.需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个
……”
限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
124.上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
125.通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
126.以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。

技术特征:
1.一种海洋环境预报方法,其特征在于,所述海洋环境预报方法包括以下步骤:通过海洋环境监测子系统获取海洋环境数据,并将获取到的所述海洋环境数据传输至海洋数据处理子系统;通过所述海洋数据处理子系统对所述海洋环境数据进行模态分解,以得到多个环境数据本征模态函数,并将所述环境数据本征模态函数传输至海洋环境预报子系统;通过所述海洋环境预报子系统的神经网络算法对所述环境数据本征模态函数进行预测训练,以建立预测模型,并基于所述预测模型输出海洋环境预测结果。2.根据权利要求1所述的海洋环境预报方法,其特征在于,所述通过所述海洋环境预报子系统的神经网络算法对所述环境数据本征模态函数进行预测训练的步骤,包括:通过bp神经网络算法对所述环境数据本征模态函数进行预测测试。3.根据权利要求2所述的海洋环境预报方法,其特征在于,所述通过bp神经网络算法对所述环境数据本征模态函数进行预测测试的步骤,包括:利用遗传算法对bp神经网络进行优化,以建立ga-bpnn预测模型;通过所述ga-bpnn预测模型对所述环境数据本征模态函数进行预测测试。4.根据权利要求3所述的海洋环境预报方法,其特征在于,所述通过所述ga-bpnn预测模型对所述环境数据本征模态函数进行预测测试的步骤,包括:在所述ga-bpnn预测模型中引入lstm长短期记忆神经网络,以建立lstm-ga-bpnn预测模型;通过所述lstm-ga-bpnn预测模型对所述环境数据本征模态函数进行预测测试。5.根据权利要求4所述的海洋环境预报方法,其特征在于,所述通过所述海洋数据处理子系统对所述海洋环境数据进行模态分解的步骤,包括:通过emd经验模态分解方法对所述海洋环境数据进行模态分解。6.根据权利要求5所述的海洋环境预报方法,其特征在于,所述通过emd经验模态分解方法对所述海洋环境数据进行模态分解的步骤之前,包括:在所述海洋环境数据对应的原始信号中加入高斯白噪声,以使所述原始信号投影到由所述高斯白噪声建立的参考系上;所述通过所述lstm-ga-bpnn预测模型对所述环境数据本征模态函数进行预测测试的步骤,包括:将所述本征模态函数的各个分量按对应的信号频段分为高频信号组、低频信号组和余项组;通过所述lstm-ga-bpnn预测模型中的lstm预测模块对所述高频信号组的测试样本数据进行预测测试,以得到第一预测结果;通过所述lstm-ga-bpnn预测模型中的ga-bpnn预测模块对所述低频信号组和所述余项组的测试样本数据进行预测测试,以得到第二预测结果。7.根据权利要求6所述的海洋环境预报方法,其特征在于,所述基于所述预测模型输出海洋环境预测结果的步骤,包括:将所述第一预测结果和所述第二预测结果进行累加,以得到目标预测值并输出。8.一种海洋环境预报装置,其特征在于,所述海洋环境预报装置包括:监测模块,用于通过海洋环境监测子系统获取海洋环境数据,并将获取到的所述海洋
环境数据传输至海洋数据处理子系统;数据处理模块,用于通过所述海洋数据处理子系统对所述海洋环境数据进行模态分解,以得到多个环境数据本征模态函数,并将所述环境数据本征模态函数传输至海洋环境预报子系统;预测模块,用于通过所述海洋环境预报子系统的神经网络算法对所述环境数据本征模态函数进行预测训练,以建立预测模型,并基于所述预测模型输出海洋环境预测结果。9.一种海洋环境预报系统,其特征在于,所述海洋环境预报系统包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的海洋环境预报方法的步骤。10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有海洋环境预报程序,所述海洋环境预报程序被处理器执行时实现如权利要求1至7中任一项所述的海洋环境预报方法的步骤。

技术总结
本发明公开了一种海洋环境预报方法、装置、系统及存储介质,该海洋环境预报方法包括以下步骤:通过海洋环境监测子系统获取海洋环境数据,并将获取到的海洋环境数据传输至海洋数据处理子系统;通过海洋数据处理子系统对海洋环境数据进行模态分解,以得到多个环境数据的本征模态函数,并将环境数据本征模态函数传输至海洋环境预报子系统;通过海洋环境预报子系统的神经网络算法对环境数据的本征模态函数进行预测训练,以建立预测模型,并基于预测模型输出海洋环境预测结果。本发明公开的海洋环境预报方法可解决目前的海洋环境监测方式效率低、成本高且智能化程度低,无法进行短期环境预报的技术问题。环境预报的技术问题。环境预报的技术问题。


技术研发人员:常练 杨仁友 田超
受保护的技术使用者:南方海洋科学与工程广东省实验室(湛江)
技术研发日:2022.02.24
技术公布日:2022/7/5
转载请注明原文地址: https://www.8miu.com/read-3079.html

最新回复(0)